論文の概要: Computational conceptual history of scientific concepts: From early digital methods to LLMs

• arxiv url: http://arxiv.org/abs/2606.04118v1
• Date: Tue, 02 Jun 2026 18:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.321418
• Title: Computational conceptual history of scientific concepts: From early digital methods to LLMs
• Title（参考訳）: 科学概念の計算論的概念史:初期のデジタル手法からLLMへ
• Abstract要約: 本稿では,概念解析における計算手法の長い歴史の中で,大規模言語モデル(LLM)について述べる。 LLMが既存の手法にどのような影響を及ぼすか、どのようにして長年の問題を継承するか、そしてそれらを用いた最近のケーススタディをレビューする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article situates large language models (LLMs) within the longer history of computational approaches to concept analysis in the history, philosophy, and sociology of science (HPSS). We examine what LLMs add to existing methods, how they inherit longstanding problems, and review recent case studies that employ them. In the first part, we reconstruct computational conceptual history before LLMs by bringing together three strands of work: early digital methods in HPSS, distributional approaches from digital history and related research, and lexical semantic change detection. We provide an overview of the main challenges and opportunities, focusing on corpus construction, operationalization and modelling choices, and evaluation and interpretation. In the second part, we turn to the era of LLMs, starting with a short introduction to LLMs before reviewing LLM-based work on lexical semantic change detection and relevant case studies in HPSS. We then revisit the earlier methodological questions, showing how issues of corpus construction, model choice and training data, operationalization trade-offs, and evaluation and interpretation play out in LLM-based workflows.
• Abstract（参考訳）: 本稿では、科学史、哲学、社会学における概念分析への計算アプローチの長い歴史の中で、大きな言語モデル(LLM)を考察する。 LLMが既存の手法にどのような影響を及ぼすか、どのようにして長年の問題を継承するか、そしてそれらを用いた最近のケーススタディをレビューする。 第一部では,HPSSにおける初期のデジタル手法,デジタル史と関連する研究からの分布的アプローチ,語彙的意味変化検出という3つの成果をまとめて,LLM以前の計算概念史を再構築する。 我々は、コーパスの構築、運用とモデリングの選択、評価と解釈に焦点をあて、主な課題と機会の概要を述べる。 第2部では,LLMの短い紹介から始まり,LLMに基づく語彙的意味変化の検出とHPSSにおける関連するケーススタディをレビューする。 次に、従来の方法論的問題を再考し、コーパス構築の課題、モデル選択とトレーニングデータ、運用上のトレードオフ、そしてLLMベースのワークフローにおける評価と解釈がどのように機能するかを示す。

関連論文リスト

• On the Evolution of Federated Post-Training Large Language Models: A Model Accessibility View [82.19096285469115]
  Federated Learning (FL)は、クライアントデータのプライバシを保持しながら、分散データサイロをまたいだトレーニングモデルを可能にする。 近年,FL内での大規模言語モデル (LLM) の学習を効率化し,計算・通信の課題に対処する手法が研究されている。 これらの制限に対処するために、推論のみのパラダイム(ブラックボックスのFedLLM)が登場した。
  論文  参考訳（メタデータ） (2025-08-22T09:52:31Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• Large Language Models for History, Philosophy, and Sociology of Science: Interpretive Uses, Methodological Challenges, and Critical Perspectives [0.0]
  本稿では,科学史・哲学・社会学研究ツールとしての大規模言語モデル(LLM)の利用について検討する。 LLMは、構造化されていないテキストを処理し、文脈から意味を推測するのに非常に効果的である。 このことは、解釈的方法論を強調し、文脈に依存し、曖昧で、歴史的に位置する意味を理解するHPSSの機会と課題を提起する。
  論文  参考訳（メタデータ） (2025-06-13T21:44:13Z)
• Recalibrating the Compass: Integrating Large Language Models into Classical Research Methods [0.48670895845367385]
  本稿では,大規模言語モデル (LLM) がコミュニケーション研究における中核的な定量的手法をどのように変換しているかを検討する。 古典的なアプローチを置き換えるのではなく、LLMはテキストのコーディングと解釈の新しい可能性を導入している。 この論文は、分野がLLMと生成AIを統合するため、古典的な研究ロジックは依然として不可欠であると主張している。
  論文  参考訳（メタデータ） (2025-05-26T01:38:02Z)
• Towards a standardized methodology and dataset for evaluating LLM-based digital forensic timeline analysis [0.1433758865948252]
  大規模言語モデル(LLM)は、デジタル法医学を含む多くの領域で広く採用されている。 本稿では,LLMのディジタル法医学的タスクへの応用を定量的に評価するための標準化手法を提案する。
  論文  参考訳（メタデータ） (2025-05-06T01:22:30Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Large Language Models for Causal Discovery: Current Landscape and Future Directions [5.540272236593385]
  因果発見(CD)とLarge Language Models(LLM)は、人工知能のトランスフォーメーション分野として登場した。 本研究は, テキストからの因果的抽出, ドメイン知識の統計的手法への統合, 因果的構造の改良の3つの重要な側面において, LLMがCDをどう変えるかを検討する。
  論文  参考訳（メタデータ） (2024-02-16T20:48:53Z)
• Large Language Models: A Survey [66.39828929831017]
  大規模言語モデル(LLM)は、広範囲の自然言語タスクにおける強力なパフォーマンスのために、多くの注目を集めている。 LLMの汎用言語理解と生成能力は、膨大なテキストデータに基づいて数十億のモデルのパラメータを訓練することで得られる。
  論文  参考訳（メタデータ） (2024-02-09T05:37:09Z)
• Continual Learning for Large Language Models: A Survey [95.79977915131145]
  大規模言語モデル(LLM)は、大規模なトレーニングコストが高いため、頻繁な再トレーニングには適さない。 本稿では,LLMの連続学習に関する最近の研究について述べる。
  論文  参考訳（メタデータ） (2024-02-02T12:34:09Z)
• Sentiment Analysis in the Era of Large Language Models: A Reality Check [69.97942065617664]
  本稿では,大規模言語モデル(LLM)の様々な感情分析タスクの実行能力について検討する。 26のデータセット上の13のタスクのパフォーマンスを評価し、ドメイン固有のデータセットに基づいて訓練された小言語モデル(SLM)と比較した。
  論文  参考訳（メタデータ） (2023-05-24T10:45:25Z)

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。