論文の概要: ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering
- arxiv url: http://arxiv.org/abs/2608.02323v1
- Date: Mon, 03 Aug 2026 14:47:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.606453
- Title: ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering
- Title（参考訳）: ECLAIR: 経験的ソフトウェア工学における科学的発見のための因果的に取り巻くAIフレームワーク
- Abstract要約: 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。
本稿では,設計が2つの_LLMs_におけるコード生成精度にどのように影響するかをケーススタディで検証する。
その結果、両方のモデルにおいて、命令スタイル、長小ショット、シグネチャ強化プロンプトは精度に小さな負の因果効果をもたらすことが示された。
- 参考スコア（独自算出の注目度）: 51.19819833971252
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The scientific method has long guided empirical research in Software Engineering (SE), but the complexity of modern software systems often hinders its systematic application. This paper introduces _ECLAIR_, a causally grounded AI framework that integrates Large Language Models (_LLMs_) into every stage of the scientific process, from hypothesis generation to analysis and interpretation. _ECLAIR_ treats _LLMs_ as active **scientific agents** operating under the principles of causal inference, within a human-in-the-loop design that safeguards against the risks of unsound automated reasoning. We demonstrate the framework through a case study examining how prompt design influences code generation accuracy in two _LLMs_. Results show that, for both models, instruction-style, longer few-shot, and signature-augmented prompts yield small negative causal effects on accuracy, illustrating how causal reasoning provides a principled foundation for explaining _why_ software phenomena occur. This study presents the first causally grounded structured methodology for embedding _LLMs_ within the scientific method in SE, designed around the epistemological demands of empirical SE research, establishing a basis for rigorous AI-assisted research.
- Abstract（参考訳）: この科学的手法は長年、ソフトウェア工学(SE)における経験的研究を導いてきたが、現代のソフトウェアシステムの複雑さは、しばしばその体系的な応用を妨げる。
本稿では,大規模言語モデル(_LLMs_)を仮説生成から解析,解釈に至るまで,科学的プロセスのすべての段階に統合する,因果的基盤型AIフレームワークである_ECLAIR_を紹介する。
_ECLAIR_ は _LLMs_ をアクティブな**科学的なエージェントとして扱う** 因果推論の原則の下で動作し、自動推論の不健全なリスクから保護する、ループ内の人間設計の中で機能する。
本稿では,設計が2つの_LLMs_におけるコード生成精度にどのように影響するかをケーススタディで検証する。
その結果、命令スタイル、長小ショット、シグネチャ強化プロンプトの両方のモデルでは、精度に小さな負の因果効果をもたらし、因果推論が_why_ソフトウェア現象を説明するための原則的基礎を提供することを示す。
本研究は,SEにおける科学手法に_LLMs_を組み込む手法として,実証SE研究の認識論的要求に基づいて設計され,厳密なAI支援研究の基盤を確立した最初の因果的基盤構造的手法である。
関連論文リスト
- CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。
ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。
CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文 参考訳（メタデータ） (2026-07-13T12:58:28Z) - Rethinking Software Empirical Studies with Structural Causal Models [12.18241004961061]
因果推論(Causal Inference)は、経験的ソフトウェアエンジニアリング(ESE)を従来の統計的アソシエーションを超えて進めるための基本的なアプローチを提供する。
本稿では,Judea Pearl の因果推論パラダイムを ESE コンテキストで運用するフレームワーク CausalSE を紹介する。
論文 参考訳（メタデータ） (2026-05-27T13:41:05Z) - Scientific Logicality Enriched Methodology for LLM Reasoning: A Practice in Physics [32.822972062156005]
我々は,Large Language Models (LLMs) の科学的推論に基づく内部論理性に関する最初の体系的な研究を行っている。
データ構築のために、学術文献から科学的問題を抽出し、強力な論理性を示す高品質なデータセットをサンプリングする。
1) LLM推論における科学的論理性を効果的に改善し, 2) 豊かな科学的論理性は科学的問題を解く上で重要な役割を担っている。
論文 参考訳（メタデータ） (2026-05-16T18:15:10Z) - BABE: Biology Arena BEnchmark [51.53220868983288]
BABEは、生物学的AIシステムの実験的推論能力を評価するために設計されたベンチマークである。
われわれのベンチマークは、AIシステムが科学者を実践するのと同じように、いかにうまく判断できるかを評価するための堅牢なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-02-05T16:39:20Z) - Beyond the Black Box: Theory and Mechanism of Large Language Models [39.10631426330405]
LLM(Large Language Models)の急速な台頭は、人工知能において大きなパラダイムシフトを引き起こした。
本調査では,データ作成,モデル作成,トレーニング,アライメント,推論,評価の6つの段階に,研究環境を整理するライフサイクルベースの統合分類法を提案する。
論文 参考訳（メタデータ） (2026-01-06T10:45:53Z) - Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows [203.3527268311731]
PIM(Practical Inquiry Model)に基づく運用SGI定義を提案する。
深層研究、アイデア生成、ドライ/ウェット実験、実験推論の4つのタスクを通じて運用しています。
私たちのPIMによる定義、ワークフロー中心のベンチマーク、実証的な洞察は、真に科学的な発見に参加するAIシステムの基盤を確立します。
論文 参考訳（メタデータ） (2025-12-18T12:44:36Z) - Evaluating Large Language Models in Scientific Discovery [91.732562776782]
大規模言語モデル (LLMs) は科学研究にますます応用されてきているが、科学ベンチマークでは非文脈化された知識を探索している。
生物, 化学, 材料, 物理にまたがるLSMを評価するシナリオグラウンドベンチマークを提案する。
このフレームワークは、(i)シナリオタイドアイテムの質問レベル精度と(ii)プロジェクトレベルのパフォーマンスの2つのレベルでモデルを評価する。
論文 参考訳（メタデータ） (2025-12-17T16:20:03Z) - Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning [53.82037883518254]
SciReasは、科学的推論タスクのための様々なベンチマークスイートである。
次に、科学的タスクにおける推論と知識の異なる役割を研究するための探索フレームワークであるKRUXを提案する。
論文 参考訳（メタデータ） (2025-08-26T17:04:23Z) - Causal-Copilot: An Autonomous Causal Analysis Agent [25.5944359329613]
Causal-Copilotは、専門家レベルの因果分析を運用する自律エージェントである。
自然言語によるインタラクティブな洗練をサポートし、非専門主義者の障壁を低くする。
私たちのシステムは、ドメインエキスパートのための高度な因果的手法へのアクセスを拡大する、活発なサイクルを育みます。
論文 参考訳（メタデータ） (2025-04-17T18:05:39Z) - Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。
モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。
因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
論文 参考訳（メタデータ） (2025-02-07T17:01:37Z) - Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
世界の知識と論理的推論の相互作用について検討する。
最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。
タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
論文 参考訳（メタデータ） (2024-10-31T12:48:58Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z)
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。