論文の概要: The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims
- arxiv url: http://arxiv.org/abs/2606.31273v1
- Date: Tue, 30 Jun 2026 07:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.129419
- Title: The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims
- Title（参考訳）: AI支援研究における校正の転換--エビデンス・ライセンシド・クレームの概念的・方法論的枠組み
- Abstract要約: 本稿では,AI支援研究におけるエビデンスライセンスクレームの概念的枠組みを開発する。
仮説生成、モデルによる結果導出、外部検証、信条更新、クレームキャリブレーションの5つの演算子としてAI支援研究を表現している。
- 参考スコア（独自算出の注目度）: 0.9805949492148788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-assisted research has entered a stage in which the central question is not only whether systems can generate hypotheses, run experiments, or produce manuscripts, but whether their scientific claims are calibrated to the evidence that supports them. This Perspective-style paper develops a conceptual and methodological framework for evidence-licensed claims in AI-assisted research. Motivated by representative routes including specialized scientific foundation models, LLM research assistants, multi-agent co-scientists, AI Scientist pipelines, mathematical discovery agents, and self-driving laboratories, it represents AI-assisted research as five operators: hypothesis generation, model-mediated consequence derivation, external validation, belief update, and claim calibration. The central claim is that calibration is not merely cautious wording but a mechanism for managing scientific assertion rights: evidence licenses some forms of speech and withholds others. The paper distinguishes linguistic, consequence-based, interventional, and evidence-licensed semantics; defines the claim-evidence gap and epistemic debt; and treats minimal structural reconstruction across heterogeneous outputs as an upward form of claim calibration. AISim-Cal is included as an illustrative synthetic dynamics exercise, not as an empirical forecast or benchmark. The resulting principles are: no claim without license, validation does not determine claim level, and automation amplifies the need for calibration. Reliable AI-assisted research is therefore evaluated as a loop that generates hypotheses, derives testable consequences, accepts independent adjudication, updates beliefs, and outputs only evidence-licensed claims.
- Abstract（参考訳）: AI支援研究は、システムが仮説を生成、実験し、あるいは原稿を作成できるかどうかだけでなく、彼らの科学的主張がそれらを支持する証拠に校正されているかどうかという、中心的な疑問の段階に入った。
このパースペクティブスタイルの論文は、AI支援研究におけるエビデンスライセンスクレームの概念的および方法論的枠組みを開発する。
専門的な科学基盤モデル、LLM研究アシスタント、マルチエージェントの共同科学者、AIサイエンティストパイプライン、数学的発見エージェント、自動運転研究所を含む代表的なルートによって、仮説生成、モデルによる結果導出、外部検証、信条更新、クレームキャリブレーションの5つのオペレーターとしてAI支援研究を表現している。
中心的な主張は、校正は単なる慎重な言い回しではなく、科学的主張権を管理するためのメカニズムであるということである。
本論文は,言語的,帰属的,介入的,エビデンスライセンスのセマンティクスを区別し,クレームエビデンスギャップと疫学的負債を定義し,ヘテロジニアスアウトプット間の最小構造的再構築をクレームキャリブレーションの上流形式として扱う。
AISim-Calは、実証的な予測やベンチマークとしてではなく、実証的な合成力学のエクササイズとして含まれている。
ライセンスなしのクレーム、検証はクレームレベルを判断せず、自動化はキャリブレーションの必要性を増幅します。
信頼性の高いAI支援研究は、仮説を生成し、検証可能な結果をもたらし、独立した判断を受け入れ、信念を更新し、エビデンスライセンスのクレームのみを出力するループとして評価される。
関連論文リスト
- A Semantic Model of Genetic Evidence: A Step Toward Bridging the Basic-Science-Clinic Gap [0.0]
3つの中核クラスを持つ科学的エビデンスのセマンティックモデルを導入し、遺伝学に特化させ、既存の標準と構造的に整合させる。
提案手法は,6件の遺伝論文から,28件のエビデンス項目と95件のソースアンコレッドアサーションを抽出し,人間-AIアノテーションによる評価を行った。
論文 参考訳（メタデータ） (2026-09-03T21:57:23Z) - EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。
EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
論文 参考訳（メタデータ） (2026-09-01T16:55:56Z) - ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
本稿では,科学プロセスのすべての段階に大規模言語モデルを統合する,因果的基盤を持つAIフレームワークであるECLAIRを紹介する。
ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
論文 参考訳（メタデータ） (2026-08-03T14:47:03Z) - CausalForge: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference [17.447741518678374]
CausalForgeは因果推論における自動理論研究のためのフレームワークである。
因果推論のためのリーンライブラリであるCausaleanと、自己改善型のエージェントパイプラインであるCausalSmithを組み合わせたものだ。
論文 参考訳（メタデータ） (2026-07-24T17:32:35Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - Socratic agents for autonomous scientific discovery in high-dimensional physical systems [24.054349223347966]
AHOISはソクラテスの助産師をクローズドループの実験に埋め込む。
物理批判的エージェントは因果質問を通じて仮説を尋問する。
AHOISは、ランダム干渉符号化仮説を自律的に提案し、検証した。
論文 参考訳（メタデータ） (2026-06-25T08:01:07Z) - Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。
Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
論文 参考訳（メタデータ） (2026-06-17T09:52:14Z) - AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。
我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。
本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
論文 参考訳（メタデータ） (2026-05-22T03:40:30Z) - AI scientists produce results without reasoning scientifically [3.100302590436282]
大規模言語モデル(LLM)ベースのシステムは、科学的研究を自律的に行うためにますます多くデプロイされている。
そこで本研究では,8つの領域にまたがるLSMに基づく科学的エージェントの評価を行い,その実行と仮説に基づく調査を行った。
論文 参考訳（メタデータ） (2026-04-20T20:23:42Z) - Towards a Medical AI Scientist [73.6056699962416]
私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。
このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。
本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
論文 参考訳（メタデータ） (2026-03-30T15:37:25Z) - CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。
本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。
我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-26T19:17:39Z) - Exploring Syntropic Frameworks in AI Alignment: A Philosophical Investigation [0.0]
AIアライメントは、プロセスベース、マルチエージェント、開発メカニズムを通じて、シントロピックで理由対応のエージェントを設計するものとして再認識されるべきである、と私は主張する。
コンテンツベースの値仕様が構造的に不安定なように見える理由を示す、仕様トラップの議論を明確にする。
マルチエージェントアライメントのダイナミクスを理解するための情報理論の枠組みとして, シントロピーを提案する。
論文 参考訳（メタデータ） (2025-11-19T23:31:29Z) - Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。
従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。
パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
論文 参考訳（メタデータ） (2023-09-06T05:19:41Z) - Generating Scientific Claims for Zero-Shot Scientific Fact Checking [54.62086027306609]
科学言語の複雑さと大量のトレーニングデータが不足しているため、自動科学的事実チェックは困難である。
科学的な文から1つ以上の原子的かつ検証可能なクレームを生成するための科学的クレーム生成を提案する。
また, バイオメディカルクレームのゼロショット事実チェックにも有用であることを示す。
論文 参考訳（メタデータ） (2022-03-24T11:29:20Z)
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。