論文の概要: Eliot: Interactively $\underline{E}$xploring Fast-Changing Scientific $\underline{Li}$terature Trends with $\underline{O}$nline Da$\underline{t}$a and Learning

• arxiv url: http://arxiv.org/abs/2605.27610v1
• Date: Tue, 26 May 2026 19:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.481001
• Title: Eliot: Interactively $\underline{E}$xploring Fast-Changing Scientific $\underline{Li}$terature Trends with $\underline{O}$nline Da$\underline{t}$a and Learning
• Title（参考訳）: Eliot: Interactively $\underline{E}$xploring Fast-Changing Scientific $\underline{Li}$terature Trends with $\underline{O}$nline Da$\underline{t}$a and Learning
• Authors: Bernardo A. Denkvitts, Nitin Gupta, Biplav Srivastava,
• Abstract要約: $texttEliot$は、進化する文献のトレース可能な探索のためのインタラクティブシステムである。 クエリ時にarXiv文書を検索し、タイトルと抽象によって各論文を表現し、コーパスをテーマにクラスタ化し、各クラスタの公開年分布を視覚化する。 $texttEliot$は、急速に変化する技術分野の監査可能な概要に最も価値がある。
• 参考スコア（独自算出の注目度）: 8.908016246200427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of scientific publishing has made it increasingly difficult to track how fast-moving areas evolve. Search engines and LLM-based assistants retrieve or summarize papers, but often hide how the corpus was selected, organized, or connected to temporal patterns. We present $\texttt{Eliot}$, a publicly deployed interactive system for traceable exploration of evolving scientific literature. Motivated by two studies on Large Language Models (LLMs) and Automated Planning and Scheduling (APS), $\texttt{Eliot}$ generalizes literature-evolution analysis beyond hand-built taxonomies and domain-specific scripts. Given explicit query terms and filters, it retrieves arXiv papers at query time, represents each paper by title and abstract, clusters the corpus into themes, assigns representative keywords, and visualizes each cluster's publication-year distribution. We evaluate $\texttt{Eliot}$ as both an applied system and an interactive research aid. An offline configuration study across eight arXiv domains compares document representations, dimensionality reduction methods, and clustering algorithms using intrinsic clustering and topic-coherence metrics; the results support MiniLM embeddings with 10-dimensional UMAP and Agglomerative Clustering as a practical default. A scenario-based survey and expert focus group assess interpretability and use contexts: participants rated cluster labels as meaningful in 85% of scenario responses, and feedback indicated that $\texttt{Eliot}$ is most valuable for auditable overviews of rapidly changing technical areas. These results suggest that query-time clustering and temporal inspection can complement search and generation tools by helping researchers inspect and refine the evidence behind literature trends.
• Abstract（参考訳）: 科学出版の急速な成長により、速く動く領域の進化を追跡することがますます困難になっている。 検索エンジンとLLMベースのアシスタントは論文を検索または要約するが、しばしばコーパスの選択、編成、時間的パターンとの結びつきを隠蔽する。 我々は、進化する科学文献をトレース可能な探索を行うために、公開でデプロイされたインタラクティブシステムである$\texttt{Eliot}$を提示する。 LLM(Large Language Models)と自動計画とスケジューリング(Automated Planning and Scheduling、APS)の2つの研究によって動機付けられ、$\texttt{Eliot}$は、手作りの分類学とドメイン固有のスクリプトを超えた文献進化分析を一般化する。 明示的なクエリ用語とフィルタが与えられた場合、クエリ時にarXiv文書を検索し、タイトルと抽象によって各論文を表現し、コーパスをテーマにクラスタ化し、代表的キーワードを割り当て、各クラスタの公開年分布を視覚化する。 応用システムと対話型研究支援の両方として$\texttt{Eliot}$を評価した。 8つのarXivドメインにわたるオフライン構成研究では、本質的なクラスタリングとトピックコヒーレンスメトリクスを用いた文書表現、次元減少法、クラスタリングアルゴリズムを比較し、実際のデフォルトとして10次元UMAPとAgglomerative Clusteringを用いたMiniLM埋め込みをサポートする。 参加者は、クラスタラベルをシナリオ応答の85%で意味のあるものとして評価し、フィードバックは、$\texttt{Eliot}$が、急速に変化する技術領域の監査可能な概要に最も価値があることを示している。 これらの結果から,質問時クラスタリングと時間的検査は,研究者が文献の傾向の裏にある証拠を調査・精査するのを助けることで,検索・生成ツールを補完する可能性が示唆された。

関連論文リスト

• 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)
• OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
  OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。 回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。 OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
  論文  参考訳（メタデータ） (2026-01-04T15:48:51Z)
• Intelligent Scientific Literature Explorer using Machine Learning (ISLE) [0.797970449705065]
  本稿では,大規模データ取得,ハイブリッド検索,セマンティックトピックモデリング,異種知識グラフ構築を組み合わせた科学文献探索システムを提案する。 提案するフレームワークは,AIによる科学的発見の基盤となる。
  論文  参考訳（メタデータ） (2025-12-14T16:54:24Z)
• SurveyG: A Multi-Agent LLM Framework with Hierarchical Citation Graph for Automated Survey Generation [4.512335376984058]
  大規模言語モデル(LLM)は、調査用紙の自動生成にますます採用されている。 LLMに基づくエージェントフレームワークである textbfSurveyG を提案する。 textbfFoundation、textbfDevelopment、textbfFrontierの3つのレイヤで構成されており、セミナルな作品から漸進的な進歩、新たな方向性までの研究の進化を捉えている。
  論文  参考訳（メタデータ） (2025-10-09T03:14:20Z)
• Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
  既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。 LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T15:12:58Z)
• SCALE: Towards Collaborative Content Analysis in Social Science with Large Language Model Agents and Human Intervention [50.07342730395946]
  我々は、効果的に機能する新しいマルチエージェントフレームワークを導入する。 Imulates $underlinetextbfC$ontent $underlinetextbfA$nalysis via。 underlinetextbfL$arge language model (LLM) agunderlinetextbfE$nts。 テキストコーディング、協調的な議論、動的コードブックの進化など、コンテンツ分析の重要なフェーズを模倣します。
  論文  参考訳（メタデータ） (2025-02-16T00:19:07Z)
• Taxonomy Tree Generation from Citation Graph [15.188580557890942]
  HiGTLは、人為的な指示や好みのトピックによってガイドされる、新しいエンドツーエンドフレームワークである。 我々は,各クラスタに中心的な概念を反復的に生成する,新しい分類ノード言語化戦略を開発した。 実験により、HiGTLはコヒーレントで高品質な概念を効果的に生成することが示された。
  論文  参考訳（メタデータ） (2024-10-02T13:02:03Z)
• Providing Insights for Open-Response Surveys via End-to-End Context-Aware Clustering [2.6094411360258185]
  本研究では,オープンレスポンスサーベイデータ中の組込み意味パターンを抽出し,集約し,省略する,エンド・ツー・エンドのコンテキスト認識フレームワークを提案する。 我々のフレームワークは、テキストデータを意味ベクトルにエンコードするために、事前訓練された自然言語モデルに依存している。 本フレームワークは,調査データから最も洞察に富んだ情報を抽出するプロセスを自動化することで,大規模化のコストを削減する。
  論文  参考訳（メタデータ） (2022-03-02T18:24:10Z)
• Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
  同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。 同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。 我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
  論文  参考訳（メタデータ） (2021-06-15T20:55:55Z)

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。