論文の概要: Research Entity Extraction and Topic Detection from UKRI Grant Proposals

• arxiv url: http://arxiv.org/abs/2606.30304v1
• Date: Mon, 29 Jun 2026 13:45:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.250935
• Title: Research Entity Extraction and Topic Detection from UKRI Grant Proposals
• Title（参考訳）: UKRIグラント提案からのエンティティ抽出とトピック検出に関する研究
• Abstract要約: 本稿では,GPT-4o,Mistral,bespokeアルゴリズムDSIT-Taxonomiesの3つのアプローチを比較し,英国RIが出資したメタサイエンスプロジェクトから予備的な知見を提示する。 提案手法は3段階のパイプラインを用いて,ミストラルを一次実体抽出とOpenAlexトピック分類に対するマッピングに利用した。 我々は、Mistralが高パフォーマンスで、運用効率が良く、セキュアなソリューションを提供し、センシティブな助成データを大規模に分析できると結論付けた。
• 参考スコア（独自算出の注目度）: 34.31105094308485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents preliminary findings from a UKRI-funded Metascience project comparing three LLM-based approaches, GPT-4o, Mistral, and a bespoke algorithm, DSIT-Taxonomies, for extracting and classifying research entities from funding proposals. Our project "Tracking Stars and Unicorns" aims to identify early signals of emerging research areas to inform public investment. Our methodology employed a three-stage pipeline, leveraging Mistral for primary entity extraction and mapping against the OpenAlex Topics taxonomy. We evaluated our approach across 42 proposals' abstracts from different areas and observed that Mistral and GPT-4o produce comparable, high-quality entity sets with significant semantic overlap, outperforming the fragmented DSIT-Taxonomies approach. Crucially, the Mistral-based approach achieved superior topic classification accuracy (90.5%) compared to the full DSIT-Taxonomies pipeline (71.4%). We conclude that Mistral offers a high-performance, operationally efficient, and secure solution for large-scale analysis of sensitive grant data.
• Abstract（参考訳）: 本稿では,3つのLPMベースのアプローチであるGPT-4o,Mistral,およびベスポークアルゴリズムDSIT-タクソノミ(DSIT-Taxonomies,DSIT-Taxonomies)を比較し,資金提供提案から研究機関を抽出・分類する。 我々のプロジェクト「Tracking Stars and Unicorns」は、新興研究分野の早期のシグナルを特定し、公共投資を知らせることを目的としています。 提案手法は3段階のパイプラインを用いて,ミストラルを一次実体抽出とOpenAlexトピック分類に対するマッピングに利用した。 提案手法は, 異なる領域から抽出した42の抽象概念にまたがって評価し, ミストラルとGPT-4oが有意なセマンティックオーバーラップを持つ高品質な実体集合を生成し, 断片化されたDSIT-タクソノミのアプローチよりも優れていることを示した。 重要なことに、Mistralベースのアプローチは、完全なDSIT-Taxonomiesパイプライン(71.4%)に比べて、トピック分類の精度(90.5%)が優れている。 我々は、Mistralが高パフォーマンスで、運用効率が良く、セキュアなソリューションを提供し、センシティブな助成データを大規模に分析できると結論付けた。

関連論文リスト

• Thinking Like a Scientist? A Structural Study of LLM-Generated Research Methods [4.424680117690851]
  GPT-5.1、Gemini 3 Pro、DeepSeek-V3.2に、最近のarXivコンピュータサイエンス論文1000件のそれぞれからLLMで抽出された研究質問を提出する。 調査質問のみを提供するので、これらの提案がどの程度最適かではなく、最初の提案を反映している。 最も強い不均衡は提供者の選択に現れ、ジェンセン=シャノンの発散は他の分類学の次元よりも約3,5倍大きい。
  論文  参考訳（メタデータ） (2026-06-15T14:53:30Z)
• MIR: Methodology Inspiration Retrieval for Scientific Research Problems [23.943338614752072]
  我々は、ある研究課題に対する解決策を刺激できる概念を持つ先行研究の回収という課題に対処する。 MIR上での学習と評価に適した新しいデータセットを構築した。 我々はMAGを利用して「直感的な先行」を密集したレトリバーに埋め込んで、方法論的インスピレーションのパターンを特定する。
  論文  参考訳（メタデータ） (2025-05-30T21:33:03Z)
• Evaluating improvements on using Large Language Models (LLMs) for property extraction in the Open Research Knowledge Graph (ORKG) [0.0]
  この研究は3人のOpen Research Knowledge Graph(ORKG)チームメンバーの以前の研究に基づいている。 先進的な急進的なエンジニアリング技術の影響を評価し、これらの技術が結果を著しく向上させることができることを実証する。 評価の結果,先進的なプロンプトエンジニアリングによって生成された結果がORKG特性との一致率の高いことが判明した。
  論文  参考訳（メタデータ） (2025-02-15T11:17:37Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• An Empirical Study on Information Extraction using Large Language Models [36.090082785047855]
  人間に似た大規模言語モデル(LLM)は多くの自然言語処理(NLP)関連タスクに非常に役立つことが証明されている。 本稿では,GPT-4の情報抽出能力に対する一連の単純なプロンプトベース手法の効果について検討する。
  論文  参考訳（メタデータ） (2024-08-31T07:10:16Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)
• A Simple Information-Based Approach to Unsupervised Domain-Adaptive Aspect-Based Sentiment Analysis [58.124424775536326]
  本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。 実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-29T10:18:07Z)
• What Makes Good In-Context Examples for GPT-$3$? [101.99751777056314]
  GPT-$3$はNLPタスクの広い範囲でその優れた性能のために多くの注目を集めています。 その成功にもかかわらず、我々はGPT-$3$の実証結果が文脈内例の選択に大きく依存していることを発見した。 本研究では,文脈内事例を適切に選択するためのより効果的な戦略が存在するかを検討する。
  論文  参考訳（メタデータ） (2021-01-17T23:38:40Z)

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。