Fugu-MT 論文翻訳(概要): Generating Biomedical Fact-Checking Reports with RL-Enhanced Agentic Search

論文の概要: Generating Biomedical Fact-Checking Reports with RL-Enhanced Agentic Search

arxiv url: http://arxiv.org/abs/2608.23811v1
Date: Mon, 24 Aug 2026 20:25:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.57746
Title: Generating Biomedical Fact-Checking Reports with RL-Enhanced Agentic Search
Title（参考訳）: RL増強剤検索による医用Fact-Checkingレポートの作成
Abstract要約: BioCheck Agentは、エージェント検索による構造化されたバイオメディカルファクトチェックレポートを生成する。エージェントはPubMedで高品質な科学文献を検索する。クオリティスコアは3.7%、幻覚率19.63%である。
参考スコア（独自算出の注目度）: 7.057804937676404
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated fact-checking is essential for ensuring the reliability of public health information, yet the biomedical domain poses unique challenges. Validating biomedical claims requires rigorous interpretation of scientific literature, assessment of retrieved evidence, and comprehensive justification toward the conclusion. Although Large Language Models (LLMs) enhanced by Retrieval-Augmented Generation (RAG) and agentic search perform automated fact-checking in a retrieve-then-verify paradigm, current methods still output isolated prediction labels, lacking explanatory depth and offers limited utility for human understanding. To bridge this gap, we introduce an LLM-based agent named BioCheck Agent that generates structured biomedical fact-checking reports with agentic search. Rather than merely outputting supported or refuted labels, our agent synthesizes final conclusions with retrieved evidence and rigorous analysis. To ensure domain-specific accuracy, BioCheck Agent exclusively searches high-quality scientific literature in PubMed, utilizing advanced Boolean search operators. Recognizing that direct prompting often results in hallucinations and low-quality reports, especially for lightweight open-source models, we further propose the Evidence-Grounded Group Relative Policy Optimization (EG-GRPO) to perform reinforcement learning on BioCheck Agent with a task-specific reward that incentivizes advanced search behavior and high-quality evidence retrieval while penalizing hallucinations. Our experimental results show that compared to the base model Qwen3.5-4B, BioCheck Agent with EG-GRPO improves label prediction accuracy on SciFact by 9.95%. Furthermore, it achieves a 3.7% higher evidence quality score and a 19.63% lower evidence hallucination rate, demonstrating its ability to generate biomedical fact-checking reports with improved accuracy and quality.
Abstract（参考訳）: 公衆衛生情報の信頼性を確保するためには、自動ファクトチェックが不可欠であるが、バイオメディカルドメインには固有の課題がある。バイオメディカル・クレームの検証には、科学的文献の厳密な解釈、回収された証拠の評価、結論に対する包括的な正当化が必要である。 Retrieval-Augmented Generation (RAG) とエージェントサーチによって強化されたLarge Language Models (LLMs) は、検索を検証したパラダイムで自動ファクトチェックを行うが、現在の手法では説明の深さが不足し、人間の理解に限界がある。このギャップを埋めるため, LLM をベースとした BioCheck Agent というエージェントを導入し, エージェント検索による構造化されたバイオメディカル事実チェックレポートを生成する。我々のエージェントは、単に支持されたラベルや反証されたラベルを出力するのではなく、得られた証拠と厳密な分析で最終結論を合成する。ドメイン固有の精度を確保するため、BioCheck Agentは高度なブール探索演算子を利用してPubMedの高品質な科学文献を検索する。直接的プロンプトが幻覚や低品質な報告をもたらすこと,特に軽量なオープンソースモデルにおいて,我々はさらに,高度な探索行動や高品質な証拠検索を刺激するタスク固有の報酬を伴って,BioCheck Agent上で強化学習を行うためのEvidence-Grounded Group Relative Policy Optimization (EG-GRPO)を提案する。実験の結果,ベースモデルであるQwen3.5-4Bと比較して,EG-GRPOを用いたBioCheck Agentでは,SciFactのラベル予測精度が9.95%向上した。さらに、3.7%高い証拠品質スコアと19.63%低い証拠幻覚率を達成し、精度と品質を改善したバイオメディカルな事実チェックレポートを生成する能力を示している。

