論文の概要: ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering
- arxiv url: http://arxiv.org/abs/2608.02323v2
- Date: Tue, 04 Aug 2026 20:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.180416
- 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
- Authors: Alejandro Velasco, Daniel Rodriguez-Cardenas, Dipin Khati, David N. Palacio, Denys Poshyvanyk,
- 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。
ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
- 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,仮説生成から解析,解釈に至るまで,大規模言語モデル(LLM)を科学的プロセスのあらゆる段階に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。
ECLAIRは、LLMを因果推論の原理の下で動作しているアクティブな科学的エージェントとして扱う。
2つのLLMにおける設計が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した。
その結果、どちらのモデルにおいても、命令スタイル、より少ないショット、および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し、因果推論がなぜソフトウェア現象が起こるかを説明するための原則的な基礎を提供することを示した。
本研究は、実験SE研究の認識論的要求に基づいて設計され、厳密なAI支援研究の基盤となる、科学手法にLSMを組み込むための最初の因果的基盤構造的手法をSEに提示する。
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) - 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。