論文の概要: TCMIIES: A Browser-Based LLM-Powered Intelligent Information Extraction System for Academic Literature

• arxiv url: http://arxiv.org/abs/2605.07507v1
• Date: Fri, 08 May 2026 09:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.968396
• Title: TCMIIES: A Browser-Based LLM-Powered Intelligent Information Extraction System for Academic Literature
• Title（参考訳）: TCMIIES: ブラウザベースのLLMを利用した学術文献用知的情報抽出システム
• Authors: Hanqing Zhao,
• Abstract要約: 本稿では,学術文献から構造化情報抽出を行うブラウザベースのゼロインストールプラットフォームTCMIIESを提案する。 このシステムは、自動システムプロンプト生成を備えた新しいスキーマ誘導プロンプトフレームワークを採用しており、研究者は独自の抽出スキーマを定義することができる。 従来の漢方医学研究において,複数の抽出シナリオを包括的に評価することで,システムの有効性を実証する。
• 参考スコア（独自算出の注目度）: 5.417385211236298
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The exponential growth of academic publications has created an urgent need for automated tools capable of extracting structured knowledge from unstructured scientific texts. While large language models (LLMs) have demonstrated remarkable capabilities in natural language understanding and information extraction, existing solutions often require specialized infrastructure, programming expertise, or fine-tuned domain-specific models that create barriers for researchers in specialized fields. This paper presents TCMIIES, a browser-based, zero-installation platform that leverages commercial LLM APIs to perform structured information extraction from academic literature. The system employs a novel schema-guided prompting framework with automatic system prompt generation, enabling researchers to define custom extraction schemas through an intuitive graphical interface without any programming. TCMIIES features a pure front-end architecture that ensures data privacy by processing all information locally in the browser, supports five major LLM providers, implements concurrent batch processing with automatic retry mechanisms, and provides intelligent field mapping for Chinese academic databases including CNKI and Wanfang. We demonstrate the system's effectiveness through comprehensive evaluation across multiple extraction scenarios in Traditional Chinese Medicine research, achieving structured output compliance rates exceeding 94\% and information extraction accuracy comparable to domain-expert annotation. The system represents a practical, accessible solution that bridges the gap between advanced LLM capabilities and domain-specific academic information extraction needs, particularly for researchers in specialized fields who require flexible, privacy-preserving, and cost-effective extraction tools.
• Abstract（参考訳）: 学術出版物の指数的な成長は、構造化されていない科学文献から構造化された知識を抽出できる自動化ツールの急激な需要を生み出した。 大規模言語モデル(LLM)は、自然言語の理解と情報抽出において顕著な能力を示してきたが、既存のソリューションでは、専門的なインフラ、プログラミングの専門知識、あるいは専門分野の研究者の障壁を作るための微調整されたドメイン固有モデルを必要とすることが多い。 本稿では,商用LLM APIを活用して学術文献から構造化情報抽出を行うブラウザベースのゼロインストールプラットフォームTCMIIESを提案する。 このシステムは、自動的なシステムプロンプト生成を備えた新しいスキーマ誘導プロンプトフレームワークを採用しており、研究者はプログラミングなしで直感的なグラフィカルインターフェースを通じてカスタム抽出スキーマを定義することができる。 TCMIIESは純粋なフロントエンドアーキテクチャを備えており、ブラウザ内のすべての情報をローカルに処理することでデータのプライバシを保証するとともに、5つの主要なLCMプロバイダをサポートし、自動リトライ機構を備えた同時バッチ処理を実装し、CNKIやWanfangといった中国の学術データベースに対してインテリジェントなフィールドマッピングを提供する。 従来の漢方医学研究において、複数の抽出シナリオを網羅的に評価し、94 %を超える構造的出力コンプライアンス率とドメインエキスパートアノテーションに匹敵する情報抽出精度を達成し、システムの有効性を実証する。 このシステムは、先進的なLLM能力とドメイン固有の学術情報抽出のギャップを埋める実用的なソリューションであり、特に柔軟性、プライバシー保護、コスト効率のよい抽出ツールを必要とする専門分野の研究者に向いている。

関連論文リスト

• EDM-ARS: A Domain-Specific Multi-Agent System for Automated Educational Data Mining Research [1.8735250835432133]
  EDM-ARSは、エンドツーエンドの教育データマイニング(EDM)研究を自動化する、ドメイン固有のマルチエージェントパイプラインである。 我々は、EDM-ARSをドメイン認識自動研究パイプラインの一般的なフレームワークとして概念化している。 EDM-ARSは、教育研究コミュニティを支援するオープンソースプロジェクトとしてリリースされた。
  論文  参考訳（メタデータ） (2026-03-18T20:45:45Z)
• Context-Aware Scientific Knowledge Extraction on Linked Open Data using Large Language Models [0.0]
  本稿では,クエリ固有の知識を抽出し,洗練し,ランク付けするシステムであるWISE(Workflow for Intelligent Scientific Knowledge extract)を紹介する。 WISEは、様々な情報源から知識を体系的に探求し、合成することによって、詳細な、組織化された回答を提供する。
  論文  参考訳（メタデータ） (2025-06-21T04:22:34Z)
• Towards Enhancing Linked Data Retrieval in Conversational UIs using Large Language Models [1.3980986259786221]
  本稿では,既存のシステムにおけるLarge Language Models(LLM)の統合について検討する。 LLMの高度な自然言語理解機能を活用することで、Webシステム内のRDFエンティティ抽出を改善する。 本手法の評価は,ユーザクエリに対するシステム表現性と応答精度の顕著な向上を示す。
  論文  参考訳（メタデータ） (2024-09-24T16:31:33Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Leveraging Large Language Models for Web Scraping [0.0]
  本研究では,言語生成用に設計したRAGモデルに対して,汎用的な高精度なデータスクレイピング手法について検討する。 よりモジュール的で解釈可能な方法で知識をキャプチャするために、私たちは、潜在的な知識検索機能を備えた事前訓練された言語モデルを使用します。
  論文  参考訳（メタデータ） (2024-06-12T14:15:15Z)
• Leveraging Large Language Models for Semantic Query Processing in a Scholarly Knowledge Graph [1.7418328181959968]
  本研究は,革新的なセマンティッククエリ処理システムを開発することを目的としている。 オーストラリア国立大学のコンピュータサイエンス(CS)研究者による研究成果に関する総合的な情報を得ることができる。
  論文  参考訳（メタデータ） (2024-05-24T09:19:45Z)
• Enhancing Open-Domain Task-Solving Capability of LLMs via Autonomous Tool Integration from GitHub [79.31134731122462]
  オープンドメインのタスク解決能力を評価するためにOpenActベンチマークを導入します。 我々は,オープンドメインの進化するクエリに,GitHubから専門ツールを自律的に統合することで対処できる,新しいLLMベースのエージェントシステムであるOpenAgentを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T15:47:30Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
  On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
  論文  参考訳（メタデータ） (2023-10-24T17:54:25Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)

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。