論文の概要: Real-Time AI-Driven Pipeline for Automated Medical Study Content Generation in Low-Resource Settings: A Kenyan Case Study

• arxiv url: http://arxiv.org/abs/2507.05212v1
• Date: Mon, 07 Jul 2025 17:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.534484
• Title: Real-Time AI-Driven Pipeline for Automated Medical Study Content Generation in Low-Resource Settings: A Kenyan Case Study
• Title（参考訳）: 低リソース環境における医療研究コンテンツの自動生成のためのリアルタイムAI駆動パイプライン:ケニアのケーススタディ
• Authors: Emmanuel Korir, Eugene Wechuli,
• Abstract要約: JuvenotesはAI駆動のリアルタイムパイプラインで、学術文書の構造化試験スタイルの質問銀行への変換を自動化する。 ケニアの低リソース医療教育に最適化されている。 ケニアの医療機関で7ヶ月以上試験されたJuvenotesは、コンテンツを数日から数分に短縮し、毎日のアクティブユーザーを40%増やした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Juvenotes is a real-time AI-driven pipeline that automates the transformation of academic documents into structured exam-style question banks, optimized for low-resource medical education settings in Kenya. The system combines Azure Document Intelligence for OCR and Azure AI Foundry (OpenAI o3-mini) for question and answer generation in a microservices architecture, with a Vue/TypeScript frontend and AdonisJS backend. Mobile-first design, bandwidth-sensitive interfaces, institutional tagging, and offline features address local challenges. Piloted over seven months at Kenyan medical institutions, Juvenotes reduced content curation time from days to minutes and increased daily active users by 40%. Ninety percent of students reported improved study experiences. Key challenges included intermittent connectivity and AI-generated errors, highlighting the need for offline sync and human validation. Juvenotes shows that AI automation with contextual UX can enhance access to quality study materials in low-resource settings.
• Abstract（参考訳）: Juvenotesは、学術文書を構造化試験スタイルの質問銀行に自動変換するリアルタイムAI駆動パイプラインで、ケニアの低リソース医療教育設定に最適化されている。 このシステムは、Azure Document Intelligence for OCRとAzure AI Foundry(OpenAI o3-mini)をマイクロサービスアーキテクチャの質問と回答生成に、Vue/TypeScriptフロントエンドとAdonisJSバックエンドを組み合わせたものだ。 モバイルファーストの設計、帯域幅に敏感なインターフェース、制度的なタグ付け、オフライン機能は、ローカルな課題に対処する。 ケニアの医療機関で7ヶ月以上試験されたJuvenotesは、コンテンツキュレーションの時間を数日から数分に短縮し、毎日のアクティブユーザーを40%増やした。 学生の9割は、学習経験の改善を報告している。 主な課題は、断続接続とAI生成エラー、オフライン同期と人間の検証の必要性を強調した。 Juvenotesは、コンテキストUXによるAI自動化によって、低リソース環境における品質学習材料へのアクセスが向上することを示している。

関連論文リスト

• A Large-Scale Vision-Language Dataset Derived from Open Scientific Literature to Advance Biomedical Generalist AI [70.06771291117965]
  PubMed Central Open Accessサブセットから派生したオープンソースのデータセットであるBiomedicaを紹介する。 Biomedicaには600万以上の科学論文と2400万の画像テキストペアが含まれている。 私たちは、Webサーバを通じてスケーラブルなストリーミングと検索APIを提供し、AIシステムとのシームレスな統合を容易にします。
  論文  参考訳（メタデータ） (2025-03-26T05:56:46Z)
• Integration of Agentic AI with 6G Networks for Mission-Critical Applications: Use-case and Challenges [12.015880968827384]
  Agentic AI(AAI)は最近、コンテキストレンズを通じてテキストデータを分析できることから、多くの注目を集めている。 本稿では,AAIを実現するために,多層アーキテクチャを用いた新しいフレームワークを提案する。 予備分析の結果、AAIは最初の応答時間を平均5.6分短縮した。
  論文  参考訳（メタデータ） (2025-02-19T07:00:53Z)
• Are Large Language Models Ready for Business Integration? A Study on Generative AI Adoption [0.6144680854063939]
  本研究では,Google Geminiのような他の大規模言語モデル(LLM)のビジネスアプリケーションへの適用性について検討する。 ディズニーランドの異なる支店からの42,654件のレビューデータセットが採用された。 その結果、75%の成功率、25%のエラー、モデル自己参照の事例など、反応のスペクトルが示された。
  論文  参考訳（メタデータ） (2025-01-28T21:01:22Z)
• MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
  大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。 ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。 3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-07-18T00:58:41Z)
• How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG) [5.305156933641317]
  知的学習システム(ITS)におけるLarge Language Models (LLMs)は、パーソナライズされた教育に変革をもたらす機会を提供する。 現在の実装では、2つの重要な課題に直面している。 本稿では,構造化知識表現と文脈認識検索を統合した新しいフレームワークである知識グラフ強化検索(RAG)を提案する。
  論文  参考訳（メタデータ） (2023-11-29T15:02:46Z)
• Detecting The Corruption Of Online Questionnaires By Artificial Intelligence [1.9458156037869137]
  この研究は、オンライン研究のためにAIが生成したテキストが、人間と自動AI検出システムの両方で検出できるかどうかを検証した。 人間はチャンスレベル以上のテキストの著者を正しく特定することができた。 しかし、彼らのパフォーマンスは、満足のいくデータ品質を保証するために必要となるものより依然として劣っていた。
  論文  参考訳（メタデータ） (2023-08-14T23:47:56Z)
• MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images [49.664220687980006]
  注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。 本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
  論文  参考訳（メタデータ） (2022-03-23T12:33:11Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。