論文の概要: Constructing Executable Analytical Knowledge Representations for Meta-Analysis Synthesis Using an Agentic Harness
- arxiv url: http://arxiv.org/abs/2608.01711v1
- Date: Mon, 03 Aug 2026 05:19:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.377054
- Title: Constructing Executable Analytical Knowledge Representations for Meta-Analysis Synthesis Using an Agentic Harness
- Title（参考訳）: エージェント・ハーネスを用いたメタ分析合成のための実行可能解析知識表現の構築
- Abstract要約: EAKR(Executable Analytical Knowledge Representation)を紹介する。
EAKRは、構造化された証拠を実行可能なメタ分析に変換するのに必要な知識を表す。
58機にわたって、MetaSynDecは全てのEAKRを構築し、57機が統計的に実行された。
- 参考スコア（独自算出の注目度）: 2.2475456930413418
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Meta-analysis synthesis highlights a fundamental challenge in knowledge-based scientific analysis: structured evidence does not by itself represent the analytical knowledge required for executable computation. Decisions about evidence assignment, analytical contrasts, outcome and time-point alignment, effect-size formulation, and methodological admissibility must be explicit before statistical execution. Existing automated approaches often embed these decisions in model outputs, generated code, or workflow traces rather than representing them as independently verifiable knowledge. We introduce the Executable Analytical Knowledge Representation (EAKR), a machine-actionable representation of the knowledge required to transform structured evidence into executable meta-analysis. An EAKR represents evidence, relations, numerical inputs, constraints, provenance, and unresolved issues. We operationalise EAKR in MetaSynDec, an agentic harness in which large language models propose structured updates and deterministic services govern schema- and contract-based validation and execution. Across 58 synthesis units, MetaSynDec constructed all EAKRs, with 57 proceeding to statistical execution. Of 56 units with sufficient information to define a reference analysis object, 38 (67.9%) achieved complete object fidelity and 42 (75.0%) exact evidence-set agreement, with a mean Jaccard similarity of 0.909. Generated and published confidence intervals overlapped in 54 of 55 units (98.2%). MetaSynDec outperformed direct LLM generation in reference synthesis-structure agreement (57/58 versus 23/58; p<0.001) and among 23 jointly completed units, exact reference-formulation agreement (23/23 versus 1/23; p<0.001). These findings provide feasibility evidence that EAKR supports formal validation, traceability, statistical execution, and improved methodological agreement relative to direct LLM generation.
- Abstract（参考訳）: 構造的証拠はそれ自体が実行可能計算に必要な分析的知識を表すものではない。
証拠の割り当て、分析的コントラスト、結果と時間的アライメント、効果サイズの定式化、および方法論的許容性に関する決定は、統計的実行前に明確でなければならない。
既存の自動アプローチは、独立して検証可能な知識として表現するのではなく、モデル出力や生成されたコード、ワークフロートレースにこれらの決定を組み込むことが多い。
本稿では、構造化された証拠を実行可能なメタ分析に変換するために必要な知識を機械的に表現するEAKR(Executable Analytical Knowledge Representation)を紹介する。
EAKRは証拠、関係、数値入力、制約、証明、未解決の問題を表す。
EAKRをMetaSynDecで運用し、大規模な言語モデルが構造化更新を提案し、決定論的サービスがスキーマベースの検証と実行を管理しているエージェントハーネスである。
58の合成ユニットで、MetaSynDecは全てのEAKRを構築し、57の統計処理を行った。
参照分析対象を定義するのに十分な情報を持つ56の単位のうち、38(67.9%)は完全なオブジェクトの忠実度を達成し、42(75.0%)の正確なエビデンスセット合意を、平均的なジャカード類似度は0.909である。
