Fugu-MT 論文翻訳(概要): Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning

論文の概要: Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning

arxiv url: http://arxiv.org/abs/2608.03161v1
Date: Tue, 04 Aug 2026 05:48:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.046045
Title: Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning
Title（参考訳）: Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning
Abstract要約: 本稿では,講義の書き起こしを行うエビデンス型マルチモーダルパイプラインを提案する。 3つのニューラルネットワークの講義で、パイプラインは3,118フレーム、756の転写セグメント、559のアンカーを処理した。 1,022のコンセプトと312のリレーションシップを保持し、172の標準概念と282のリレーションシップと90.38%のエンドポイントカバレッジを実現した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lecture videos distribute knowledge across speech, slide text, diagrams, equations, and presentation order, which transcript-only retrieval does not fully preserve. This paper presents an evidence-grounded multimodal pipeline that transcribes lectures, selects semantic anchors, applies optical character recognition (OCR), and uses a vision-language model to extract only concepts and typed relationships supported by transcript, OCR, or visual evidence. Mentions are validated and canonicalized into a provenance-rich knowledge graph. On three neural-network lectures, the pipeline processed 3,118 frames, 756 transcript segments, and 559 anchors. It retained 1,022 concept and 312 relationship mentions, yielding 172 canonical concepts and 282 relationships with 90.38% endpoint coverage. A preliminary three question retrieval test achieved 100% top-1 and top-3 accuracy and 100% mean top-5 recall. The contribution is an auditable construction method rather than a state-of-the-art performance claim.
Abstract（参考訳）: 講義ビデオは、音声、スライドテキスト、図表、方程式、プレゼンテーション順に知識を分配する。本稿では,講義の書き起こし,セマンティックアンカーの選択,光学的文字認識(OCR)の適用,そして視覚言語モデルを用いて,テキスト,OCR,視覚的エビデンスをサポートする概念と型付き関係のみを抽出するエビデンス基底型マルチモーダルパイプラインを提案する。メンションは検証され、実証に富む知識グラフに正準化される。 3つのニューラルネットワークの講義で、パイプラインは3,118フレーム、756の転写セグメント、559のアンカーを処理した。 1,022のコンセプトと312のリレーションシップを保持し、172の標準概念と282のリレーションシップと90.38%のエンドポイントカバレッジを実現した。予備的な3つの質問検索テストは、100%トップ1と100%平均トップ3の精度、100%平均トップ5のリコールを達成した。コントリビューションは、最先端のパフォーマンスクレームではなく、監査可能な構築方法である。

関連論文リスト

ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval [62.80735412748694]
ConceptFormerは、ビジュアル文書検索のための潜在概念表現学習フレームワークである。クエリ関連エビデンスとは、局所化された視覚的エビデンスとセマンティックな関連性を明確に橋渡しする、連続的でクエリ条件付き潜在概念である。平均的なNDCG@10では、最強のビジュアル検索ベースラインと最強のOCRベースのテキスト検索ベースラインに対して16.7%と22.1%の相対的な改善が達成されている。
論文参考訳（メタデータ） (2026-08-16T12:07:12Z)
CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora [5.691710068675227]
CourseBlueprintは、適応型教育ビデオ生成のためのコース付きパイプラインである。アドホックなプロンプトチェーンの代わりに、パイプラインは型付き中間表現とバリデーションを使用する。その結果, 教育ビデオの質は, 明示的な型付き指導契約よりも表面流速に依存しないことがわかった。
論文参考訳（メタデータ） (2026-05-22T02:02:38Z)
TeachPro: Multi-Label Qualitative Teaching Evaluation via Cross-View Graph Synergy and Semantic Anchored Evidence Encoding [12.647867305450289]
5つの重要な教科を体系的に評価する多言語学習フレームワークであるTeachProを提案する。まず,3つのコアコンポーネントを統合するDmension-Anchored Evidenceを提案する。次に,学生のコメントを表現できるクロスビューグラフ合成ネットワークを提案する。
論文参考訳（メタデータ） (2026-01-14T07:27:57Z)
SlideChain: Semantic Provenance for Lecture Understanding via Blockchain Registration [5.691710068675227]
モデルファミリ、推論設定、計算環境間の不整合は、AI生成した教材の信頼性を損なう。この研究は、大規模なマルチモーダルセマンティック抽出のための検証可能な整合性を提供するように設計されたブロックチェーン支援の実証フレームワークであるSlideChainを紹介している。
論文参考訳（メタデータ） (2025-12-25T14:02:27Z)
Exploring Automated Recognition of Instructional Activity and Discourse from Multimodal Classroom Data [8.014320244550243]
本研究は,マルチモーダル・インストラクショナル・アクティビティと談話認識に着目した,授業記録のAIによる分析について考察する。 164時間のビデオと68のレッスン書き起こしの高密度な注釈付きデータセットを使用して、並列なモダリティ固有のパイプラインを設計する。微調整されたモデルはプロンプトベースのアプローチを一貫して上回り、マクロF1スコアはビデオで0.577、書き起こしで0.460である。
論文参考訳（メタデータ） (2025-11-26T11:57:22Z)
See, Think, Confirm: Interactive Prompting Between Vision and Language Models for Knowledge-based Visual Reasoning [60.43585179885355]
本稿では,知識に基づく視覚推論のための新しいフレームワークであるInteractive Prompting Visual Reasoner(IPVR)を提案する。 IPVRには3つのステージがある。我々は,知識に基づく視覚的推論データセットについて実験を行った。
論文参考訳（メタデータ） (2023-01-12T18:59:50Z)
Learning to Decompose Visual Features with Latent Textual Prompts [140.2117637223449]
視覚言語モデルを改善するために,Decomposed Feature Prompting (DeFo)を提案する。我々の実証研究は、視覚言語モデルを改善する上でDeFoが重要であることを示している。
論文参考訳（メタデータ） (2022-10-09T15:40:13Z)
Self-Supervised Speech Representation Learning: A Review [105.1545308184483]
自己教師付き表現学習法は、幅広いタスクやドメインに利益をもたらす単一の普遍的モデルを約束する。音声表現学習は、生成的、コントラスト的、予測的という3つの主要なカテゴリで同様の進歩を経験している。本稿では,自己指導型音声表現学習のアプローチと,他の研究領域との関係について述べる。
論文参考訳（メタデータ） (2022-05-21T16:52:57Z)
Video as Conditional Graph Hierarchy for Multi-Granular Question Answering [80.94367625007352]
ビデオはフレームシーケンスで表現されるが、視覚要素はシーケンシャルではなく、セマンティック空間において階層的である。本稿では,異なる粒度の視覚的事実をレベルワイドに織り込む条件付きグラフ階層として,動画をモデル化することを提案する。
論文参考訳（メタデータ） (2021-12-12T10:35:19Z)
Neuro-Symbolic Representations for Video Captioning: A Case for Leveraging Inductive Biases for Vision and Language [148.0843278195794]
ビデオキャプションのためのマルチモーダルなニューラルシンボリック表現を学習するための新しいモデルアーキテクチャを提案する。本手法では,ビデオ間の関係を学習する辞書学習手法と,そのペアによるテキスト記述を用いる。
論文参考訳（メタデータ） (2020-11-18T20:21:19Z)
R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
論文参考訳（メタデータ） (2020-04-22T14:48:03Z)

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。