論文の概要: When Reasoning Hurts Legal Drafting: The Verbalization Bottleneck in Patent Claim Generation

• arxiv url: http://arxiv.org/abs/2607.10480v1
• Date: Sat, 11 Jul 2026 21:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.440273
• Title: When Reasoning Hurts Legal Drafting: The Verbalization Bottleneck in Patent Claim Generation
• Title（参考訳）: 特許権侵害発生における言語化のボツネック
• Abstract要約: CoT(Chain-of-Thought)プロンプトは、大規模言語モデルの推論能力を改善するために広く使用されている。 本稿では,CoTの特許請求生成促進効果について検討する。 以上の結果から,推論の促進によりクレーム品質が向上する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.536605202672355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patent claim drafting is a challenging legal drafting task that requires technical expertise, precise linguistic control, strict adherence to formal conventions, and the preservation of complex logical relationships among claim elements. While Chain-of-Thought (CoT) prompting has been widely used to improve the reasoning capabilities of large language models (LLMs), recent evidence suggests that its benefits may be limited, or even negative, in highly structured or pattern-sensitive tasks. Therefore, this paper investigates whether CoT prompting benefits patent claim generation. We propose a task-specific CoT method for patent claim generation and evaluate its effectiveness through both automatic metrics and human expert assessment. Our results show that reasoning-enhanced prompting can improve claim quality. Moreover, we demonstrate a counter-intuitive but important empirical finding: implicit CoT, where reasoning is kept internal rather than explicitly verbalized, consistently outperforms explicit CoT. Through systematic analysis, we show that explicit CoT can introduce an unnecessary information bottleneck for claim generation. Verbalized reasoning may compromise the quality of final outputs through three specific mechanisms: abstraction of critical details, disruption of internalized generation patterns, and cascading error propagation. Our findings provide new insights into legal tasks and CoT applications.
• Abstract（参考訳）: 特許請求の起草は、技術的専門知識、正確な言語制御、正式な慣例への厳格な遵守、請求要素間の複雑な論理的関係の保存を必要とする、困難な法的起草作業である。 CoT(Chain-of-Thought)プロンプトは、大規模言語モデル(LLM)の推論能力を改善するために広く使用されているが、最近の証拠は、その利点が高度に構造化された、あるいはパターンに敏感なタスクにおいて限定的、あるいは否定的であることを示唆している。 そこで本研究では,CoTの特許請求生成促進効果について検討する。 本稿では,特許クレーム生成のためのタスク固有のCoT手法を提案する。 以上の結果から,推論の促進によりクレーム品質が向上する可能性が示唆された。 さらに、我々は反直感的だが重要な経験的発見を示す:暗黙のCoT。 体系的な分析により,明示的なCoTがクレーム生成に不要な情報ボトルネックをもたらすことを示す。 言語化された推論は、重要な詳細の抽象化、内部化された生成パターンの破壊、カスケードエラーの伝播という3つのメカニズムを通じて最終的な出力の品質を損なう可能性がある。 我々の発見は、法的なタスクとCoTアプリケーションに対する新たな洞察を提供する。

関連論文リスト

• Compliance-by-Construction Argument Graphs: Using Generative AI to Produce Evidence-Linked Formal Arguments for Certification-Grade Accountability [0.0]
  本稿では、生成AI(GenAI)と構造化された形式的引数表現を統合したコンプライアンス・バイ・コンストラクションアーキテクチャを提案する。 アーキテクチャは、各AI支援ステップを、検証済みの証拠によって支持され、明示的な推論制約に対して検証されなければならないクレームとして扱う。 この分析は、GenAIが議論構築を加速させながら、疑わしい主張が決定記録に入るのを防ぐことができることを示唆している。
  論文  参考訳（メタデータ） (2026-04-05T12:55:16Z)
• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• ConciseHint: Boosting Efficient Reasoning via Continuous Concise Hints during Generation [74.37307916314407]
  提案するフレームワークはConciseHintと呼ばれ,推論モデルが簡潔に話すことを継続的に奨励する。 DeepSeek-R1 および Qwen-3 シリーズを含む最先端の LRM 実験により,本手法が簡潔な推論を効果的に生成できることが実証された。
  論文  参考訳（メタデータ） (2025-06-23T16:20:44Z)
• Explainable Compliance Detection with Multi-Hop Natural Language Inference on Assurance Case Structure [1.5653612447564105]
  自然言語推論(NLI)に基づくコンプライアンス検出手法を提案する。 保証ケースのクレーム・アビデンス・エビデンス構造をマルチホップ推論として定式化し、説明可能かつトレーサブルなコンプライアンス検出を行う。 本結果は,規制コンプライアンスプロセスの自動化におけるNLIベースのアプローチの可能性を強調した。
  論文  参考訳（メタデータ） (2025-06-10T11:56:06Z)
• CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
  我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。 我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-06-05T17:02:52Z)
• The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
  CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。 我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。 パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
  論文  参考訳（メタデータ） (2025-04-07T13:51:06Z)
• Efficient Inference for Large Reasoning Models: A Survey [74.17203483365171]
  LRM(Large Reasoning Models)は、Large Language Models(LLM)の推論能力を大幅に向上させる。 しかし、それらの熟考的推論プロセスはトークンの使用、メモリ消費、推論時間に非効率をもたらす。 本調査では, LRMに特化して設計された効率的な推論手法を概説し, 推論品質を維持しつつトークンの非効率を緩和することに着目した。
  論文  参考訳（メタデータ） (2025-03-29T13:27:46Z)
• Attention Reveals More Than Tokens: Training-Free Long-Context Reasoning with Attention-guided Retrieval [33.84832445715185]
  大規模言語モデル(LLM)は、要求される能力よりもはるかに短い有効文脈長を示すことが多い。 本研究では,注意重みを利用した学習自由度アルゴリズムAttrievalを提案する。 以上の結果から,Attrievalは,合成QAデータセットと実世界のQAデータセットの両方において,長文推論能力の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-12T20:34:14Z)
• Igniting Language Intelligence: The Hitchhiker's Guide From Chain-of-Thought Reasoning to Language Agents [80.5213198675411]
  大規模言語モデル(LLM)は言語知能の分野を劇的に拡張した。 LLMは興味をそそるチェーン・オブ・シークレット(CoT)推論技術を活用し、答えを導き出す途中の中間ステップを定式化しなければならない。 最近の研究は、自律言語エージェントの開発を促進するためにCoT推論手法を拡張している。
  論文  参考訳（メタデータ） (2023-11-20T14:30:55Z)
• Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework [26.7264686036634]
  大規模言語モデル(LLM)がNLPの標準となり、生成および推論タスクのパフォーマンスが向上した。 最も致命的な欠点の1つは、事実の正しさの欠如である。 非現実的なテキストを生成することは、パフォーマンスを低下させるだけでなく、アプリケーションの信頼性と妥当性を低下させる。
  論文  参考訳（メタデータ） (2023-05-05T03:49:14Z)

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。