論文の概要: Combining Evidence and Reasoning for Biomedical Fact-Checking

• arxiv url: http://arxiv.org/abs/2509.13879v1
• Date: Wed, 17 Sep 2025 10:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.818684
• Title: Combining Evidence and Reasoning for Biomedical Fact-Checking
• Title（参考訳）: バイオメディカルFact-Checkingにおけるエビデンスと推論の併用
• Authors: Mariano Barone, Antonio Romano, Giuseppe Riccio, Marco Postiglione, Vincenzo Moscato,
• Abstract要約: CER(Combin-ing Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。 科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。
• 参考スコア（独自算出の注目度）: 11.555285143713315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Misinformation in healthcare, from vaccine hesitancy to unproven treatments, poses risks to public health and trust in medical sys- tems. While machine learning and natural language processing have advanced automated fact-checking, validating biomedical claims remains uniquely challenging due to complex terminol- ogy, the need for domain expertise, and the critical importance of grounding in scientific evidence. We introduce CER (Combin- ing Evidence and Reasoning), a novel framework for biomedical fact-checking that integrates scientific evidence retrieval, reasoning via large language models, and supervised veracity prediction. By integrating the text-generation capabilities of large language mod- els with advanced retrieval techniques for high-quality biomedical scientific evidence, CER effectively mitigates the risk of halluci- nations, ensuring that generated outputs are grounded in veri- fiable, evidence-based sources. Evaluations on expert-annotated datasets (HealthFC, BioASQ-7b, SciFact) demonstrate state-of-the- art performance and promising cross-dataset generalization. Code and data are released for transparency and reproducibility: https: //github.com/PRAISELab-PicusLab/CER.
• Abstract（参考訳）: 医療における誤情報(ワクチンの根絶から未証明治療まで)は、公衆衛生や医療用注射器の信頼にリスクをもたらす。 機械学習と自然言語処理は、自動化された事実チェックを進歩させているが、複雑なターミノール・オギー、ドメインの専門知識の必要性、科学的証拠の根拠となる重要な重要性により、バイオメディカルクレームの検証は、独特に難しいままである。 CER(Combin-ing Evidence and Reasoning)は, 科学的証拠検索, 大規模言語モデルによる推論, 教師付き妥当性予測を統合した, バイオメディカルな事実チェックのための新しいフレームワークである。 ハイクオリティなバイオメディカル・エビデンスのための高度な検索技術と大きな言語モーダルのテキスト生成能力を統合することで、CERは幻の国家のリスクを効果的に軽減し、生成したアウトプットが検証可能なエビデンスベースの情報源に基盤を置いていることを保証する。 専門家注釈付きデータセット(HealthFC、BioASQ-7b、SciFact)の評価は、最先端のパフォーマンスと有望なクロスデータセットの一般化を示している。 コードとデータは透明性と再現性のためにリリースされている。

関連論文リスト

• Combating Biomedical Misinformation through Multi-modal Claim Detection and Evidence-based Verification [11.555285143713315]
  CER(Combining Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。 科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。 幻覚のリスクを効果的に軽減し、生成したアウトプットが検証可能なエビデンスベースの情報源で根拠付けられていることを保証する。
  論文  参考訳（メタデータ） (2025-09-17T10:31:09Z)
• Knowledge Graph-Driven Retrieval-Augmented Generation: Integrating Deepseek-R1 with Weaviate for Advanced Chatbot Applications [45.935798913942904]
  構造化バイオメディカル知識と大規模言語モデル(LLM)を組み合わせた革新的なフレームワークを提案する。 本システムでは,年齢関連黄斑変性(AMD)に関する医学的要約から因果関係を同定・精査し,詳細な知識グラフを作成する。 ベクトルベース検索と局所展開言語モデルを用いて,臨床証拠を直接参照して,文脈的に関連性があり,検証可能な応答を生成する。
  論文  参考訳（メタデータ） (2025-02-16T12:52:28Z)
• A Review on Scientific Knowledge Extraction using Large Language Models in Biomedical Sciences [1.8308043661908204]
  本稿では,生物医学領域における大規模言語モデル(LLM)の最先端応用について概説する。 LLMは、幻覚、文脈理解、一般化する能力など、大きな可能性を秘めているが、大きな課題が残っている。 我々は、医療文献へのアクセスを改善し、医療における有意義な発見を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-12-04T18:26:13Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Leveraging Generative AI for Clinical Evidence Summarization Needs to Ensure Trustworthiness [47.51360338851017]
  エビデンスベースの医療は、医療の意思決定と実践を最大限に活用することで、医療の質を向上させることを約束する。 様々な情報源から得ることができる医学的証拠の急速な成長は、明らかな情報の収集、評価、合成に挑戦する。 大規模言語モデルによって実証された、生成AIの最近の進歩は、困難な作業の促進を約束する。
  論文  参考訳（メタデータ） (2023-11-19T03:29:45Z)
• HealthFC: Verifying Health Claims with Evidence-Based Medical Fact-Checking [5.065947993017158]
  HealthFCは、ドイツ語と英語で750件の健康関連クレームのデータセットで、医療専門家による正確さをラベル付けしている。 データセットの分析を行い、その特性と課題を強調します。 データセットは、将来の使用の可能性が高い、挑戦的なテストベッドであることを示す。
  論文  参考訳（メタデータ） (2023-09-15T16:05:48Z)

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。