論文の概要: Causal Evidence Extraction and Triangulation in Crisis Reports using Large Language Models: A ReliefWeb-based Study

• arxiv url: http://arxiv.org/abs/2608.04576v1
• Date: Wed, 05 Aug 2026 08:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.784931
• Title: Causal Evidence Extraction and Triangulation in Crisis Reports using Large Language Models: A ReliefWeb-based Study
• Title（参考訳）: 大規模言語モデルを用いた危機報告における因果的証拠抽出と三角測量:ReliefWebを用いた研究
• Authors: Yuanjun Zhang, Mourad Oussalah,
• Abstract要約: 人道的な報告は長く、騒々しく、多面的であり、意思決定に関連する因果関係の証拠を統合することは困難である。 本稿では、ReliefWeb研究(2000-2024)と、構造化された介入出力レコードを抽出する2段階のLarge Language Modelパイプラインを提案する。 本研究では,災害時における強度保存的証拠を蓄積する文脈重み付き三角測量を提案し,ラプラス平滑化と等重みを併用して,コンテキスト収束の定量化を行う。
• 参考スコア（独自算出の注目度）: 3.349463819008848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanitarian reports are long, noisy, and multi-topic, making it difficult to consolidate decision-relevant causal evidence. We present a ReliefWeb study (2000-2024) and a two-stage Large Language Model (LLM) pipeline that extracts structured intervention-outcome records with direction and strength attributes. Query-conditioned extraction restricts output to a specified intervention class, reducing retrieval-induced over-extraction, while snippet grounding links each relation to supporting text for auditability and classification. In an expert-annotated dataset of 100 reports, the best closed-source LLM achieved a weighted F1 score of 90.73% with strong cost-efficiency, while Llama-3.1-8B with supervised fine-tuning reached 94.15% weighted F1 score. We further propose context-preserving triangulation that aggregates strength-weighted evidence within disaster$\times$source cells, applies Laplace smoothing and equally weights cells to quantify cross-context convergence via a Level-of-Evidence score. Applied to cash assistance, food-related outcomes show strong positive convergence (LoE=0.865) and stable long-horizon trajectories.
• Abstract（参考訳）: 人道的な報告は長く、騒々しく、多面的であり、意思決定に関連する因果関係の証拠を統合することは困難である。 ReliefWeb研究 (2000-2024) と2段階のLarge Language Model (LLM) パイプラインについて述べる。 クエリ条件付き抽出は、特定の介入クラスへの出力を制限し、検索による過剰抽出を減らす一方、スニペットは、それぞれの関係を監査性と分類のためのサポートテキストにリンクする。 専門家による100のレポートのデータセットでは、最高のクローズドソースのLLMが90.73%の重み付きF1スコアを高いコスト効率で達成し、Llama-3.1-8Bが94.15%の重み付きF1スコアに達した。 さらに,災害時における強度重み付けされた証拠を蓄積する文脈保存三角測量を提案し,ラプラス平滑化と等重み付けを行い,レベル・オブ・エビデンススコアを用いてコンテキスト間の収束を定量化する。 キャッシュ・アシストに応用すると、食品関連の結果は強い正の収束(LoE=0.865)と安定な長軸軌道を示す。

関連論文リスト

• TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring [11.785230718509196]
  本稿では,2次元胸部入力による外観特徴,肺分画マスクによる構造特徴,重度定量化のための視覚言語モデルによる意味特徴を組み合わせた3次元深層学習フレームワークTMF-RSEを提案する。 提案手法では, セマンティックガイダンス, 構造的先行, 階層的相互作用を統合した相補的な融合機構を用いる。 Per-COVID-19 CTとRALOデータセットの実験は、TMF-RSEが最近のトランスフォーマーベースのベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2026-07-07T14:54:40Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Can Large Language Models Revolutionize Survey Research? Experiments with Disaster Preparedness Responses [6.004875368104112]
  大規模な言語モデル(LLM)は治療として提案されているが、完全なサーベイワークフロー全体にわたる厳密な評価はほとんど残っていない。 アンケート設計, サンプル選択, パイロットテスト, 欠落データ計算, および収集後の分析を対象とする, LLM 統合のための5段階フレームワークを提示し, 評価した。 保護モチベーション理論 (PMT) 制約付き共起知識グラフを導入し, ゼロショット推論, 検索拡張ベースライン, 新規な理論インフォームド変種にまたがる7つのLLM構成を開発する。
  論文  参考訳（メタデータ） (2026-05-19T00:58:36Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Zero-Shot Event Causality Identification via Multi-source Evidence Fuzzy Aggregation with Large Language Models [11.541829239773643]
  事象因果同定(ECI)は、テキストコンテキストにおける事象間の因果関係を検出することを目的としている。 既存のECIモデルは、主に管理された方法論に依存しており、大規模な注釈付きデータに依存している。 本稿では,Multi-source Evidence Fuzzy Aggregationに基づく新しいゼロショットフレームワークMEFAを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:56:05Z)
• Provenance: A Light-weight Fact-checker for Retrieval Augmented LLM Generation Output [49.893971654861424]
  検索強化生成(RAG)から非実効出力を検出する軽量な手法を提案する。 私たちは、二項決定を下すためにしきい値にできる事実性スコアを計算します。 実験の結果, ROC曲線 (AUC) の下では, 関連するオープンソースデータセットの広範囲にわたって高い面積を示すことができた。
  論文  参考訳（メタデータ） (2024-11-01T20:44:59Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)

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。