論文の概要: From Static Bibliometrics to Dynamic Knowledge Graphs: An LLM-Powered Framework for Modernizing Science, Technology, and Innovation (STI) Analytics
- arxiv url: http://arxiv.org/abs/2607.21327v1
- Date: Thu, 23 Jul 2026 13:56:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.425808
- Title: From Static Bibliometrics to Dynamic Knowledge Graphs: An LLM-Powered Framework for Modernizing Science, Technology, and Innovation (STI) Analytics
- Title（参考訳）: 静的ビブリオメトリックスから動的知識グラフへ:科学、技術、革新(STI)分析を近代化するためのLLMを利用したフレームワーク
- Abstract要約: 書誌指標は、時間ラグ、意味的な浅さ、現代の知識生態系の非線形力学を捉えることができない。
本稿では,3つの伝統をすべて明示的な方法論的制約の下で統合するハイブリッド・シンボリック・ファースト・フレームワークを提案する。
フレームワークの中心的な理論的貢献は、検証を意味的柔軟性と規律の仲介原則として扱うことである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bibliometric indicators - citation counts, h-indexes, co-authorship networks - have long anchored science, technology, and innovation (STI) analytics, yet suffer from temporal lag, semantic shallowness, and an inability to capture the non-linear dynamics of contemporary knowledge ecosystems. Dynamic knowledge graphs and large language models (LLMs) have each been proposed as remedies, but neither is sufficient alone: existing scholarly knowledge graphs remain largely static, while LLM-driven pipelines are prone to hallucination, opacity, and corpus bias without structured grounding. This paper proposes a hybrid, symbolic-first framework integrating all three traditions under explicit methodological constraint. Organized across five layers - an open scholarly data backbone, a dynamic versioned knowledge graph, a constrained LLM-assisted semantic augmentation layer, a multi-layer validation pipeline, and an analytics layer - the framework positions LLMs strictly as generators of provisional candidate enrichments. Candidates become analytically admissible only after passing structural, evidentiary, comparative, and selective expert validation, with full provenance recorded at every stage. The analytics layer supports both established bibliometric indicators and extended graph-based analyses, including trend emergence detection, science-to-technology pathway mapping, and policy-oriented gap analysis. The framework's central theoretical contribution is treating validation as the mediating principle between semantic flexibility and epistemic discipline, enabling STI analytics that is semantically richer and temporally more responsive than static bibliometrics while remaining aligned with the evidentiary standards of science-of-science research. Governance considerations addressing reproducibility, bias, and auditability are also discussed.
- Abstract（参考訳）: 引用数、h-インデックス、共著者ネットワークは、長い間科学、技術、イノベーション(STI)の分析に悩まされてきたが、時間的遅延、セマンティックな浅さ、現代の知識生態系の非線形ダイナミクスを捉えることができない。
動的知識グラフと大規模言語モデル(LLM)はいずれも治療法として提案されているが、どちらも十分ではない。
本稿では,3つの伝統をすべて明示的な方法論的制約の下で統合するハイブリッド・シンボリック・ファースト・フレームワークを提案する。
