論文の概要: Better Recommendations: Validating AI-generated Subject Terms Through LOC Linked Data Service

• arxiv url: http://arxiv.org/abs/2508.00867v1
• Date: Fri, 18 Jul 2025 18:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.276254
• Title: Better Recommendations: Validating AI-generated Subject Terms Through LOC Linked Data Service
• Title（参考訳）: より良いレコメンデーション:LOCリンクデータサービスによるAI生成対象用語の検証
• Authors: Kwok Leong Tang, Yi Jiang,
• Abstract要約: 本稿では、AI生成した主題語をライブラリカタログに統合し、議会図書館リンクデータサービスによる検証に焦点を当てる。 生成AIはカタログ作成の迅速化において有望であるが、研究はAIが指定する課題の精度に重大な制限があることを明らかにしている。 本稿では,ライブラリカタログにおけるメタデータ生成の精度,効率,全体的な品質の向上を目的とした,LOC Linked Data ServiceによるAI技術と人間による検証を組み合わせたハイブリッドアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.998883625312534
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This article explores the integration of AI-generated subject terms into library cataloging, focusing on validation through the Library of Congress Linked Data Service. It examines the challenges of traditional subject cataloging under the Library of Congress Subject Headings system, including inefficiencies and cataloging backlogs. While generative AI shows promise in expediting cataloging workflows, studies reveal significant limitations in the accuracy of AI-assigned subject headings. The article proposes a hybrid approach combining AI technology with human validation through LOC Linked Data Service, aiming to enhance the precision, efficiency, and overall quality of metadata creation in library cataloging practices.
• Abstract（参考訳）: 本稿では、AI生成した主題語をライブラリカタログに統合し、議会図書館リンクデータサービスによる検証に焦点を当てる。 本報告では,議会図書館の課題として,非効率性やカタログバックログなど,従来の主題目録の課題について検討する。 生成型AIは、カタログワークフローの迅速化において有望であるが、研究はAIが指定する課題の精度に重大な制限を明らかにしている。 本稿では,ライブラリカタログにおけるメタデータ生成の精度,効率,全体的な品質の向上を目的とした,LOC Linked Data ServiceによるAI技術と人間による検証を組み合わせたハイブリッドアプローチを提案する。

関連論文リスト

• ArchiveGPT: A human-centered evaluation of using a vision language model for image cataloguing [0.0]
  本研究は,Al生成カタログ記述が人文品質を近似できるかどうかを考察する。 VLM(InternVL2)は、考古学的内容のラベル付き段ボールマウントに写真プリントのカタログ記述を作成した。 発見者は、AIがドラフト生成をサポートするが、人間の検証に従属する共同アプローチを提唱する。
  論文  参考訳（メタデータ） (2025-07-10T08:49:15Z)
• Co-DETECT: Collaborative Discovery of Edge Cases in Text Classification [89.62851347390959]
  Co-DETECT (Collaborative Discovery of Edge Case in TExt ClassificaTion)は、新しい混合開始型アノテーションフレームワークである。 人間の専門知識と、大きな言語モデルでガイドされた自動アノテーションを統合する。
  論文  参考訳（メタデータ） (2025-07-07T13:48:54Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• The AI Co-Ethnographer: How Far Can Automation Take Qualitative Research? [51.40252017262535]
  AI Co-Ethnographer (AICoE)は、定性的研究のために開発された新しいエンドツーエンドパイプラインである。 AICoEは、オープンコーディング、コード統合、コードアプリケーション、さらにはパターン発見を含む、プロセス全体を整理する。
  論文  参考訳（メタデータ） (2025-04-21T21:31:28Z)
• Automated Archival Descriptions with Federated Intelligence of LLMs [2.271344459418284]
  この研究は、標準化されたアーカイブ記述プロセスを実装する際の課題に対処するために、エージェントAIと大規模言語モデル(LLM)の可能性を探ることを目的としている。 そこで本稿では,AIによるAIによる高品質なメタデータ記述の自動生成システムを提案する。
  論文  参考訳（メタデータ） (2025-04-08T06:11:05Z)
• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• DeepDiveAI: Identifying AI Related Documents in Large Scale Literature Data [4.870043547158868]
  本稿では,大規模文献データベースからAI関連文書を自動的に分類する手法を提案する。 データセット構築アプローチは、専門家の知識と高度なモデルの能力を統合する。
  論文  参考訳（メタデータ） (2024-08-23T07:05:12Z)
• Learning from Litigation: Graphs and LLMs for Retrieval and Reasoning in eDiscovery [6.037276428689637]
  文書のランク付けと分類を強化するために知識グラフを統合する新システムであるDISCOGを導入する。 DISCOGは、F1スコア、精度、リコールにおいて、バランスの取れたデータセットと不均衡なデータセットの両方において、強力なベースラインを上回っている。 現実世界のデプロイメントでは、訴訟関連のドキュメントレビューコストを約98%削減し、ビジネス上の大きな影響を示している。
  論文  参考訳（メタデータ） (2024-05-29T15:08:55Z)

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。