論文の概要: From Noise to Insights: Enhancing Supply Chain Decision Support through AI-Based Survey Integrity Analytics

• arxiv url: http://arxiv.org/abs/2601.17005v1
• Date: Wed, 14 Jan 2026 05:23:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.481823
• Title: From Noise to Insights: Enhancing Supply Chain Decision Support through AI-Based Survey Integrity Analytics
• Title（参考訳）: ノイズから洞察へ:AIベースのサーベイインテリジェンス分析によるサプライチェーン決定サポートを強化する
• Authors: Bhubalan Mani,
• Abstract要約: 本研究では、教師付き機械学習アプローチを用いて信頼性の低い調査入力をフィルタリングする軽量なAIベースのフレームワークを提案する。 前処理とラベルエンコーディングの後、ランダムフォレストとベースラインモデルの両方が、偽の反応と真偽の反応を区別するように訓練された。 最適性能モデルは92.0%の精度を達成し, パイロット実験と比較して検出精度が向上した。
• 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: The reliability of survey data is crucial in supply chain decision-making, particularly when evaluating readiness for AI-driven tools such as safety stock optimization systems. However, surveys often attract low-effort or fake responses that degrade the accuracy of derived insights. This study proposes a lightweight AI-based framework for filtering unreliable survey inputs using a supervised machine learning approach. In this expanded study, a larger dataset of 99 industry responses was collected, with manual labeling to identify fake responses based on logical inconsistencies and response patterns. After preprocessing and label encoding, both Random Forest and baseline models (Logistic Regression, XGBoost) were trained to distinguish genuine from fake responses. The best-performing model achieved an 92.0% accuracy rate, demonstrating improved detection compared to the pilot study. Despite limitations, the results highlight the viability of integrating AI into survey pipelines and provide a scalable solution for improving data integrity in supply chain research, especially during product launch and technology adoption phases.
• Abstract（参考訳）: 調査データの信頼性はサプライチェーンの決定において重要であり、特に安全ストック最適化システムのようなAI駆動ツールの準備性を評価する際に重要である。 しかし、調査はしばしば、導出された洞察の精度を低下させる低努力や偽の反応を惹きつける。 本研究では、教師付き機械学習アプローチを用いて信頼性の低い調査入力をフィルタリングする軽量なAIベースのフレームワークを提案する。 この拡張研究では、論理的不整合と応答パターンに基づいて、手動で偽の応答を識別する99の業界回答のデータセットが収集された。 前処理とラベルエンコーディングの後、ランダムフォレストとベースラインモデル(ロジスティック回帰、XGBoost)の両方がトレーニングされ、偽の応答と真偽の応答を区別した。 最適性能モデルは92.0%の精度を達成し, パイロット実験と比較して検出精度が向上した。 制限にもかかわらず、調査結果は、調査パイプラインにAIを統合することの可能性を強調し、サプライチェーン研究、特に製品ローンチと技術導入フェーズにおけるデータの整合性を改善するためのスケーラブルなソリューションを提供する。

関連論文リスト

• An Investigation on How AI-Generated Responses Affect SoftwareEngineering Surveys [3.183470571353323]
  本研究では,大規模言語モデル (LLM) がソフトウェア工学のサーベイでいかに誤用されているかを考察する。 我々は2025年にProlificプラットフォームを通じて行われた2回の調査からのデータを分析した。 ソフトウェア工学のサーベイにおいて、データの真正性は新たな妥当性の次元として認識される。
  論文  参考訳（メタデータ） (2025-12-19T11:17:05Z)
• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Empowering RepoQA-Agent based on Reinforcement Learning Driven by Monte-carlo Tree Search [70.63903518295785]
  モンテカルロ木探索によるエージェント強化学習フレームワークRepoSearch-R1を紹介する。 RepoSearch-R1に基づいて,リポジトリ質問応答タスク用に設計されたRepoQA-Agentを構築する。
  論文  参考訳（メタデータ） (2025-10-30T09:10:36Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Evaluation of Artificial Intelligence Methods for Lead Time Prediction in Non-Cycled Areas of Automotive Production [1.3499500088995464]
  本研究では,自動車生産環境における人工知能適用の有効性について検討した。 データ構造は、コンテキストの特徴を識別するために分析され、ワンホット符号化を使用して前処理される。 この研究は、高度に可変された生産データにAIメソッドを効果的に適用し、ビジネス価値を付加できることを実証している。
  論文  参考訳（メタデータ） (2025-01-13T13:28:03Z)
• Testing and Improving the Robustness of Amortized Bayesian Inference for Cognitive Models [0.5223954072121659]
  汚染物質観測とアウトリーチは、認知モデルのパラメータを推定する際にしばしば問題を引き起こす。 本研究では,アモルタイズされたベイズ推定を用いたパラメータ推定のロバスト性を検証・改善する。 提案手法は実装が簡単で実用的であり,外乱検出や除去が困難な分野に適用可能である。
  論文  参考訳（メタデータ） (2024-12-29T21:22:24Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Enhancing Feature Selection and Interpretability in AI Regression Tasks Through Feature Attribution [38.53065398127086]
  本研究では、回帰問題に対する入力データの非形式的特徴をフィルタリングする特徴属性法の可能性について検討する。 我々は、初期データ空間から最適な変数セットを選択するために、統合グラディエントとk平均クラスタリングを組み合わせた機能選択パイプラインを導入する。 提案手法の有効性を検証するため, ターボ機械の開発過程における羽根振動解析を実世界の産業問題に適用した。
  論文  参考訳（メタデータ） (2024-09-25T09:50:51Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)

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。