オープンな学術データバックボーン、動的バージョン付き知識グラフ、制約付きLLM支援セマンティック拡張層、多層検証パイプライン、分析層という5つのレイヤで構成されている。
候補は、構造的、明確な、比較的、選択的な専門家の検証をパスした後にのみ分析的に許容され、すべての段階で完全な証明が記録される。
分析層は、確立された文献指標と、トレンドの出現検出、科学技術経路マッピング、ポリシー指向のギャップ分析など、グラフベースの拡張分析の両方をサポートする。
このフレームワークの中心的な理論的貢献は、バリデーションを意味的柔軟性とてんかんの規律の仲介原則として扱うことであり、静的ビブリオメトリックスよりも意味的に豊かで時間的に応答性の高いSTI分析を可能にする一方で、科学・科学研究の明確な基準に則っている。
再現性、バイアス、監査性に対処するガバナンスの考察も議論されている。
関連論文リスト
- Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics [47.83993205745467]
Neurosymbolic (NeSy) Artificial Intelligenceは、Deep Learning (DL)アーキテクチャとシンボリック推論を統合することを目的としている。
最近の研究は、時間論理学のためのニューロシンボリックフレームワークの構築に対処し始めている。
これらのアプローチは、時間的制約の下での学習の基礎を築いた、有望な研究の方向性として、時間的NeSyを確立した。
論文 参考訳（メタデータ） (2026-08-17T11:40:27Z) - Autodiscover: A reinforcement learning recommendation system for the cold-start imbalance challenge in active learning, powered by graph-aware thompson sampling [0.0]
この論文では、適応エージェントによって駆動されるオンライン意思決定問題として、アクティブな学習を再構成するフレームワークであるAutoDiscoverを紹介している。
26-dataset SynERGYベンチマークでは、AutoDiscoverは静的ALベースラインよりも高いスクリーニング効率を実現している。
エージェントの決定を解釈し、検証し、診断するための、オープンソースのビジュアル分析ダッシュボードであるTS-Insightも導入しています。
論文 参考訳（メタデータ） (2026-02-04T22:16:50Z) - Publication Trend Analysis and Synthesis via Large Language Model: A Case Study of Engineering in PNAS [0.0]
本研究では, 適応型大規模言語モデル (LLM) を基礎として, 主題的傾向を定量化するフレームワークを提案する。
このアプローチは、米国科学アカデミー紀要によって発行された1500以上の工学論文の20年以上のコレクションで実証されている。
論文 参考訳（メタデータ） (2025-10-17T18:57:11Z) - GALAX: Graph-Augmented Language Model for Explainable Reinforcement-Guided Subgraph Reasoning in Precision Medicine [31.561998419001124]
精密医療では、量的マルチオミックな特徴、トポロジカルコンテキスト、テキスト生物学的知識が、疾患クリティカルなシグナル伝達経路や標的を特定する上で重要な役割を担っている。
我々は、事前学習されたグラフニューラルネットワーク(GNN)をLLM(Large Language Models)に統合する革新的なフレームワークであるGALAXを提案する。
アプリケーションとして,CRISPRを識別したターゲット,マルチオミックプロファイル,および多様ながん細胞株のバイオメディカルグラフ知識を組み合わせたベンチマークであるTarget-QAも導入した。
論文 参考訳（メタデータ） (2025-09-25T09:20:58Z) - 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) - Generative Large Language Models for Knowledge Representation: A Systematic Review of Concept Map Generation [1.163826615891678]
生成型大規模言語モデル(LLM)の台頭により,概念地図による知識表現を自動化する新たな機会が開かれた。
本総説では, LLM を用いた概念マップ生成に関する新たな研究の体系化について述べる。
人間のループシステム、弱い教師付き学習モデル、微調整されたドメイン固有LLM、素早いエンジニアリングによる事前訓練されたLLM、知識ベースを統合するハイブリッドシステム、シンボルと統計ツールを組み合わせたモジュラーフレームワークである。
論文 参考訳（メタデータ） (2025-09-18T02:36:54Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - 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) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - AI in Supply Chain Risk Assessment: A Systematic Literature Review and Bibliometric Analysis [0.0]
本研究では,Google Scholar and Web of Scienceの1,903項目をPRISMAガイドラインで選択した54項目について検討した。
その結果,ランダムフォレスト,XGBoost,ハイブリッドアプローチなどのMLモデルは,パンデミック後の文脈におけるリスク予測精度と適応性を大幅に向上させることがわかった。
この研究は、データ品質や解釈可能性といった課題に対処するために、動的な戦略、学際的なコラボレーション、継続的なモデル評価の必要性を強調している。
論文 参考訳（メタデータ） (2023-12-12T17:47:51Z)
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。