論文の概要: Automatic generation of DRI Statements

• arxiv url: http://arxiv.org/abs/2511.11655v1
• Date: Mon, 10 Nov 2025 16:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.803442
• Title: Automatic generation of DRI Statements
• Title（参考訳）: DRI文の自動生成
• Authors: Maurice Flechtner,
• Abstract要約: DRI(Deliberative Index)は、グループ推論を評価するための洗練されたメトリクスを提供する。 この論文は、DRIステートメント生成に対する革新的で自動化されたアプローチを導入している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Assessing the quality of group deliberation is essential for improving our understanding of deliberative processes. The Deliberative Reason Index (DRI) offers a sophisticated metric for evaluating group reasoning, but its implementation has been constrained by the complex and time-consuming process of statement generation. This thesis introduces an innovative, automated approach to DRI statement generation that leverages advanced natural language processing (NLP) and large language models (LLMs) to substantially reduce the human effort involved in survey preparation. Key contributions are a systematic framework for automated DRI statement generation and a methodological innovation that significantly lowers the barrier to conducting comprehensive deliberative process assessments. In addition, the findings provide a replicable template for integrating generative artificial intelligence into social science research methodologies.
• Abstract（参考訳）: グループ熟考の質を評価することは、熟考プロセスの理解を改善するために不可欠である。 Deliberative Reason Index (DRI)は、グループ推論を評価するための洗練された指標を提供するが、その実装は、文生成の複雑で時間を要するプロセスによって制約されている。 この論文は、高度な自然言語処理(NLP)と大規模言語モデル(LLM)を活用するDRIステートメント生成に対する革新的で自動化されたアプローチを導入し、調査準備に関わる人的労力を大幅に削減する。 主要なコントリビューションは、自動化されたDRIステートメント生成のための体系的なフレームワークと、包括的な熟考プロセスアセスメントの実行障壁を著しく低くする方法論的な革新である。 さらに, この知見は, 生成人工知能を社会科学研究方法論に統合するための, 複製可能なテンプレートを提供する。

関連論文リスト

• Towards Human-AI Synergy in Requirements Engineering: A Framework and Preliminary Study [2.195918681143262]
  本稿では,Human-AI RE Synergy Model(HARE-SM)を紹介する。 このモデルは、AIによる分析と人間の監視を統合して、要求の推論、分析、検証を改善する。 我々は、REデータセットの作成、微調整AIモデル、協調型ヒューマンAIの設計に焦点を当てた多段階の研究方法論を概説する。
  論文  参考訳（メタデータ） (2025-10-28T22:29:11Z)
• Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
  拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。 現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。 これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-02T00:34:15Z)
• A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions [0.0]
  RAGは、検索機構と生成言語モデルを組み合わせることで、出力の精度を高める。 近年の研究では, 検索効率向上のための新しい手法が注目されている。 RAGモデルの堅牢性向上に焦点をあてた今後の研究方向性が提案されている。
  論文  参考訳（メタデータ） (2024-10-03T22:29:47Z)
• A Survey on Retrieval-Augmented Text Generation for Large Language Models [1.4579344926652844]
  Retrieval-Augmented Generation (RAG)は、検索手法とディープラーニングの進歩を融合する。 本稿では,RAGパラダイムを検索前,検索後,検索後,生成の4つのカテゴリに分類する。 RAGの進化を概説し、重要な研究の分析を通して分野の進歩について論じている。
  論文  参考訳（メタデータ） (2024-04-17T01:27:42Z)
• Inadequacies of Large Language Model Benchmarks in the Era of Generative Artificial Intelligence [5.147767778946168]
  我々は、23の最先端のLarge Language Models (LLMs)ベンチマークを批判的に評価する。 私たちの研究は、バイアス、真の推論、適応性、実装の不整合、エンジニアリングの複雑さ、多様性、文化的およびイデオロギー規範の見落としなど、重大な制限を明らかにしました。
  論文  参考訳（メタデータ） (2024-02-15T11:08:10Z)
• Large Language Models for Information Retrieval: A Survey [83.75872593741578]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)

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。