論文の概要: SGHA: Evidence-Grounded Research Problem Discovery with Local Language Models

• arxiv url: http://arxiv.org/abs/2608.17501v1
• Date: Tue, 18 Aug 2026 08:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.265371
• Title: SGHA: Evidence-Grounded Research Problem Discovery with Local Language Models
• Title（参考訳）: SGHA: ローカル言語モデルによるエビデンスを取り巻く研究課題発見
• Abstract要約: 本稿では,完全に自動化されたコーパスファースト研究プロブレム発見システムであるStructure Gap hypothesis Agent (SGHA)を紹介する。 SGHAは、科学的文献コーパスをエビデンスにリンクされた紙のオブジェクトと型付きエビデンスグラフに構造化し、紙にまたがる未解決の構造パターンを検出し、定式化前の候補ギャップを遮蔽し、追跡可能な研究結果の家族を生成する。 以上の結果から,エビデンスに制約のある明示的なコーパス構造は,生成や検証においてフロンティアモデルに頼らずに,有望で検査可能なリサーチ・プロブレムの定式化を支援することが示唆された。
• 参考スコア（独自算出の注目度）: 7.260616084665585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent efforts toward fully automated AI scientists have demonstrated that language-model agents can generate hypotheses, execute experiments, and draft scientific manuscripts. However, during the early stages of research, when research problems are formulated, these AI scientists often rely heavily on proprietary frontier models. Their proposals are shaped by opaque parametric knowledge and by literature searches conditioned on the proposals themselves. Such knowledge is effectively a black box, and this dependence makes the evidential basis and validity of generated research problems difficult to audit and leaves the process vulnerable to model-specific hallucinations and biases. Furthermore, if proprietary research materials are transmitted to external APIs, the use of these models creates confidentiality, privacy, and data-governance concerns. We introduce the Structural Gap Hypothesis Agent (SGHA), a fully automated, corpus-first research-problem discovery system that runs entirely on a local LLM. SGHA structures a scientific literature corpus into evidence-linked paper objects and a typed evidence graph, detects unresolved structural patterns across papers, screens candidate gaps before formulation, and produces traceable research-problem families. In particular, it is able to output assumptions, objectives, success criteria, and remaining ambiguities. All LLM-based components of SGHA are executed using a locally served open-weight 9B language model, without requiring proprietary frontier-model APIs. We compare SGHA with the AI Scientist-v2 idea formulation module in five machine-learning domains. Our results suggest that explicit corpus structure and evidence-constrained reasoning can support promising, inspectable research-problem formulation without relying on frontier models during generation or verification.
• Abstract（参考訳）: 完全に自動化されたAI科学者に対する最近の取り組みは、言語モデルエージェントが仮説を生成し、実験を行い、科学的原稿を起草できることを実証している。 しかし、研究の初期段階では、研究の問題を定式化する場合、これらのAI科学者はプロプライエタリなフロンティアモデルに大きく依存することが多い。 彼らの提案は不透明なパラメトリック知識と、提案自体に条件づけられた文献検索によって形成されている。 このような知識は事実上ブラックボックスであり、この依存は生成された研究問題の明らかな基礎と妥当性を監査し難くし、モデル固有の幻覚や偏見に弱いままにしておく。 さらに、プロプライエタリな研究資料が外部APIに送信される場合、これらのモデルを使用することで、機密性、プライバシ、データガバナンスに関する懸念が生じる。 完全に自動化されたコーパスファーストの研究プロブレム発見システムであるStructure Gap hypothesis Agent (SGHA)を紹介した。 SGHAは、科学文献コーパスをエビデンスにリンクされた紙のオブジェクトと型付きエビデンスグラフに構造化し、紙にまたがる未解決の構造パターンを検出し、定式化前の候補ギャップを遮蔽し、追跡可能な研究結果の家族を生成する。 特に、仮定、目的、成功基準、そして残りの曖昧さを出力することができる。 SGHAの全てのLCMベースのコンポーネントは、プロプライエタリなフロンティアモデルAPIを必要とせずに、ローカルに提供されるオープンウェイト9B言語モデルを使用して実行される。 SGHAとAI Scientist-v2のアイデア定式化モジュールを5つの機械学習ドメインで比較する。 以上の結果から,エビデンスに制約のある明示的なコーパス構造は,生成や検証においてフロンティアモデルに頼らずに,有望で検査可能なリサーチ・プロブレムの定式化を支援することが示唆された。

