論文の概要: Spelling Correction in Healthcare Query-Answer Systems: Methods, Retrieval Impact, and Empirical Evaluation
- arxiv url: http://arxiv.org/abs/2603.19249v1
- Date: Wed, 25 Feb 2026 04:58:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:12.774837
- Title: Spelling Correction in Healthcare Query-Answer Systems: Methods, Retrieval Impact, and Empirical Evaluation
- Title（参考訳）: 医療質問応答システムにおけるスペル補正:方法,検索的影響,経験的評価
- Authors: Saurabh K Singh,
- Abstract要約: 本稿では,医療用QAにおける検索前処理ステップとして,スペル補正に関する最初の制御研究について述べる。
TREC 2017 LiveQA Medical TrackとHealthSearchQAという2つの公開データセットのエラー調査を行います。
実際の医療クエリの61.5%には少なくとも1つのスペルエラーが含まれており、トークンレベルのエラー率は11.0%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Healthcare question-answering (QA) systems face a persistent challenge: users submit queries with spelling errors at rates substantially higher than those found in the professional documents they search. This paper presents the first controlled study of spelling correction as a retrieval preprocessing step in healthcare QA using real consumer queries. We conduct an error census across two public datasets -- the TREC 2017 LiveQA Medical track (104 consumer health questions) and HealthSearchQA (4,436 health queries from Google autocomplete) -- finding that 61.5% of real medical queries contain at least one spelling error, with a token-level error rate of 11.0%. We evaluate four correction methods -- conservative edit distance, standard edit distance (Levenshtein), context-aware candidate ranking, and SymSpell -- across three experimental conditions: uncorrected queries against an uncorrected corpus (baseline), uncorrected queries against a corrected corpus, and fully corrected queries against a corrected corpus. Using BM25 and TF-IDF cosine retrieval over 1,935 MedQuAD answer passages with TREC relevance judgments, we find that query correction substantially improves retrieval -- edit distance and context-aware correction achieve MRR improvements of +9.2% and NDCG@10 improvements of +8.3% over the uncorrected baseline. Critically, correcting only the corpus without correcting queries yields minimal improvement (+0.5% MRR), confirming that query-side correction is the key intervention. We complement these results with a 100-sample error analysis categorising correction outcomes per method and provide evidence-based recommendations for practitioners.
- Abstract（参考訳）: QA(Healthcare question-anwering)システムは、検索するプロのドキュメントよりもはるかに高いレートでスペルエラーのあるクエリを送信します。
本稿では、実際の消費者問合せを用いた医療QAにおいて、スペル訂正を検索前処理ステップとして初めて制御した研究について述べる。
TREC 2017 LiveQA Medical Track (104の消費者健康質問)とHealthSearchQA (4,436のGoogle自動補完質問)という2つの公開データセットにわたるエラー調査を行い、実際の医療クエリの61.5%が少なくとも1つのスペルエラーを含んでおり、トークンレベルのエラー率は11.0%であることがわかった。
3つの実験条件 – 訂正されていないコーパス(ベースライン)に対する訂正されていないクエリ,修正されたコーパスに対する訂正されていないクエリ,修正されたコーパスに対する完全修正クエリ – に対して,保守的な編集距離,標準編集距離(Levenshtein),コンテキスト対応候補ランキング,SymSpell – を評価する。
BM25とTF-IDFのコサイン検索をTREC関連判定付き1,935件のMedQuAD応答経路上で行い、クエリ修正により検索が大幅に改善され、編集距離とコンテキスト認識の補正によりMRRが+9.2%、NDCG@10が+8.3%向上した。
