論文の概要: Rdgai: Classifying transcriptional changes using Large Language Models with a test case from an Arabic Gospel tradition

• arxiv url: http://arxiv.org/abs/2511.13801v1
• Date: Mon, 17 Nov 2025 10:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.736948
• Title: Rdgai: Classifying transcriptional changes using Large Language Models with a test case from an Arabic Gospel tradition
• Title（参考訳）: Rdgai:大言語モデルを用いた転写変化のアラビア福音書の判例による分類
• Authors: Robert Turnbull,
• Abstract要約: Rdgaiは多言語大言語モデル(LLM)を用いた分類作業を自動化するソフトウェアパッケージである。 本稿では,多言語大言語モデル(LLM)を用いた分類作業を自動化するソフトウェアパッケージRdgaiを提案する。
• 参考スコア（独自算出の注目度）: 8.832969171530054
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Application of phylogenetic methods to textual traditions has traditionally treated all changes as equivalent even though it is widely recognized that certain types of variants were more likely to be introduced than others. While it is possible to give weights to certain changes using a maximum parsimony evaluation criterion, it is difficult to state a priori what these weights should be. Probabilistic methods, such as Bayesian phylogenetics, allow users to create categories of changes, and the transition rates for each category can be estimated as part of the analysis. This classification of types of changes in readings also allows for inspecting the probability of these categories across each branch in the resulting trees. However, classification of readings is time-consuming, as it requires categorizing each reading against every other reading at each variation unit, presenting a significant barrier to entry for this kind of analysis. This paper presents Rdgai, a software package that automates this classification task using multi-lingual large language models (LLMs). The tool allows users to easily manually classify changes in readings and then it uses these annotations in the prompt for an LLM to automatically classify the remaining reading transitions. These classifications are stored in TEI XML and ready for downstream phylogenetic analysis. This paper demonstrates the application with data an Arabic translation of the Gospels.
• Abstract（参考訳）: 系統学的手法のテクスト的伝統への応用は、伝統的にすべての変化を同等として扱ってきたが、特定の変種が他の種よりも導入される可能性が高いと広く認識されている。 最大パリモニー評価基準を用いて特定の変化に重みを与えることができるが、これらの重みがどうあるべきかを事前に述べることは困難である。 ベイズ系統学のような確率論的手法では、ユーザーは変化のカテゴリを作成でき、各カテゴリの遷移率を分析の一部として推定することができる。 この読み方の変化の分類は、結果の木の各枝にまたがるカテゴリの確率を検査することを可能にする。 しかし、読解の分類には時間を要するため、各読解部で各読解部を分類する必要があるため、この種の分析に参入するための重要な障壁が提示される。 本稿では,多言語大言語モデル(LLM)を用いた分類作業を自動化するソフトウェアパッケージRdgaiを提案する。 このツールを使うと、ユーザは手動で読み出しの変化を分類し、そのアノテーションをLCMのプロンプトに使用して、残りの読み出し遷移を自動的に分類できる。 これらの分類はTEI XMLに格納され、下流の系統解析の準備が整う。 本稿では,ゴスペルのアラビア語翻訳データを用いて,その応用を実証する。

関連論文リスト

• Adaptable and Reliable Text Classification using Large Language Models [7.962669028039958]
  本稿では,Large Language Models(LLMs)を活用した適応的で信頼性の高いテキスト分類パラダイムを提案する。 我々は、4つの多様なデータセット上で、複数のLLM、機械学習アルゴリズム、ニューラルネットワークベースのアーキテクチャの性能を評価した。 システムの性能は、少数ショットや微調整の戦略によってさらに向上することができる。
  論文  参考訳（メタデータ） (2024-05-17T04:05:05Z)
• T3L: Translate-and-Test Transfer Learning for Cross-Lingual Text Classification [50.675552118811]
  言語間テキスト分類は通常、様々な言語で事前訓練された大規模多言語言語モデル(LM)に基づいて構築される。 本稿では,古典的な「翻訳とテスト」パイプラインを再考し,翻訳と分類の段階を適切に分離することを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:33:22Z)
• Tuning Traditional Language Processing Approaches for Pashto Text Classification [0.0]
  本研究の目的は,Pashto自動テキスト分類システムの構築である。 本研究は、統計的およびニューラルネットワーク機械学習技術の両方を含む複数のモデルを比較する。 本研究では,分類アルゴリズムとTFIDF特徴抽出法を用いて,平均試験精度94%を得た。
  論文  参考訳（メタデータ） (2023-05-04T22:57:45Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Generalized Funnelling: Ensemble Learning and Heterogeneous Document Embeddings for Cross-Lingual Text Classification [78.83284164605473]
  emphFunnelling (Fun)は、最近提案された言語間テキスト分類手法である。 Emph Generalized Funnelling (gFun) はFunの一般化である。 gFunは、Funや最先端のベースラインよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-09-17T23:33:04Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text Classification [52.69730591919885]
  本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。 多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
  論文  参考訳（メタデータ） (2020-07-29T19:38:35Z)
• Text Complexity Classification Based on Linguistic Information: Application to Intelligent Tutoring of ESL [0.0]
  本研究の目的は、英語を第二言語(ESL)学習者として教える文脈の中で、テキストの複雑さを識別できる分類器を構築することである。 ESLの専門家によって既に3つの難易度に分類されていた6171テキストのコーパスを用いて、5つの機械学習アルゴリズムを用いて異なる実験を行った。 その結果, 言語学的特徴は, 総合的な分類性能に優れていた。
  論文  参考訳（メタデータ） (2020-01-07T02:42:57Z)
• FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
  本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。 エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。 実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2019-12-29T15:26:28Z)

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。