関連論文リスト

• Self-prompting and cross-model consensus enable reproducible data extraction from scientific literature with large language models [0.0]
  ブラウザベースの大規模言語モデル(LLM)は、研究論文から高度に文脈化された情報を抽出する。 キュレーションの段階は、専門家によるキュレーションプロンプト、簡単な指示、文献の自律的な発見、新しいデータセットの4つである。 これらの知見は、専門家がエビデンス標準を規定し、モデルが繰り返し抽出を相互チェックし、研究者が紛争の解決を行う、監査可能な労働区分を定義している。
  論文  参考訳（メタデータ） (2026-08-19T15:20:11Z)
• Personalized Auto-Research: Towards a True AI Co-Scientist [90.01790420664169]
  研究目標を考えると、最先端のシステムは研究者に依存しないままである。 小説、価値、実現可能なものは研究者によって異なる。 本稿では,検索,仮説探索,実験,執筆,レビューを通じて,グラフグラウンドの研究者コンテキストをスレッド化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-14T20:43:27Z)
• ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
  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。
  論文  参考訳（メタデータ） (2026-08-03T14:47:03Z)
• AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
  研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。 我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。 障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
  論文  参考訳（メタデータ） (2026-05-18T17:08:26Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• GAPMAP: Mapping Scientific Knowledge Gaps in Biomedical Literature Using Large Language Models [2.770730728142587]
  本研究では,生物医学文献における研究知識ギャップを同定する大規模言語モデルの能力について検討する。 明示的なギャップ、不明な知識の明確な宣言、暗黙的なギャップ、文脈推論された不足した知識の2つのカテゴリを定義します。 バイオメディカルな論文を手動で注釈付けしたコーパスを含む,4つのデータセットにわたる約1500の文書に対して2つの実験を行った。
  論文  参考訳（メタデータ） (2025-10-29T00:46:45Z)
• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• Large Language Model-Based Agents for Automated Research Reproducibility: An Exploratory Study in Alzheimer's Disease [1.9938547353667109]
  我々は、National Alzheimer's Coordinating Centerの“Quick Access”データセットを使用しました。 NACCデータを用いて,高度に引用された論文を同定した。 コードの記述と実行を担当するLLMベースの自律エージェントのシミュレーション研究チームを作成しました。
  論文  参考訳（メタデータ） (2025-05-29T01:31:55Z)
• Improving Scientific Hypothesis Generation with Knowledge Grounded Large Language Models [20.648157071328807]
  大規模言語モデル(LLM)は、既存の知識を分析することによって、新しい研究の方向性を特定することができる。 LLMは幻覚を発生させる傾向がある。 我々は,知識グラフから外部構造的知識を統合することで,LLM仮説の生成を促進するシステムKG-CoIを提案する。
  論文  参考訳（メタデータ） (2024-11-04T18:50:00Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• A Reliable Knowledge Processing Framework for Combustion Science using Foundation Models [0.0]
  この研究は、多様な燃焼研究データを処理し、実験研究、シミュレーション、文献にまたがるアプローチを導入している。 開発されたアプローチは、データのプライバシと精度を最適化しながら、計算と経済の費用を最小化する。 このフレームワークは、最小限の人間の監視で、常に正確なドメイン固有の応答を提供する。
  論文  参考訳（メタデータ） (2023-12-31T17:15:25Z)
• SciMON: Scientific Inspiration Machines Optimized for Novelty [68.46036589035539]
  文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。 モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。 本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
  論文  参考訳（メタデータ） (2023-05-23T17:12:08Z)

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。