論文の概要: An Analysis of Artificial Intelligence Adoption in NIH-Funded Research
- arxiv url: http://arxiv.org/abs/2604.07424v1
- Date: Wed, 08 Apr 2026 17:05:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.471795
- Title: An Analysis of Artificial Intelligence Adoption in NIH-Funded Research
- Title（参考訳）: NIH境界研究における人工知能導入の分析
- Authors: Navapat Nananukul, Mayank Kejriwal,
- Abstract要約: 2025年度のバイオメディカル研究プロジェクト58,746件について総合分析を行った。
我々は、AIがNIHポートフォリオの15.9%を占め、13.4%の助成金があることを示した。
健康格差の研究は、AIが資金提供した仕事のわずか5.7%で過小評価されている。
- 参考スコア（独自算出の注目度）: 2.5782420501870296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the landscape of artificial intelligence (AI) and machine learning (ML) adoption across the National Institutes of Health (NIH) portfolio is critical for research funding strategy, institutional planning, and health policy. The advent of large language models (LLMs) has fundamentally transformed research landscape analysis, enabling researchers to perform large-scale semantic extraction from thousands of unstructured research documents. In this paper, we illustrate a human-in-the-loop research methodology for LLMs to automatically classify and summarize research descriptions at scale. Using our methodology, we present a comprehensive analysis of 58,746 NIH-funded biomedical research projects from 2025. We show that: (1) AI constitutes 15.9% of the NIH portfolio with a 13.4% funding premium, concentrated in discovery, prediction, and data integration across disease domains; (2) a critical research-to-deployment gap exists, with 79% of AI projects remaining in research/development stages while only 14.7% engage in clinical deployment or implementation; and (3) health disparities research is severely underrepresented at just 5.7% of AI-funded work despite its importance to NIH's equity mission. These findings establish a framework for evidence-based policy interventions to align the NIH AI portfolio with health equity goals and strategic research priorities.
- Abstract（参考訳）: 国立衛生研究所(NIH)のポートフォリオにまたがる人工知能(AI)と機械学習(ML)の採用状況を理解することは、研究資金戦略、制度計画、健康政策に不可欠である。
大規模言語モデル(LLM)の出現は、研究ランドスケープ分析を根本的に変え、何千もの非構造化研究文書から大規模な意味抽出を行うことを可能にした。
本稿では,LLMの人間-イン・ザ・ループ研究手法について,大規模研究記述の自動分類と要約について述べる。
本手法を用いて,2025年度のバイオメディカル研究プロジェクト58,746件の総合的分析を行った。
1)AIは、13.4%の助成金でNIHポートフォリオの15.9%を構成し、疾患領域全体での発見、予測、データ統合に集中している。(2)重要な研究とデプロイメントのギャップが存在し、その79%が研究・開発段階に留まり、14.7%が臨床展開や実施に従事している。
これらの知見は、NIH AIポートフォリオをヘルスエクイティ目標と戦略的研究優先順位に合わせるためのエビデンスベースの政策介入の枠組みを確立する。
関連論文リスト
- Towards a Medical AI Scientist [73.6056699962416]
私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。
このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。
本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
論文 参考訳（メタデータ） (2026-03-30T15:37:25Z) - Training AI Co-Scientists Using Rubric Rewards [36.857905469178796]
AIの共同研究者の重要な特徴は、目的と制約のセットから研究計画を生成する能力である。
本研究では,既存の研究論文の膨大なコーパスを活用して,より良い研究計画を生み出す言語モデルを訓練する方法について検討する。
複数のドメインにわたる論文から研究目標と目標固有のグルーブを自動抽出することで、スケーラブルで多様なトレーニングコーパスを構築します。
論文 参考訳（メタデータ） (2025-12-29T18:59:33Z) - FinDeepResearch: Evaluating Deep Research Agents in Rigorous Financial Analysis [110.5695516127813]
HisRubricは階層的な分析構造ときめ細かいグレーディングルーブリックを備えた新しい評価フレームワークである。
FinDeepResearchは、4つの言語にまたがる8つの金融市場から64の上場企業からなるベンチマークである。
6つのDRエージェント、深い推論能力と探索能力を備えた5つのLLM、深い推論能力を持つ5つのLLMを含む16の代表的な手法を用いてFinDeepResearchに関する広範な実験を行った。
論文 参考訳（メタデータ） (2025-10-15T17:21:56Z) - The Role of Computing Resources in Publishing Foundation Model Research [84.20094600030092]
我々はこれらの資源と基礎モデル(FM)の科学的発展との関係を評価する。
我々は2022年から2024年にかけて発行された6517のFM論文をレビューし、計算資源が科学出力に与える影響について229人の第一著者を調査した。
計算量の増加は国家予算配分や引用と相関していることがわかったが,研究環境との強い相関はみられない。
論文 参考訳（メタデータ） (2025-10-15T14:50:45Z) - AI4Research: A Survey of Artificial Intelligence for Scientific Research [55.5452803680643]
我々はAI for Research(AI4Research)に関する総合的な調査を行う。
まず、AI4Researchの5つの主要なタスクを分類する系統分類を導入する。
主要な研究ギャップを特定し、将来有望な方向性を明らかにする。
論文 参考訳（メタデータ） (2025-07-02T17:19:20Z) - A foundation model for human-AI collaboration in medical literature mining [27.473923366948032]
本稿では,医学文献からの検索,スクリーニング,データ抽出のためのAI基盤モデルであるLEADSを紹介する。
21,335の体系的レビュー、453,625の臨床試験出版物、27,015の臨床試験登録から、LEADSInstructの633,759の命令データポイントでトレーニングされている。
論文 参考訳（メタデータ） (2025-01-27T17:55:37Z) - Analyzing Diversity in Healthcare LLM Research: A Scientometric Perspective [3.724351094182122]
本稿では,医療のための大規模言語モデル(LLM)研究の包括的科学的分析について述べる。
以上の結果から,男女差や地理的格差が顕著であり,男性作家の優位性が示唆された。
人工知能研究における多様性と傾斜度を高めるための実用的な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-19T02:00:51Z) - Machine Learning to Promote Translational Research: Predicting Patent
and Clinical Trial Inclusion in Dementia Research [0.0]
認知症は、2040年までに英国で6100万人に影響を及ぼし、年間25億ポンドの費用がかかると予想されている。
1990～2023年の間に、イギリスの認知症研究出版物43,091件からDmensionsデータベースを用いてデータを抽出した。
特許の予測では、受信者動作特性曲線(AUROC)の精度は0.84と77.17%であり、臨床試験の精度は0.81と75.11%である。
論文 参考訳（メタデータ） (2024-01-10T13:25:49Z) - A Survey on the Use of AI and ML for Fighting the COVID-19 Pandemic [4.053320933149689]
人工知能(AI)と機械学習(ML)は、医療にパラダイムシフトをもたらした。
最近の研究によると、AIとMLは新型コロナウイルス(COVID-19)のパンデミックと戦うのに使える。
論文 参考訳（メタデータ） (2020-08-03T16:49:04Z) - Mapping the Landscape of Artificial Intelligence Applications against
COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。
我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文 参考訳（メタデータ） (2020-03-25T12:30:33Z)
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。