生成および発行された信頼区間は55ユニット中54ユニット(98.2%)で重複した。
MetaSynDecは、参照合成構造合意(57/58 vs 23/58; p<0.001)において直接LLM生成に優れ、23の連成完了単位のうち、正確な参照形式合意(23/23 vs 1/23; p<0.001)の中では優れていた。
これらの結果は,EAKRが形式的検証,トレーサビリティ,統計的実行,直接LLM生成に対する方法論的合意の改善をサポートすることを示す。
関連論文リスト
- Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use [0.0]
職場における有能な生成AIの使用を評価する研究者は、自己報告、客観的テスト、および監視と信頼の尺度を選択する必要がある。
筆者らは24の焦点実験論文の構造化, 種別レビューを行った。
エージェントスコープ,パーミッション,リカバリ,状態分離,独立レビュー,エビデンスに基づくクロージャの完全な組み合わせを検査する,個別レベルの検証機器は検出されなかった。
論文 参考訳（メタデータ） (2026-09-14T14:16:18Z) - From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - BrainBench: Benchmarking Large Language Models for Comprehensive EEG Understanding [29.151563019741545]
包括的で命令条件のEEG理解のための統合ベンチマークであるベンチマークネームを導入する。
4つのサブセットで構成されており、-Foundational Analysis、Sleep Assessment、Neurocognitive Assessment、Physological Integrationである。
結果はモデル、サブセット、難易度、実行パラダイムによって大きく異なり、EEGの能力がモデルとその運用に依存していることを示している。
論文 参考訳（メタデータ） (2026-08-04T19:07:09Z) - Theory-Scale Auto-Formalization of Logics for Computer Science [36.45195518081978]
LCS-Bench は Logics for Computer Science に基づく理論スケールのベンチマークである。
アーティファクトには327の教科書項目,4,076以上のリーン宣言,85万行以上のリーンコードが含まれています。
LCS-Benchは高品質で一貫性があり、忠実であることを示す。
論文 参考訳（メタデータ） (2026-06-25T01:59:53Z) - Unsupervised Skill Discovery for Agentic Data Analysis [55.42853694128929]
DataCOPEは、データ分析エージェントのための教師なし検証対象のスキル発見フレームワークである。
トラジェクトリ生成のためのデータ分析エージェント、信号抽出のための教師なし検証器、および対照的なスキル蒸留のためのスキルマネージャを反復的にコーディネートする。
我々は,Deep Data Researchのレポートスタイル分析とDABStepの推論スタイル解析についてDataCOPEを評価した。
論文 参考訳（メタデータ） (2026-06-04T17:20:47Z) - Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。
フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
論文 参考訳（メタデータ） (2026-04-03T03:18:50Z) - DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。
一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。
その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-01-07T03:07:52Z) - Benchmarking Reasoning Reliability in Artificial Intelligence Models for Energy-System Analysis [0.0]
本研究では、エネルギーシステム解析に適用された大規模言語モデルにおける推論信頼性を定量化する再現可能なフレームワークであるAnalytical Reliability Benchmark(ARB)を紹介する。
GPT-4/5とClaude 4.5 Sonnetは、一貫性とポリシーに準拠した推論を実現した。
ARBは、因果関係、確率的、および政策駆動推論を検証するための、エネルギー文学における最初の定量的手法を確立している。
論文 参考訳（メタデータ） (2025-10-16T14:59:41Z) - Autoformalizer with Tool Feedback [52.334957386319864]
自動形式化は、数学的問題を自然言語から形式的ステートメントに変換することによって、ATP(Automated Theorem Proving)のデータ不足に対処する。
既存のフォーミュラライザは、構文的妥当性とセマンティック一貫性を満たす有効なステートメントを一貫して生成することに苦慮している。
本稿では,ツールフィードバックを用いたオートフォーマライザ (ATF) を提案する。
論文 参考訳（メタデータ） (2025-10-08T10:25:12Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - 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) - Modeling and Visualization Reasoning for Stakeholders in Education and Industry Integration Systems: Research on Structured Synthetic Dialogue Data Generation Based on NIST Standards [3.5516803380598074]
本研究では,教育産業統合(EII)システムにおける利害関係者の相互作用の構造的複雑さと意味的あいまいさに対処する。
我々は,NIST(National Institute of Standards and Technology)合成データ品質フレームワークに基づく構造モデリングパラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-20T12:37:43Z)
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。