Fugu-MT 論文翻訳(概要): Enhancing Understandability and Transparency of Research Software: Tracing Research to Code

論文の概要: Enhancing Understandability and Transparency of Research Software: Tracing Research to Code

arxiv url: http://arxiv.org/abs/2604.10793v1
Date: Sun, 12 Apr 2026 19:53:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:16.220695
Title: Enhancing Understandability and Transparency of Research Software: Tracing Research to Code
Title（参考訳）: 研究ソフトウェアの理解性と透明性を高める: 研究をコードに追跡する
Abstract要約: 論文と実装ソフトウェアを取り入れたLCMベースの自動化ツールを提案し,研究アイデアとコード中の位置のトレースマッピングを生成する。最初の実験では、ツールが非常に有用なマッピングを生成できることが示されている。
参考スコア（独自算出の注目度）: 1.4499356176178066
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern research heavily relies on software. A significant challenge researchers face is understanding the complex software used in specific research fields. We target two scenarios in this context, namely long onboarding times for newcomers and conference reviewers evaluating replication packages. We hypothesize that both scenarios can be significantly improved when there is a clear link between the paper's ideas and the code that implements them. As a time- and staff-saving approach, we propose an LLM-based automation tool that takes in a paper and the software implementing the paper, and generates a trace mapping between research ideas and their locations in code. Initial experiments have shown that the tool can generate quite useful mappings.
Abstract（参考訳）: 現代の研究はソフトウェアに大きく依存している。研究者が直面する重要な課題は、特定の研究分野で使用される複雑なソフトウェアを理解することだ。このコンテキストでは、2つのシナリオ、すなわち、複製パッケージを評価する新参者やカンファレンスレビュアーに対して、長時間のオンボーディングタイムを目標としています。論文のアイデアとそれを実装するコードとの間に明確なリンクがある場合、どちらのシナリオも大幅に改善できると仮定する。時間とスタッフを節約する手法として,論文と実装ソフトウェアを取り入れたLCMベースの自動化ツールを提案し,研究思想とコード中の位置のトレースマッピングを生成する。最初の実験では、ツールが非常に有用なマッピングを生成できることが示されている。

関連論文リスト

VERITAS: Towards a General-Purpose Replication Tool for Scientific Research [19.45546798679836]
CLIコーディングエージェントを中心に構築されたドメインに依存しないレプリケーションフレームワークであるVERITASを提案する。論文、コードリポジトリ、またはその両方が与えられた場合、VERITASは論文の主張を抽出し、それらが生じる問題を解決しながら方法論を実行し、実験の実行から証拠に対して各主張を判断する。パイプラインは重要度重み付けされたレプリケーションスコアを返します。コンピュータ科学,社会科学,医学,天体物理学を対象とする65の論文, CORE-Bench と ReplicationBench について VERITAS の評価を行った。
論文参考訳（メタデータ） (2026-07-03T03:55:59Z)
AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文参考訳（メタデータ） (2026-05-18T17:08:26Z)
AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
論文参考訳（メタデータ） (2026-04-28T06:05:17Z)
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
論文参考訳（メタデータ） (2026-04-07T17:59:58Z)
PaperArena: An Evaluation Benchmark for Tool-Augmented Agentic Reasoning on Scientific Literature [11.804526152911386]
本研究では,大規模言語モデル(LLM)に基づくエージェントの評価ベンチマークであるPaperArenaを提案する。研究上の疑問から、エージェントは推論や適切なツールとのインタラクションを通じて、複数の論文にまたがる多様なフォーマットを統合する必要がある。実験の結果、高度に確立されたエージェントを駆動する最も先進的なLCMでさえ、平均精度は38.78%に過ぎなかった。
論文参考訳（メタデータ） (2025-10-13T02:10:39Z)
Rethinking Code Review Workflows with LLM Assistance: An Empirical Study [2.9593087583214173]
本稿では,LLM支援コードレビューツールの2つのバリエーションを含むフィールド実験と,現在のコードレビュープラクティスの探索的フィールドスタディを組み合わせる。この研究は、頻繁なコンテキスト切り替えやコンテキスト情報の不足など、従来のコードレビューにおける重要な課題を特定している。フィールド実験では,LLM生成レビューを事前に提供し,オンデマンドインタラクションを実現する2つのプロトタイプを開発した。
論文参考訳（メタデータ） (2025-05-22T07:54:07Z)
Towards Leveraging Large Language Model Summaries for Topic Modeling in Source Code [0.0]
大規模言語モデル (LLM) は、プログラムの理解能力を示す。トランスフォーマーベースのトピックモデリング技術は、テキストから意味情報を抽出する効果的な方法を提供する。本稿では,Pythonプログラムのコーパス内で意味のあるトピックを自動的に識別する手法を提案する。
論文参考訳（メタデータ） (2025-04-24T10:30:40Z)
Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文参考訳（メタデータ） (2025-04-24T01:57:01Z)
Can LLMs Generate Tabular Summaries of Science Papers? Rethinking the Evaluation Protocol [83.90769864167301]
文献レビュー表は、科学論文の集合を要約し比較するために欠かせないものである。学術論文の収集にあたり,ユーザの情報ニーズを最大限に満たす表を作成するタスクについて検討する。我々の貢献は、現実世界で遭遇する3つの重要な課題に焦点を当てている: (i)ユーザープロンプトは、しばしば未特定である; (ii)検索された候補論文は、しばしば無関係な内容を含む; (iii)タスク評価は、浅いテキスト類似性技術を超えて進むべきである。
論文参考訳（メタデータ） (2025-04-14T14:52:28Z)
Aligning Multimodal LLM with Human Preference: A Survey [62.89722942008262]
大規模言語モデル(LLM)は、タスク固有のトレーニングを必要とせずに、単純なプロンプトで幅広い汎用タスクを処理できる。 MLLM(Multimodal Large Language Models)は、視覚的、聴覚的、テキスト的データを含む複雑なタスクに対処する大きな可能性を実証している。しかし、真理性、安全性、o1のような推論、および人間の嗜好との整合性に関する重要な問題は未解決のままである。
論文参考訳（メタデータ） (2025-03-18T17:59:56Z)

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。