論文の概要: A Role-Based LLM Framework for Structured Information Extraction from Healthy Food Policies

• arxiv url: http://arxiv.org/abs/2604.01529v1
• Date: Thu, 02 Apr 2026 01:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.190774
• Title: A Role-Based LLM Framework for Structured Information Extraction from Healthy Food Policies
• Title（参考訳）: 健康食品政策からの構造化情報抽出のためのロールベースLCMフレームワーク
• Authors: Congjing Zhang, Ruoxuan Bao, Jingyu Li, Yoav Ackerman, Shuai Huang, Yanfang Su,
• Abstract要約: 本研究では、非構造化ポリシーデータから情報抽出を自動化するロールベースのLLMフレームワークを提案する。 Llama-3.3-70Bを用いて,ゼロショット,少数ショット,チェーンオブシント(CoT)ベースラインに対するフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 15.748015236204116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current Large Language Model (LLM) approaches for information extraction (IE) in the healthy food policy domain are often hindered by various factors, including misinformation, specifically hallucinations, misclassifications, and omissions that result from the structural diversity and inconsistency of policy documents. To address these limitations, this study proposes a role-based LLM framework that automates the IE from unstructured policy data by assigning specialized roles: an LLM policy analyst for metadata and mechanism classification, an LLM legal strategy specialist for identifying complex legal approaches, and an LLM food system expert for categorizing food system stages. This framework mimics expert analysis workflows by incorporating structured domain knowledge, including explicit definitions of legal mechanisms and classification criteria, into role-specific prompts. We evaluate the framework using 608 healthy food policies from the Healthy Food Policy Project (HFPP) database, comparing its performance against zero-shot, few-shot, and chain-of-thought (CoT) baselines using Llama-3.3-70B. Our proposed framework demonstrates superior performance in complex reasoning tasks, offering a reliable and transparent methodology for automating IE from health policies.
• Abstract（参考訳）: 健康食品政策領域における情報抽出(IE)に対する現在のLarge Language Model(LLM)アプローチは、誤った情報、特に幻覚、誤分類、政策文書の構造的多様性と矛盾に起因する省略など、様々な要因によって妨げられていることが多い。 これらの制約に対処するために,メタデータおよびメカニズム分類のためのLLMポリシーアナリスト,複雑な法的アプローチを特定するLLM法戦略スペシャリスト,食品システムステージを分類するLLM食品システムエキスパートなど,特別な役割を割り当ててIEを非構造化ポリシーデータから自動化するロールベースのLLMフレームワークを提案する。 このフレームワークは、法的メカニズムや分類基準を明確に定義した構造化ドメイン知識をロール固有のプロンプトに組み込むことによって、専門家分析ワークフローを模倣する。 健康食品政策プロジェクト (HFPP) データベースから608の健康食品政策を用いて, ゼロショット, 少数ショット, チェーン・オブ・シント (CoT) ベースラインをLlama-3.3-70Bを用いて比較した。 提案フレームワークは複雑な推論タスクにおいて優れた性能を示し、健康政策からIEを自動化するための信頼性と透明な方法論を提供する。

関連論文リスト

• Evaluation of LLMs in retrieving food and nutritional context for RAG systems [3.6073664126704537]
  本研究では,Large Language Model (LLM) を4つ評価し,RAG(Retrieval-Augmented Generation) システムにおけるデータ検索の有効性について検討した。 提案手法は,自然言語クエリを構造化メタデータフィルタに変換するLLM機能に着目している。 容易かつ適度に複雑なクエリのパフォーマンスにもかかわらず、難解な質問を解析した結果、クエリが非表現可能な制約を含む場合、信頼性の高い検索は依然として困難であることが判明した。
  論文  参考訳（メタデータ） (2026-03-10T14:15:35Z)
• Chunking, Retrieval, and Re-ranking: An Empirical Evaluation of RAG Architectures for Policy Document Question Answering [0.0]
  大規模言語モデル(LLM)の公衆衛生政策分野への統合は、疾病管理予防センター(CDC)などの機関が管理する規制ガイダンスの膨大なリポジトリをナビゲートするための変革的なアプローチを提供する。 LLMが幻覚を発生させることの正当性は、情報整合性が不可能なハイテイク環境において、これらの技術を採用する上で重要な障壁となる。 この経験的評価は、信頼できる文書コンテキストにおける生成出力を基盤として、これらのリスクを軽減するために、検索型拡張生成(RAG)アーキテクチャの有効性を探求するものである。
  論文  参考訳（メタデータ） (2026-01-21T20:52:48Z)
• PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction [0.7421845364041001]
  非構造化テキストからのPII(Personally Identible Information)のリアクションは、規制されたドメインにおけるデータのプライバシを確保するために重要である。 大規模言語モデル(LLM)の最近の進歩は、有望な代替手段を提供する。 プライバシ保護型PIIリアクションシステムとしてLLMを包括的に分析する。 我々はPRvLをリリースした。PRvLは細調整されたモデルと汎用PIIリアクションのための評価ツールである。
  論文  参考訳（メタデータ） (2025-08-07T16:22:49Z)
• Retrieval Augmented Generation-based Large Language Models for Bridging Transportation Cybersecurity Legal Knowledge Gaps [14.261871331519567]
  本研究では,政策立案者を支援するために設計したLarge Language Model (LLM) フレームワークについて紹介する。 本フレームワークは,LLMにおける幻覚の軽減に焦点をあてる。 分析の結果,提案したRAGに基づくLCMは,4つの評価指標で有意な商業LSMよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-23T23:40:10Z)
• How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
  大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。 メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:55Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)

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。