重要な点として、クエリを修正せずにコーパスのみを修正すると、最小限の改善(+0.5% MRR)が得られ、クエリ側の修正が重要な介入であることを確認した。
提案手法は,100サンプルの誤差解析を用いて手法毎の補正結果を分類し,実践者に対してエビデンスに基づく勧告を提供する。
関連論文リスト
- MedRECT: A Medical Reasoning Benchmark for Error Correction in Clinical Texts [0.0]
大規模言語モデル (LLM) は医療応用における将来性を示すが, 臨床用テキストにおける誤りの検出と訂正能力は, 未評価のままである。
我々は,医療ミス処理を3つのサブタスクとして定式化する言語間ベンチマーク(日本語/英語)であるMedRECTを紹介する。
プロプライエタリ、オープンウェイト、理性家族にまたがる9つの現代LSMを評価した。
論文 参考訳（メタデータ） (2025-11-01T06:19:34Z) - MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。
各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-10-15T12:50:33Z) - Latent Veracity Inference for Identifying Errors in Stepwise Reasoning [78.29317733206643]
本稿では、精度割当てに対する離散探索アルゴリズムであるVeracity Search(VS)を紹介する。
その他の方法では、後続の精度値よりも後続の分布において難解な推論を行う。
VSを一般化し、新しいコンテキストで正確なゼロショットの精度推論を可能にする。
論文 参考訳（メタデータ） (2025-05-17T04:16:36Z) - QE-RAG: A Robust Retrieval-Augmented Generation Benchmark for Query Entry Errors [23.225358970952197]
Retriever-augmented Generation (RAG) は、大規模言語モデル(LLM)の事実精度を高めるために広く採用されているアプローチである。
QE-RAGは、クエリエントリエラーに対するパフォーマンス評価に特化した、最初の堅牢なRAGベンチマークである。
コントラスト学習に基づくロバスト検索学習法と検索拡張クエリ補正法を提案する。
論文 参考訳（メタデータ） (2025-04-05T05:24:08Z) - JaPOC: Japanese Post-OCR Correction Benchmark using Vouchers [0.0]
我々は,OCR(Optical Character Recognition)システムにおいて,日本語母音に対する誤り訂正手法の有効性をベンチマーク作成し,評価する。
実験では,提案した誤り訂正アルゴリズムにより,全体の認識精度が大幅に向上した。
論文 参考訳（メタデータ） (2024-09-30T05:01:49Z) - PromptMind Team at MEDIQA-CORR 2024: Improving Clinical Text Correction with Error Categorization and LLM Ensembles [0.0]
本稿では,医療従事者による臨床ノートの誤り検出と修正を含むMEDIQA-CORR共有タスクへのアプローチについて述べる。
我々は,事実情報と信頼できない情報の両方を含む膨大なインターネットデータのコーパスに基づいて訓練された大規模言語モデルの能力を評価することを目的としている。
論文 参考訳（メタデータ） (2024-05-14T07:16:36Z) - SpellMapper: A non-autoregressive neural spellchecker for ASR
customization with candidate retrieval based on n-gram mappings [76.87664008338317]
文脈スペル補正モデルは、音声認識を改善するために浅い融合に代わるものである。
ミススペルn-gramマッピングに基づく候補探索のための新しいアルゴリズムを提案する。
Spoken Wikipediaの実験では、ベースラインのASRシステムに比べて21.4%のワードエラー率の改善が見られた。
論文 参考訳（メタデータ） (2023-06-04T10:00:12Z) - LoL: A Comparative Regularization Loss over Query Reformulation Losses
for Pseudo-Relevance Feedback [70.44530794897861]
Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。
既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。
そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-25T10:42:50Z) - Factual Error Correction for Abstractive Summaries Using Entity
Retrieval [57.01193722520597]
本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。
RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。
次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
論文 参考訳（メタデータ） (2022-04-18T11:35:02Z) - Error correction and extraction in request dialogs [12.137183622356197]
Componentは、ユーザの2つの最後の発話を取得し、最後の発話が2番目の最後の発話の誤り訂正であるかどうかを検出する。
そして、最後の発話における誤差補正に従って第2の最終発話を補正し、抽出した再並列及び補修エンティティのペアを出力する。
1つの誤り訂正検出と1つの誤り訂正アプローチをパイプラインに組み合わせたり、エラー訂正アプローチをトレーニングしたり、エンドツーエンドで2つのコンポーネントを避けることができる。
論文 参考訳（メタデータ） (2020-04-08T20:49:10Z)
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。