論文の概要: Large Language Models in the Data Science Lifecycle: A Systematic Mapping Study

• arxiv url: http://arxiv.org/abs/2508.11698v1
• Date: Tue, 12 Aug 2025 23:20:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.275664
• Title: Large Language Models in the Data Science Lifecycle: A Systematic Mapping Study
• Title（参考訳）: データサイエンスライフサイクルにおける大規模言語モデル:システムマッピング研究
• Authors: Sai Sanjna Chintakunta, Nathalia Nascimento, Everton Guimaraes,
• Abstract要約: 大規模言語モデル(LLM)は、多くのドメインにまたがるトランスフォーメーションツールとして登場した。 この体系的なマッピング研究は、データサイエンスライフサイクル全体を通してLLMの応用を包括的に検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Large Language Models (LLMs) have emerged as transformative tools across numerous domains, impacting how professionals approach complex analytical tasks. This systematic mapping study comprehensively examines the application of LLMs throughout the Data Science lifecycle. By analyzing relevant papers from Scopus and IEEE databases, we identify and categorize the types of LLMs being applied, the specific stages and tasks of the data science process they address, and the methodological approaches used for their evaluation. Our analysis includes a detailed examination of evaluation metrics employed across studies and systematically documents both positive contributions and limitations of LLMs when applied to data science workflows. This mapping provides researchers and practitioners with a structured understanding of the current landscape, highlighting trends, gaps, and opportunities for future research in this rapidly evolving intersection of LLMs and data science.
• Abstract（参考訳）: 近年、LLM(Large Language Models)は多くのドメインにまたがってトランスフォーメーションツールとして登場し、専門家が複雑な分析タスクにどのようにアプローチするかに影響を与えている。 この体系的なマッピング研究は、データサイエンスライフサイクル全体を通してLLMの応用を包括的に検証する。 スコパスおよびIEEEデータベースから関連する論文を分析し,適用対象のLCMの種類,対象とするデータサイエンスプロセスの具体的段階と課題,評価に用いる方法論的アプローチを同定し,分類する。 本分析では,データサイエンスのワークフローに適用した場合のLCMの肯定的貢献と限界の両方を体系的に文書化する。 このマッピングは、研究者や実践者が現在の風景を構造化して理解し、LSMとデータサイエンスの急速に進化する交差点における、将来の研究のトレンド、ギャップ、機会を浮き彫りにします。

関連論文リスト

• Large Language Model-based Data Science Agent: A Survey [14.31246443624872]
  本調査では、データサイエンスタスク用に設計されたLCMベースのエージェントを包括的に分析する。 エージェントの観点からは、エージェントの役割、実行、知識、リフレクションメソッドをカバーする重要な設計原則について議論する。 データサイエンスの観点から、私たちは、データ前処理、モデル開発、評価、可視化など、LLMベースのエージェントの重要なプロセスを特定します。
  論文  参考訳（メタデータ） (2025-08-02T17:33:18Z)
• A Survey on Multimodal Benchmarks: In the Era of Large AI Models [13.299775710527962]
  MLLM(Multimodal Large Language Models)は、人工知能に大きな進歩をもたらした。 この調査は、4つのコアドメイン(理解、推論、生成、アプリケーション)にわたるMLLMを評価する211のベンチマークを体系的にレビューする。
  論文  参考訳（メタデータ） (2024-09-21T15:22:26Z)
• A Survey of Multimodal Large Language Model from A Data-centric Perspective [46.57232264950785]
  マルチモーダル大言語モデル(MLLM)は、複数のモーダルからのデータの統合と処理によって、標準的な大言語モデルの能力を高める。 データはこれらのモデルの開発と改良において重要な役割を担います。
  論文  参考訳（メタデータ） (2024-05-26T17:31:21Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)

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。