Fugu-MT 論文翻訳(概要): Scientific Knowledge Discovery in the Age of Large Language Models

論文の概要: Scientific Knowledge Discovery in the Age of Large Language Models

arxiv url: http://arxiv.org/abs/2607.26670v1
Date: Wed, 29 Jul 2026 09:25:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 21:06:25.611167
Title: Scientific Knowledge Discovery in the Age of Large Language Models
Title（参考訳）: 大規模言語モデルにおける科学的知識発見
Abstract要約: ジェネレーティブな大規模言語モデル(LLM)は、従来の検索システムよりも柔軟な代替手段を提供する。本章では、文献検索と候補研究のスクリーニングにジェネレーティブLLMを適用した34のピアレビュー論文を調査する。
参考スコア（独自算出の注目度）: 0.16732809353184305
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rapid growth of scholarly literature has made identifying relevant publications increasingly difficult, and conventional search systems still depend heavily on manually formulated queries and effortful manual inspection. Generative large language models (LLMs) offer a more flexible alternative, supporting literature retrieval and the screening of candidate studies against eligibility criteria. This chapter surveys 34 peer-reviewed papers applying generative LLMs to these two tasks, identified via a Boolean search over the OpenAIRE Graph (1,589 records screened to 34 inclusions). Reviewed studies are characterised by LLMs employed, model access and adaptation, prompting and architectural techniques, ground-truth sources, and evaluation metrics.
Abstract（参考訳）: 学術文献の急速な成長により、関連出版物を特定することはますます難しくなり、従来の検索システムは依然として手作業によるクエリや手作業による検査に大きく依存している。ジェネレーティブな大規模言語モデル(LLM)は、文学検索をサポートし、適格基準に対する候補研究のスクリーニングをサポートする、より柔軟な代替手段を提供する。この章では、これら2つのタスクに生成LDMを適用した34のピアレビュー論文を調査し、OpenAIRE Graph上のBooleanサーチを通じて識別する(34個のインクルージョンにスクリーニングされた1,589のレコード)。レビューされた研究は、LLM、モデルアクセシビリティと適応、プロンプトとアーキテクチャの技法、基礎となる情報源、評価指標によって特徴づけられる。

関連論文リスト

WisPaper: Your AI Scholar Search Engine [55.07907253175705]
textscWisPaperは、インテリジェントな学術検索と文献管理プラットフォームである。文献発見、管理、研究フロンティアの継続的な追跡をシームレスに接続するクローズドループワークフローを提供する。プラットフォームは一般公開されており、学術や産業の研究者に利用されている。
論文参考訳（メタデータ） (2025-12-07T15:10:20Z)
How Do LLM-Generated Texts Impact Term-Based Retrieval Models? [76.92519309816008]
本稿では,大規模言語モデル(LLM)が項ベース検索モデルに与える影響について検討する。言語学的解析により,LLM生成テキストはよりスムーズで低周波なZipf勾配を示すことが明らかとなった。本研究は,項分布がクエリと密接に一致した文書を優先して,項ベース検索モデルがソースバイアスを示すかどうかを考察する。
論文参考訳（メタデータ） (2025-08-25T06:43:27Z)
Let's Use ChatGPT To Write Our Paper! Benchmarking LLMs To Write the Introduction of a Research Paper [64.50822834679101]
SciIGは、タイトル、抽象、および関連する作品からコヒーレントな紹介を生成するLLMの能力を評価するタスクである。オープンソース (DeepSeek-v3, Gemma-3-12B, LLaMA 4-Maverick, MistralAI Small 3.1) およびクローズドソース GPT-4o システムを含む5つの最先端モデルを評価する。結果は、特に意味的類似性と忠実性において、ほとんどのメトリクスにおいて、LLaMA-4 Maverickの優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2025-08-19T21:11:11Z)
A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges [1.774905308388066]
このRAG(Research-augmented Generation)に関する研究文献の体系的なレビューは、2020年から2025年にかけて発行された最も高度に引用された研究の焦点を絞った分析である。
論文参考訳（メタデータ） (2025-08-08T15:37:14Z)
Can LLMs Generate Tabular Summaries of Science Papers? Rethinking the Evaluation Protocol [83.90769864167301]
文献レビュー表は、科学論文の集合を要約し比較するために欠かせないものである。学術論文の収集にあたり,ユーザの情報ニーズを最大限に満たす表を作成するタスクについて検討する。我々の貢献は、現実世界で遭遇する3つの重要な課題に焦点を当てている: (i)ユーザープロンプトは、しばしば未特定である; (ii)検索された候補論文は、しばしば無関係な内容を含む; (iii)タスク評価は、浅いテキスト類似性技術を超えて進むべきである。
論文参考訳（メタデータ） (2025-04-14T14:52:28Z)
A Reproducibility and Generalizability Study of Large Language Models for Query Generation [14.172158182496295]
生成AIと大規模言語モデル(LLM)は、体系的な文献レビュープロセスに革命をもたらすことを約束する。本稿では,LLMを用いたBooleanクエリ生成を体系的レビューのために広範囲に研究する。本研究は,ChatGPTを用いて得られた結果の複製性と信頼性について検討した。次に、オープンソースモデルの解析と評価により結果を一般化する。
論文参考訳（メタデータ） (2024-11-22T13:15:03Z)
Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
論文参考訳（メタデータ） (2024-10-02T20:48:28Z)
Instruct Large Language Models to Generate Scientific Literature Survey Step by Step [21.149406605689297]
大規模言語モデル(LLM)を体系的に活用するプロンプトを設計する。この設計はハイレベルの観点からの見出しの生成を可能にすると我々は主張する。 Qwen-long による実践は NLPCC 2024 で3位となった。
論文参考訳（メタデータ） (2024-08-15T02:07:11Z)
ResearchArena: Benchmarking Large Language Models' Ability to Collect and Organize Information as Research Agents [30.603079363363634]
本研究では,学術調査における大規模言語モデルの能力を評価するためのベンチマークであるResearchArenaを紹介する。 ResearchArenaは,(1)情報発見,関連文献の同定,(2)情報選択,論文の関連性および影響評価,(3)情報組織という3段階のプロセスのモデル化を行う。これらの評価を支援するために,12Mのフルテキスト学術論文と7.9Kの調査論文のオフライン環境を構築した。
論文参考訳（メタデータ） (2024-06-13T03:26:30Z)
If the Sources Could Talk: Evaluating Large Language Models for Research Assistance in History [1.3325600043256554]
高度に専門化された学術資料からのベクトル埋め込みによる大規模言語モデルの拡大により,人文科学の歴史家や他の研究者が会話の方法論を利用できることを示す。メタデータや全文検索など,デジタルカタログの確立された検索インタフェースと比較して,2種類のタスクのパフォーマンスに対して,LLMのよりリッチな会話スタイルを評価する。
論文参考訳（メタデータ） (2023-10-16T20:12:06Z)
Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
論文参考訳（メタデータ） (2022-02-16T13:44:00Z)

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。