論文の概要: Utilizing LLMs to Investigate the Disputed Role of Evidence in Electronic Cigarette Health Policy Formation in Australia and the UK
- arxiv url: http://arxiv.org/abs/2505.06782v1
- Date: Sat, 10 May 2025 23:40:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.035732
- Title: Utilizing LLMs to Investigate the Disputed Role of Evidence in Electronic Cigarette Health Policy Formation in Australia and the UK
- Title（参考訳）: オーストラリアと英国における電子タバコ健康政策形成におけるLCMの利用とエビデンスの役割
- Authors: Damian Curran, Brian Chapman, Mike Conway,
- Abstract要約: オーストラリアとイギリスは、電子タバコの規制に対する対照的なアプローチを開発してきた。
そこで我々は,電子タバコ関連政策文書の自動解析を行うLarge Language Modelベースの文分類器を開発し,評価した。
- 参考スコア（独自算出の注目度）: 0.7646713951724013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Australia and the UK have developed contrasting approaches to the regulation of electronic cigarettes, with - broadly speaking - Australia adopting a relatively restrictive approach and the UK adopting a more permissive approach. Notably, these divergent policies were developed from the same broad evidence base. In this paper, to investigate differences in how the two jurisdictions manage and present evidence, we developed and evaluated a Large Language Model-based sentence classifier to perform automated analyses of electronic cigarette-related policy documents drawn from official Australian and UK legislative processes (109 documents in total). Specifically, we utilized GPT-4 to automatically classify sentences based on whether they contained claims that e-cigarettes were broadly helpful or harmful for public health. Our LLM-based classifier achieved an F-score of 0.9. Further, when applying the classifier to our entire sentence-level corpus, we found that Australian legislative documents show a much higher proportion of harmful statements, and a lower proportion of helpful statements compared to the expected values, with the opposite holding for the UK. In conclusion, this work utilized an LLM-based approach to provide evidence to support the contention that - drawing on the same evidence base - Australian ENDS-related policy documents emphasize the harms associated with ENDS products and UK policy documents emphasize the benefits. Further, our approach provides a starting point for using LLM-based methods to investigate the complex relationship between evidence and health policy formation.
- Abstract（参考訳）: オーストラリアとイギリスは、電子タバコの規制に対する対照的なアプローチを開発しており、オーストラリアは比較的制限的なアプローチを採用し、イギリスはより寛容なアプローチを採用している。
特に、これらの分岐政策は、同じ広範な証拠ベースから発展した。
本稿では,2つの司法管轄区域がいかにして証拠を管理し,提示するかの相違を検討するために,オーストラリアおよび英国の公式立法プロセス(109件の文書)から抽出された電子タバコ関連政策文書の自動解析を行う大規模言語モデルに基づく文分類器を開発し,評価した。
具体的には,電子タバコが公衆衛生に有用か有害かという主張に基づいて,GPT-4を用いて文の自動分類を行った。
LLMを用いた分類ではFスコアが0.9。
さらに,全文レベルのコーパスに分類器を適用すると,オーストラリアの立法文書は有害な文の割合がはるかに高く,期待値よりも有用な文の割合が低いことが判明した。
結論として、この研究はLSMに基づくアプローチを利用して、同じ証拠ベースに基づいてオーストラリアのENDS関連の政策文書は、ENDS製品に関連する害を強調し、イギリスの政策文書は、その利益を強調するという主張を支持する証拠を提供した。
さらに, この手法は, 証拠と健康政策形成の複雑な関係を解明するための LLM 手法の出発点となる。
関連論文リスト
- Computational Identification of Regulatory Statements in EU Legislation [0.0]
計算手法は、EUの立法機関からそのような言明の特定をスケールするのに有用である。
機関文法ツールに基づく規制文を構成するための具体的定義を提供する。
論文 参考訳（メタデータ） (2025-05-01T12:11:32Z) - Knowledge-Augmented Reasoning for EUAIA Compliance and Adversarial Robustness of LLMs [1.368472250332885]
EUAIA(EU AI Act)は、敵の堅牢性を確立するために必要なプロセスと交差するAIシステムの要件を導入している。
本稿では,2つの特性をブリッジする機能アーキテクチャを提案する。
我々は,知識強化に基づく推論レイヤで開発者と監査者を支援することを目的としている。
論文 参考訳（メタデータ） (2024-10-04T18:23:14Z) - InternLM-Law: An Open Source Chinese Legal Large Language Model [72.2589401309848]
InternLM-Lawは、中国法に関する様々な法的クエリに対処するための特殊なLLMである。
われわれは、中国法域に100万以上のクエリを含むデータセットを慎重に構築する。
InternLM-LawはLawBench上で最高の平均性能を達成し、20サブタスク中13サブタスクでGPT-4を含む最先端モデルを上回っている。
論文 参考訳（メタデータ） (2024-06-21T06:19:03Z) - Evaluating Implicit Bias in Large Language Models by Attacking From a Psychometric Perspective [66.34066553400108]
我々は、ある人口層に対する大きな言語モデルの暗黙の偏見を厳格に評価する。
心理測定の原則にインスパイアされた我々は,3つの攻撃的アプローチ,すなわち,軽視,軽視,指導を提案する。
提案手法は,LLMの内部バイアスを競合ベースラインよりも効果的に引き出すことができる。
論文 参考訳（メタデータ） (2024-06-20T06:42:08Z) - Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。
本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。
観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
論文 参考訳（メタデータ） (2023-11-15T00:02:25Z) - LM-Polygraph: Uncertainty Estimation for Language Models [71.21409522341482]
不確実性推定(UE)手法は、大規模言語モデル(LLM)の安全性、責任性、効果的な利用のための1つの経路である。
テキスト生成タスクにおけるLLMの最先端UEメソッドのバッテリを実装したフレームワークであるLM-PolygraphをPythonで統一したプログラムインタフェースで導入する。
研究者によるUEテクニックの一貫した評価のための拡張可能なベンチマークと、信頼スコア付き標準チャットダイアログを強化するデモWebアプリケーションを導入している。
論文 参考訳（メタデータ） (2023-11-13T15:08:59Z) - A Hierarchical Neural Framework for Classification and its Explanation in Large Unstructured Legal Documents [0.5812284760539713]
我々はこの問題を「注釈付き法律文書」と定義する。
我々はMEScと呼ぶディープラーニングに基づく分類フレームワークを提案する。
また、ORSEと呼ばれる説明抽出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-19T12:18:28Z) - Pile of Law: Learning Responsible Data Filtering from the Law and a
256GB Open-Source Legal Dataset [46.156169284961045]
我々は, フィルター材料におけるトレードオフに直接対処する法則に基づくフィルタリングへのアプローチを提案する。
まず、256GBのオープンソース英語および行政データのデータセットであるPile of Lawを収集、利用可能にします。
第二に、政府が有毒または私的コンテンツを含めることを規制するために開発した法規範を精査する。
第3に、Pile of Lawが研究者に、このようなフィルタリングルールを直接データから学習する機会を提供する方法を示します。
論文 参考訳（メタデータ） (2022-07-01T06:25:15Z) - Towards Automatic Comparison of Data Privacy Documents: A Preliminary
Experiment on GDPR-like Laws [1.3537117504260623]
一般データ保護規則(NLP)は多くの国で保護のための標準法となっている。
12カ国で類似性のような規制が採用されているが、違いを評価するのに時間がかかり、法律の専門家による手作業が必要になる。
本稿では,この問題に対処するための自然言語処理(NLP)アプローチについて検討する。
論文 参考訳（メタデータ） (2021-05-21T03:59:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。