論文の概要: Discovering Semantic Latent Structures in Psychological Scales: A Response-Free Pathway to Efficient Simplification

• arxiv url: http://arxiv.org/abs/2602.12575v1
• Date: Fri, 13 Feb 2026 03:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.83391
• Title: Discovering Semantic Latent Structures in Psychological Scales: A Response-Free Pathway to Efficient Simplification
• Title（参考訳）: 心理的尺度における意味的潜在構造発見 : 効率的な単純化への応答自由経路
• Authors: Bo Wang, Yuxuan Zhang, Yueqin Hu, Hanchao Hou, Kaiping Peng, Shiguang Ni,
• Abstract要約: 本稿では,スケール単純化のためのセマンティック潜在構造を運用するトピックモデリングフレームワークを提案する。 アイテムはコンテキスト文の埋め込みを使ってエンコードされ、密度ベースのクラスタリングによってグループ化される。 DASS,IPIP,EPOCHのフレームワークをベンチマークし,構造回復,内部整合性,因子の整合性,相関保存,還元効率を評価した。
• 参考スコア（独自算出の注目度）: 7.405170407676887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Psychological scale refinement traditionally relies on response-based methods such as factor analysis, item response theory, and network psychometrics to optimize item composition. Although rigorous, these approaches require large samples and may be constrained by data availability and cross-cultural comparability. Recent advances in natural language processing suggest that the semantic structure of questionnaire items may encode latent construct organization, offering a complementary response-free perspective. We introduce a topic-modeling framework that operationalizes semantic latent structure for scale simplification. Items are encoded using contextual sentence embeddings and grouped via density-based clustering to discover latent semantic factors without predefining their number. Class-based term weighting derives interpretable topic representations that approximate constructs and enable merging of semantically adjacent clusters. Representative items are selected using membership criteria within an integrated reduction pipeline. We benchmarked the framework across DASS, IPIP, and EPOCH, evaluating structural recovery, internal consistency, factor congruence, correlation preservation, and reduction efficiency. The proposed method recovered coherent factor-like groupings aligned with established constructs. Selected items reduced scale length by 60.5% on average while maintaining psychometric adequacy. Simplified scales showed high concordance with original factor structures and preserved inter-factor correlations, indicating that semantic latent organization provides a response-free approximation of measurement structure. Our framework formalizes semantic structure as an inspectable front-end for scale construction and reduction. To facilitate adoption, we provide a visualization-supported tool enabling one-click semantic analysis and structured simplification.
• Abstract（参考訳）: 心理学的尺度の洗練は伝統的に、アイテム構成を最適化するために因子分析、アイテム応答理論、ネットワーク心理測定といった応答に基づく手法に依存している。 厳密なアプローチではあるが、これらのアプローチは大規模なサンプルを必要とし、データ可用性と異文化間の互換性によって制約される可能性がある。 近年の自然言語処理の進歩は、質問項目のセマンティック構造が潜在構成組織をコード化し、補完的な応答のない視点を提供する可能性があることを示唆している。 本稿では,スケール単純化のためのセマンティック潜在構造を運用するトピックモデリングフレームワークを提案する。 アイテムは文脈文の埋め込みを使ってエンコードされ、密度ベースのクラスタリングによってグループ化され、その数を事前に定義せずに潜在意味因子を検出する。 クラスベースの用語重み付けは、構文を近似し、セマンティックに隣接したクラスタのマージを可能にする解釈可能なトピック表現を導出する。 代表的な項目は、統合リダクションパイプライン内のメンバシップ基準を用いて選択される。 DASS,IPIP,EPOCHのフレームワークをベンチマークし,構造回復,内部整合性,因子の整合性,相関保存,還元効率を評価した。 提案手法は, 確立された構造に整合したコヒーレント因子様グルーピングを復元する。 選択された項目は、精神測定値を維持しながら、平均して60.5%のスケール長を減少させた。 簡易な尺度は, 元の因子構造と保存された因子間相関に高く一致し, 意味的潜在組織が測定構造を無応答で近似することを示した。 本フレームワークは,大規模構築と縮小のための検査可能なフロントエンドとして意味構造を定式化する。 導入を容易にするため、一クリックで意味分析と構造化された単純化を可能にする可視化支援ツールを提供する。

関連論文リスト

• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Table-BiEval: A Self-Supervised, Dual-Track Framework for Decoupling Structure and Content in LLM Evaluation [11.450834626205676]
  Table-BiEvalは、人間の自由で自己管理的な評価フレームワークに基づく、新しいアプローチである。 コンテンツセマンティック精度と正規化ツリー編集距離を計算し、構造をコンテンツから切り離す。 結果は大きな変動を示し、中規模のモデルが驚くほど大きなモデルよりも構造効率が優れていることを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-09T07:38:27Z)
• Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
  本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。 textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。 我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
  論文  参考訳（メタデータ） (2025-10-16T23:19:28Z)
• Preference-Based Dynamic Ranking Structure Recognition [16.057238629517634]
  本稿では、嗜好に基づくデータに対するランキング構造認識の新しい枠組みを提案する。 まず、祝福されたブラッドリー・テリーモデルに対するスペクトル推定に時間的罰則を組み込むことで、動的ランキング群を同定する手法を開発する。 構造的変化を検出するために,革新的目的関数を導入し,動的プログラミングに基づく実践可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:06:05Z)
• Effects of structure on reasoning in instance-level Self-Discover [0.0]
  本稿では、Self-Discoverフレームワークのインスタンスレベルの適応であるiSelf-Discoverを紹介し、それを用いて動的に生成された構造化推論と非構造化推論との比較を行う。 最先端のオープンソースモデルを用いた多種多様なベンチマークによる実証的評価は、非構造化推論に対する一貫した優位性を支持している。
  論文  参考訳（メタデータ） (2025-07-04T07:28:42Z)
• "Principal Components" Enable A New Language of Images [79.45806370905775]
  証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。 提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
  論文  参考訳（メタデータ） (2025-03-11T17:59:41Z)
• StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
  StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。 評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
  論文  参考訳（メタデータ） (2024-12-23T22:08:40Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)

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。