関連論文リスト

When Retrieval Helps and Distracts: Evaluating Evidence-Generating LLMs for Biomedical Claim Verification [0.17188280334580197]
バイオメディカルおよびヘルスファクトチェックを行う5つの情報源にまたがる統合ベンチマークであるCARE-XAIについて,このエビデンス生成環境について検討した。 Bio-GRACEは、検索ユーティリティがソースに依存し、選択的検索を動機付け、なぜ検索リコールと語彙的証拠の重複がバイオメディカルな事実チェックに不十分であるかを明らかにする。
論文参考訳（メタデータ） (2026-08-02T17:43:28Z)
HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文参考訳（メタデータ） (2026-07-27T23:50:46Z)
BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature [53.894504720119805]
生物活性データ抽出のためのマルチモーダル抽出フレームワークであるBioMinerを紹介する。 BioMinerでは、生物活性セマンティクスは直接推論によって推測され、化学構造は化学構造に基づく視覚的セマンティクス推論パラダイムによって解決される。厳密な評価と方法開発のために,500の出版物から得られた16,457の生物活性成分からなるベンチマークを構築した。
論文参考訳（メタデータ） (2026-04-23T10:11:56Z)
FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
論文参考訳（メタデータ） (2026-02-02T23:21:13Z)
MedTrust-RAG: Evidence Verification and Trust Alignment for Biomedical Question Answering [21.855579328680246]
MedTrust-Guided Iterative RAGは,医療用QAにおける事実整合性と幻覚を高めるためのフレームワークである。第一に、検索された医療文書に、すべての生成されたコンテンツを明示的に根拠付けることを要求することにより、引用認識推論を強制する。第2に、検証エージェントが証拠の妥当性を評価する反復的な検索検証プロセスを採用する。
論文参考訳（メタデータ） (2025-10-16T07:59:11Z)
Combating Biomedical Misinformation through Multi-modal Claim Detection and Evidence-based Verification [11.555285143713315]
CER(Combining Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。幻覚のリスクを効果的に軽減し、生成したアウトプットが検証可能なエビデンスベースの情報源で根拠付けられていることを保証する。
論文参考訳（メタデータ） (2025-09-17T10:31:09Z)
Combining Evidence and Reasoning for Biomedical Fact-Checking [11.555285143713315]
CER(Combin-ing Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。
論文参考訳（メタデータ） (2025-09-17T10:14:56Z)
Pub-Guard-LLM: Detecting Retracted Biomedical Articles with Reliable Explanations [11.082285990214595]
Pub-Guard-LLMは、バイオメディカルな論文の不正検出に適した、大規模な言語モデルベースのシステムである。 Pub-Guard-LLMは、様々なベースラインのパフォーマンスを一貫して上回る。科学的不正検出における検出性能と説明可能性の両方を向上させることで、Pub-Guard-LLMは、新しい効果的なオープンソースツールによる研究完全性の保護に寄与する。
論文参考訳（メタデータ） (2025-02-21T12:54:56Z)
Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文参考訳（メタデータ） (2024-05-27T19:57:17Z)
Generating Scientific Claims for Zero-Shot Scientific Fact Checking [54.62086027306609]
科学言語の複雑さと大量のトレーニングデータが不足しているため、自動科学的事実チェックは困難である。科学的な文から1つ以上の原子的かつ検証可能なクレームを生成するための科学的クレーム生成を提案する。また, バイオメディカルクレームのゼロショット事実チェックにも有用であることを示す。
論文参考訳（メタデータ） (2022-03-24T11:29:20Z)

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。