論文の概要: SCALE: Scientific Concept Aggregation via LLMs and Embeddings for Fine-Grained Taxonomy Extension

• arxiv url: http://arxiv.org/abs/2608.07254v1
• Date: Fri, 07 Aug 2026 14:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.528451
• Title: SCALE: Scientific Concept Aggregation via LLMs and Embeddings for Fine-Grained Taxonomy Extension
• Title（参考訳）: SCALE: 微粒分類拡張のためのLCMと埋め込みによる科学的概念集約
• Authors: Daniele Raimondi, Feichi Lu, Oliver Grun, Mariia Eremina, Andrea Perlato,
• Abstract要約: 著者のキーワードはより特異性が高いが、その断片化、冗長性、用語的変動性は知識組織の安定した単位としての使用を制限する。 SCALEは、OpenAlex分類を拡張したフレームワークで、トピックの下の新しいレベルの科学的概念を紹介します。 結果の分類学により、科学文献は幅広い研究トピックと個々の文書の中間的な概念レベルを通して読むことができる。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing specialization of scientific research challenges existing classification systems, which provide effective representations of broad disciplines and research topics but often fail to capture the fine-grained conceptual structure of contemporary science. Author keywords offer greater specificity, but their fragmentation, redundancy, and terminological variability limit their use as stable units of knowledge organization. We introduce SCALE (Scientific Concept Aggregation via LLMs and Embeddings), a framework that extends the OpenAlex taxonomy with a new level of scientific Concepts below Topics. Rather than treating keywords as isolated descriptors, SCALE organizes semantically related terms into coherent and interpretable conceptual units and integrates them within the existing disciplinary hierarchy. The framework combines scientific text embeddings, large language models, and graph-based community detection to construct this additional layer at scale. The resulting taxonomy enables scientific literature to be read through an intermediate conceptual level between broad research topics and individual documents. This perspective provides a more detailed representation of how scientific knowledge is structured, specialized, and connected across disciplines. By transforming heterogeneous author terminology into reusable hierarchical units, SCALE offers a foundation for fine-grained scholarly classification, scientometric analysis, research monitoring, and future ontology development.
• Abstract（参考訳）: 科学的研究の専門化の増大は、幅広い分野や研究トピックの効果的な表現を提供する既存の分類システムに挑戦するが、しばしば現代科学の詳細な概念構造を捉えることに失敗する。 著者のキーワードはより特異性が高いが、その断片化、冗長性、用語的変動性は知識組織の安定した単位としての使用を制限する。 SCALE(Scientific Concept Aggregation via LLMs and Embeddings)は、OpenAlex分類を拡張したフレームワークで、トピックの下の新しいレベルの科学的概念を紹介します。 SCALEは、キーワードを独立した記述子として扱うのではなく、意味論的に関連する用語を一貫性と解釈可能な概念単位に整理し、それらを既存のディシプリナ階層に統合する。 このフレームワークは、科学的なテキスト埋め込み、大きな言語モデル、グラフベースのコミュニティ検出を組み合わせて、この追加レイヤを大規模に構築する。 結果の分類学により、科学文献は幅広い研究トピックと個々の文書の中間的な概念レベルを通して読むことができる。 この視点は、科学的知識がどのように構成され、特殊化され、規律にまたがって結びついているかについて、より詳細な表現を提供する。 異質な著者用語を再利用可能な階層単位に変換することで、SCALEは詳細な学術分類、サイエントメトリック分析、研究監視、将来のオントロジー開発の基礎を提供する。

関連論文リスト

• SciAtlas: A Large-Scale Knowledge Graph for Automated Scientific Research [64.97707567378497]
  我々はSciAtlasについて紹介する。SciAtlasは大規模・多分野・異種学術資源知識グラフである。 26の分野から43万以上の論文と合計157万のエンティティと3Bのトリプレットを統合することで、SciAtlasは構造的トポロジカル認知基質を提供する。 我々は, 単純な意味マッチングから決定論的関連発見へのシームレスな遷移を達成し, 三経路協調的リコールとグラフ再ランクを特徴とするニューロシンボリック検索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-05-20T16:03:29Z)
• From Knowledge to Action: Outcomes of the 2025 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry [109.17159174400912]
  大規模言語モデル(LLM)は、材料科学と化学の研究者が科学的知識を発見し、組織化し、行動する方法を急速に変化させている。 本稿では,これらのシステムを科学研究ライフサイクル全体にわたって利用するための新たなパターンを明らかにするために,コミュニティが開発したLLMアプリケーションを幅広く分析する。
  論文  参考訳（メタデータ） (2026-05-04T22:48:45Z)
• SciRAG: Adaptive, Citation-Aware, and Outline-Guided Retrieval and Synthesis for Scientific Literature [52.36039386997026]
  我々は科学文献探索のためのオープンソースのフレームワークであるSciRAGを紹介する。 1) 逐次的証拠収集と並列的証拠収集を柔軟に交互に交互に行う適応的検索,(2) 引用グラフを利用して文書を整理・フィルタリングする引用型記号推論,(3) 整合性と透過的帰属性を確保するために回答を計画・批評・洗練するアウトライン誘導合成,である。
  論文  参考訳（メタデータ） (2025-11-18T11:09:19Z)
• Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
  既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。 LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T15:12:58Z)
• Science Hierarchography: Hierarchical Organization of Science Literature [37.75616980493253]
  我々は、科学文献を高品質な階層構造に整理する目的であるSCIENCE HIERARCHOGRAPHYを動機付けている。 我々は、効率的な埋め込みベースのクラスタリングとLLMベースのプロンプトを組み合わせたハイブリッドアプローチを開発した。 その結果,本手法は解釈可能性を改善し,科学的文献を探索するための代替経路を提供することがわかった。
  論文  参考訳（メタデータ） (2025-04-18T17:59:29Z)
• Scientific Large Language Models: A Survey on Biological & Chemical Domains [47.97810890521825]
  大規模言語モデル(LLM)は、自然言語理解の強化において、変革的な力として現れてきた。 LLMの応用は従来の言語境界を超えて、様々な科学分野で開発された専門的な言語システムを含んでいる。 AI for Science(AI for Science)のコミュニティで急成長している分野として、科学LLMは包括的な探査を義務付けている。
  論文  参考訳（メタデータ） (2024-01-26T05:33:34Z)
• HyperMiner: Topic Taxonomy Mining with Hyperbolic Embedding [54.52651110749165]
  本稿では,単語や話題を表現するために,メタボリック埋め込みを導入した新しいフレームワークを提案する。 双曲空間のツリー様性により、下層のセマンティック階層はより解釈可能なトピックをマイニングするためによりうまく利用することができる。
  論文  参考訳（メタデータ） (2022-10-16T02:54:17Z)

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。