論文の概要: Large Language Models to Enhance Business Process Modeling: Past, Present, and Future Trends

• arxiv url: http://arxiv.org/abs/2604.14034v1
• Date: Wed, 15 Apr 2026 16:15:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.629987
• Title: Large Language Models to Enhance Business Process Modeling: Past, Present, and Future Trends
• Title（参考訳）: ビジネスプロセスモデリングを支援する大規模言語モデル:過去・現在・未来
• Authors: João Bettencourt, Sérgio Guerreiro,
• Abstract要約: 本稿では、自然言語をBPMNプロセスモデルに変換するAI駆動手法の文献レビューを紹介する。 この分析は、ルールベースおよび従来のNLPパイプラインからLLMベースのアーキテクチャへの移行を明らかにしている。 この文献は、意味的正当性、評価の断片化、現実世界の組織的文脈における限定的な検証に関する永続的な課題も明らかにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in Generative Artificial Intelligence, particularly Large Language Models (LLMs), have stimulated growing interest in automating or assisting Business Process Modeling tasks using natural language. Several approaches have been proposed to transform textual process descriptions into BPMN and related workflow models. However, the extent to which these approaches effectively support complex process modeling in organizational settings remains unclear. This article presents a literature review of AI-driven methods for transforming natural language into BPMN process models, with a particular focus on the role of LLMs. Following a structured review strategy, relevant studies were identified and analyzed to classify existing approaches, examine how LLMs are integrated into text-to-model pipelines, and investigate the evaluation practices used to assess generated models. The analysis reveals a clear shift from rule-based and traditional NLP pipelines toward LLM-based architectures that rely on prompt engineering, intermediate representations, and iterative refinement mechanisms. While these approaches significantly expand the capabilities of automated process model generation, the literature also exposes persistent challenges related to semantic correctness, evaluation fragmentation, reproducibility, and limited validation in real-world organizational contexts. Based on these findings, this review identifies key research gaps and discusses promising directions for future research, including the integration of contextual knowledge through Retrieval-Augmented Generation (RAG), its integration with LLMs, the development of interactive modeling architectures, and the need for more comprehensive and standardized evaluation frameworks.
• Abstract（参考訳）: 生成人工知能、特に大規模言語モデル(LLM)の最近の進歩は、自然言語を用いたビジネスプロセスモデリングタスクの自動化や支援への関心の高まりを刺激している。 テキストのプロセス記述をBPMNと関連ワークフローモデルに変換するために、いくつかのアプローチが提案されている。 しかし、これらのアプローチが組織環境での複雑なプロセスモデリングを効果的にサポートする範囲は、まだ不明である。 本稿では、自然言語をBPMNプロセスモデルに変換するAI駆動の手法について、特にLLMの役割に焦点を当てた文献的レビューを行う。 構造化されたレビュー戦略に従って、既存のアプローチを識別・分析し、LCMがテキスト・モデル・パイプラインにどのように統合されているかを調べ、生成されたモデルを評価するために使用される評価方法を検討した。 この分析は、ルールベースおよび従来のNLPパイプラインから、迅速なエンジニアリング、中間表現、反復的な洗練機構に依存するLCMベースのアーキテクチャへの明確なシフトを明らかにしている。 これらのアプローチは、自動プロセスモデル生成の能力を著しく拡張する一方で、本書では、意味的正当性、評価の断片化、再現性、現実の組織的コンテキストにおける限定的な検証に関する永続的な課題も明らかにしている。 これらの知見に基づき、本稿では、検索・拡張生成(RAG)による文脈知識の統合、LLMとの統合、インタラクティブなモデリングアーキテクチャの開発、より包括的で標準化された評価フレームワークの必要性など、今後の研究における重要な研究ギャップを明らかにし、将来的な方向性について論じる。

関連論文リスト

• Assessing the Business Process Modeling Competences of Large Language Models [40.495149980011924]
  大規模言語モデル(LLM)は、自然言語から直接ビジネスプロセスモデルと表記(BPMN)モデルを生成する可能性を大幅に拡大しました。 BEF4LLMは, 構文的品質, 実用的品質, 意味的品質, 妥当性の4点からなる新しい評価フレームワークである。 BEF4LLM を用いて,オープンソース LLM の包括的解析を行い,その性能を人体モデリングの専門家に対してベンチマークする。
  論文  参考訳（メタデータ） (2026-01-29T14:34:20Z)
• Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
  本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。 これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。 我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
  論文  参考訳（メタデータ） (2025-06-16T02:27:25Z)
• 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)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Leveraging Large Language Models for Enhanced Process Model Comprehension [33.803742664323856]
  ビジネスプロセスマネジメント(BPM)では、効果的にプロセスモデルを理解することが重要であるが、重大な課題を生じさせる。 本稿では,Large Language Models(LLM)の高度な機能を活用し,複雑なプロセスモデルの解釈可能性を高める新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-08T13:12:46Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Generative transformations and patterns in LLM-native approaches for software verification and falsification [1.4595796095047369]
  より規律のあるエンジニアリングプラクティスに向けた基本的なステップは、コア機能単位生成変換の体系的な理解である、と我々は主張する。 まず、素早い相互作用を概念的シグネチャに抽象化する、生成変換のきめ細かい分類法を提案する。 我々の分析は分類学の有用性を検証するだけでなく、戦略的ギャップや相互関係も明らかにする。
  論文  参考訳（メタデータ） (2024-04-14T23:45:23Z)
• Process Modeling With Large Language Models [42.0652924091318]
  本稿では,大規模言語モデル(LLM)のプロセスモデリングへの統合について検討する。 プロセスモデルの自動生成と反復的改善にLLMを利用するフレームワークを提案する。 予備的な結果は、プロセスモデリングタスクを合理化するフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2024-03-12T11:27:47Z)

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。