論文の概要: AI Appeals Processor: A Deep Learning Approach to Automated Classification of Citizen Appeals in Government Services

• arxiv url: http://arxiv.org/abs/2604.03672v1
• Date: Sat, 04 Apr 2026 10:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.713574
• Title: AI Appeals Processor: A Deep Learning Approach to Automated Classification of Citizen Appeals in Government Services
• Title（参考訳）: AI上訴処理: 政府のサービスにおける市民上訴の自動分類のためのディープラーニングアプローチ
• Authors: Vladimir Beskorovainyi,
• Abstract要約: 世界中の政府機関は、市民の訴えが増えている。 従来の手動処理は1件あたり平均20分で、分類精度はわずか67%である。 本稿では,自然言語処理とディープラーニング技術を統合するマイクロサービスベースのシステムであるAI appeals Processorを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Government agencies worldwide face growing volumes of citizen appeals, with electronic submissions increasing significantly over recent years. Traditional manual processing averages 20 minutes per appeal with only 67% classification accuracy, creating significant bottlenecks in public service delivery. This paper presents AI Appeals Processor, a microservice-based system that integrates natural language processing and deep learning techniques for automated classification and routing of citizen appeals. We evaluate multiple approaches -- including Bag-of-Words with SVM, TF-IDF with SVM, fastText, Word2Vec with LSTM, and BERT -- on a representative dataset of 10,000 real citizen appeals across three primary categories (complaints, applications, and proposals) and seven thematic domains. Our experiments demonstrate that a Word2Vec+LSTM architecture achieves 78% classification accuracy while reducing processing time by 54%, offering an optimal balance between accuracy and computational efficiency compared to transformer-based models.
• Abstract（参考訳）: 世界中の政府機関は市民の訴えの規模が増加しており、近年は電子提出が大幅に増加している。 従来の手作業による処理は1件あたり平均20分で、分類精度は67%に過ぎず、公共サービスデリバリにおいて重大なボトルネックとなっている。 本稿では、自然言語処理とディープラーニング技術を統合したマイクロサービスベースのシステムであるAI appeals Processorについて述べる。 SVMによるBag-of-Words、SVMによるTF-IDF、LSTMによるTF-IDF、LSTMによるWord2Vec、BERTといった複数のアプローチを、3つの主要なカテゴリ(説明、アプリケーション、提案)と7つのテーマドメインにわたる1万の実際の市民的アピールの代表的データセットで評価する。 実験により, Word2Vec+LSTMアーキテクチャは, 処理時間を54%削減しつつ, 78%の分類精度を達成し, トランスフォーマーモデルと比較して, 精度と計算効率の最適バランスを提供することを示した。

関連論文リスト

• Natural Language Processing Models for Robust Document Categorization [0.0]
  この研究は、AIを現実世界の自動化パイプラインに統合する際の重要な考慮事項である、分類精度と計算効率のバランスに重点を置いている。 Naive Bayes分類器、双方向LSTMネットワーク、微調整変圧器ベースBERTモデルの3つのモデルについて検討した。 BERTは99%を超える高い精度を達成したが、トレーニング時間を大幅に長くし、計算資源を大きくした。 BiLSTMモデルは強い妥協をもたらし、およそ98.56%の精度を達成し、適度なトレーニングコストを維持し、強い文脈理解を提供した。
  論文  参考訳（メタデータ） (2026-02-23T20:33:22Z)
• A Hybrid Architecture for Multi-Stage Claim Document Understanding: Combining Vision-Language Models and Machine Learning for Real-Time Processing [0.0]
  請求書は医療や保険業務に基本的であり、返済、監査、コンプライアンスの基盤となっている。 本稿では,多言語光文字認識(OCR)エンジンのPaddleOCR,従来のロジスティック回帰,コンパクトビジョンランゲージモデル(VLM),Qwen 2.5-VL-7Bを統合した多段パイプラインを提案する。 提案システムでは,文書毎の処理遅延を平均2秒以下に抑えながら,95%以上の文書型分類精度とフィールドレベルの抽出精度を約87%とする。
  論文  参考訳（メタデータ） (2026-01-05T08:40:44Z)
• AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
  o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。 しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。 本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
  論文  参考訳（メタデータ） (2025-12-23T19:57:49Z)
• Improving Customer Service with Automatic Topic Detection in User Emails [0.0]
  本研究では、Telekom Srbijaにおける顧客のサービス効率を向上させる新しい自然言語処理パイプラインを提案する。 パイプラインの中心は、教師なしのトピックモデリングを可能にするモジュラーフレームワークBERTopicである。 システムは現在、同社のプロダクション環境で運用されており、自動Eメール分類を通じて顧客サービスの運用を合理化している。
  論文  参考訳（メタデータ） (2025-02-26T13:10:38Z)
• Machine Learning-Based Cloud Computing Compliance Process Automation [11.657154571216234]
  本稿では,クラウドコンピューティングのコンプライアンスプロセスを自動化するための,機械学習に基づく新しいフレームワークを提案する。 提案フレームワークは、BERTベースの文書処理(94.5%精度)、異常検出のためのワンクラスSVM(88.7%精度)、逐次コンプライアンスデータ解析のための改良されたCNN-LSTM(90.2%精度)を含む、複数の機械学習技術を統合する。 大手証券会社の現実の展開がこれらの結果を検証し、リスク識別の94.2%の精度で80,000日の取引を処理した。
  論文  参考訳（メタデータ） (2025-02-22T20:18:21Z)
• Beyond Accuracy: Automated De-Identification of Large Real-World Clinical Text Datasets [7.6631083158336715]
  本稿では,10億以上の臨床論文を識別するシステムの構築から学んだ教訓を要約する。 完全に自動化されたソリューションでは、手作業によるレビューを必要としない、非常に高いレベルの精度が必要です。
  論文  参考訳（メタデータ） (2023-12-13T20:15:29Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Using Sampling to Estimate and Improve Performance of Automated Scoring Systems with Guarantees [63.62448343531963]
  本稿では,既存のパラダイムを組み合わせることで,人間が知能的に収集する応答をサンプリングする手法を提案する。 比較的少ない予算で精度(平均19.80%)と二次重み付きカッパ(平均25.60%)の顕著な増加を観察した。
  論文  参考訳（メタデータ） (2021-11-17T05:00:51Z)
• Dynamic Acoustic Unit Augmentation With BPE-Dropout for Low-Resource End-to-End Speech Recognition [62.94773371761236]
  我々は、OOVレートの高い低リソースセットアップで効果的なエンドツーエンドASRシステムを構築することを検討します。 本稿では,BPE-dropout法に基づく動的音響ユニット拡張法を提案する。 我々の単言語トルココンフォーマーは22.2%の文字誤り率(CER)と38.9%の単語誤り率(WER)の競争結果を確立した。
  論文  参考訳（メタデータ） (2021-03-12T10:10:13Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。