論文の概要: Co-Refine: AI-Powered Tool Supporting Qualitative Analysis
- arxiv url: http://arxiv.org/abs/2604.19309v1
- Date: Tue, 21 Apr 2026 10:16:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.720223
- Title: Co-Refine: AI-Powered Tool Supporting Qualitative Analysis
- Title（参考訳）: Co-Refine: 質的分析をサポートするAIベースのツール
- Authors: Athikash Jeyaganthan, Kai Xu, Franziska Becker, Steffen Koch,
- Abstract要約: 私たちはCo-RefineというAIで強化された定性的なコーディングプラットフォームを紹介します。
ステージ1は、数学的一貫性のための決定論的埋め込みベースのメトリクスを計算し、ステージ2は、決定論的スコアのpm0.15ドル以内でLCMの判定を下し、ステージ3は、以前のパターンからコード定義を生成し、より深いフィードバックループを作成する。
- 参考スコア（独自算出の注目度）: 6.199710730080277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Qualitative coding relies on a researcher's application of codes to textual data. As coding proceeds across large datasets, interpretations of codes often shift (temporal drift), reducing the credibility of the analysis. Existing Computer-Assisted Qualitative Data Analysis (CAQDAS) tools provide support for data management but offer no workflow for real-time detection of these drifts. We present Co-Refine, an AI-augmented qualitative coding platform that delivers continuous, grounded feedback on coding consistency without disrupting the researcher's workflow. The system employs a three-stage audit pipeline: Stage 1 computes deterministic embedding-based metrics for mathematical consistency; Stage 2 grounds LLM verdicts within $\pm0.15$ of the deterministic scores; and Stage 3 produces code definitions from previous patterns to create a deepening feedback loop. Co-Refine demonstrates that deterministic scoring can effectively constrain LLM outputs to produce reliable, real-time audit signals for qualitative analysis.
- Abstract（参考訳）: 定性的なコーディングは研究者のテキストデータへのコードの適用に依存している。
コーディングが大規模なデータセットにまたがるにつれて、コードの解釈はしばしばシフトし(時間的ドリフト)、分析の信頼性が低下する。
既存のComputer-Assisted Qualitative Data Analysis (CAQDAS)ツールは、データ管理のサポートを提供するが、これらのドリフトをリアルタイムに検出するためのワークフローは提供しない。
Co-RefineはAIで強化された定性的なコーディングプラットフォームで、研究者のワークフローを中断することなく、コーディング一貫性に関する継続的な基礎的なフィードバックを提供する。
ステージ1は数学的整合性のための決定論的埋め込みベースのメトリクスを計算し、ステージ2は決定論的スコアの$\pm0.15$以内でLCMの判定を下し、ステージ3は以前のパターンからコード定義を生成し、より深いフィードバックループを作成する。
Co-Refineは、決定論的スコアリングがLCM出力を効果的に制約し、質的分析のための信頼性の高いリアルタイム監査信号を生成することを示した。
関連論文リスト
- Cross-modal Retrieval Models for Stripped Binary Analysis [62.89251403093734]
BinSeekは、取り除かれたバイナリコード分析のための最初の2段階のクロスモーダル検索フレームワークである。
BinSeekEmbeddingは、バイナリコードのセマンティックな関連性を学ぶために、大規模なデータセットでトレーニングされている。
BinSeek-Rerankerは、コンテキスト拡張による記述に対する候補コードの関連性を慎重に判断することを学ぶ。
論文 参考訳（メタデータ） (2025-12-11T07:58:10Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。
実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文 参考訳（メタデータ） (2025-05-28T17:57:47Z) - ReCopilot: Reverse Engineering Copilot in Binary Analysis [7.589188903601179]
汎用大規模言語モデル(LLM)は、ソースコードのプログラミング解析においてよく機能する。
本稿では、バイナリ解析タスク用に設計された専門家LLMであるReCopilotを紹介する。
ReCopilotは、綿密に構築されたデータセットを通じてバイナリコードの知識を統合する。
論文 参考訳（メタデータ） (2025-05-22T08:21:39Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - AIRepr: An Analyst-Inspector Framework for Evaluating Reproducibility of LLMs in Data Science [8.281093505963158]
大規模言語モデル(LLM)は、実行可能なコード生成を通じてデータ分析を自動化するために、ますます使われるようになっている。
本稿では,LLM生成データ分析の自動評価と改善のための分析・検査フレームワークであるAIReprについて述べる。
論文 参考訳（メタデータ） (2025-02-23T01:15:50Z) - A Computational Method for Measuring "Open Codes" in Qualitative Analysis [44.39424825305388]
本稿では,人間と生成AI(GAI)による帰納的符号化結果を測定するための理論インフォームド計算手法を提案する。
これは、各コーダのコントリビューションを、Coverage、Overlap、Noverety、Divergenceの4つの新しいメトリクスを使用して、マージした結果に対して測定する。
本研究は,人間とAIの質的分析における方法論的厳密性を確保するための信頼性の高い経路を提供する。
論文 参考訳（メタデータ） (2024-11-19T00:44:56Z)
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。
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。