論文の概要: AI-Ready Research Workflows in Computational Social Science: Lessons on Building a Shared Language for Interdisciplinary Collaboration
- arxiv url: http://arxiv.org/abs/2608.24914v1
- Date: Mon, 27 Jul 2026 09:02:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 05:49:59.247591
- Title: AI-Ready Research Workflows in Computational Social Science: Lessons on Building a Shared Language for Interdisciplinary Collaboration
- Title（参考訳）: 計算社会科学におけるAI対応研究ワークフロー:学際的コラボレーションのための共通言語構築の教訓
- Abstract要約: 我々は、Science and Technology StudiesユニットがOpenAlexをクエリし、分析し、強化できるワークフローを構築するための2年間の取り組みについて報告する。
主な課題は、ドメイン固有の研究質問をエンジニアリング要件に翻訳することでした。
- 参考スコア（独自算出の注目度）: 31.33731311675717
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Artificial intelligence (AI) is gaining traction in the social sciences and humanities (SSH). However, adoption remains limited by technical barriers to high-performance computing (HPC), validation processes that lag behind AI's rapid progress, and reproducibility standards that most SSH teams cannot meet. Research workflows--common in the life sciences--address these problems via encoding and abstracting technical complexity into repeatable routines; yet, accounts of how to build them in SSH remain scarce. We report on a two-year effort to build a workflow that enables a Science and Technology Studies unit to query, analyze, and enrich OpenAlex--a database of some 460 million scholarly records--on the MareNostrum supercomputer, using methods ranging from large-scale bibliometrics to LLM-based classification. We found the main challenge was translating domain-specific research questions into engineering requirements -- bridging two distinct methodological languages, with implications that were both organizational and technical. Organizationally, it meant adopting and adapting Agile to the research rhythm and pace, and reframing collaboration from a service arrangement to a co-design process. Technically, model-driven engineering was as valuable for collaboration as it was for automation; co-building the model facilitated both the creation of a shared vocabulary and the abstraction of HPC complexity. Finally, we highlight limitations we found in validation, reproducibility, and FAIR metadata -- beyond what any single project can sustain -- calling for coordinated, cross-institutional investment in the tooling and standards needed for AI-ready SSH workflows sustainable at scale.
- Abstract（参考訳）: 人工知能(AI)は社会科学と人文科学(SSH)で注目を集めている。
しかし、ハイパフォーマンスコンピューティング(HPC)の技術的障壁、AIの急速な進歩に遅れた検証プロセス、ほとんどのSSHチームが満たせない再現性基準によって採用は制限されている。
研究のワークフロー — ライフサイエンスでよく見られる — は、技術的複雑さを繰り返し可能なルーチンにエンコードして抽象化することで、これらの問題を解決している。
我々は,大規模バイオロメトリからLLMに基づく分類まで,約4億6000万の学術記録のデータベースであるOpenAlexを検索,解析,強化するワークフローを構築するための2年間の取り組みを,MareNostrumスーパーコンピュータ上で報告する。
主な課題は、ドメイン固有の研究質問をエンジニアリング要件に翻訳することでした。
組織的には、調査のリズムとペースにアジャイルを採用し、適応し、サービスアレンジメントから共同設計プロセスへのコラボレーションをフレーミングすることを意味しました。
モデルは共有語彙の作成とHPC複雑性の抽象化の両方を促進する。
最後に、検証や再現性、FAIRメタデータなど、単一のプロジェクトが維持できるもの以外の、AI対応のSSHワークフローを大規模に維持するために必要なツールや標準に対する、コーディネートされた組織横断的な投資の制限を強調します。
関連論文リスト
- GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing [13.436656977622691]
大規模言語モデル(LLM)は、一般的なソフトウェア工学における同等のR&D作業を数日から数分で圧縮した。
本稿では,エージェント人工知能(AI)フレームワークであるgenESISについて述べる。
論文 参考訳（メタデータ） (2026-05-26T17:58:43Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - Towards AI-Supported Research: a Vision of the TIB AIssistant [6.36260975777314]
我々は、領域に依存しない人間と機械の協調プラットフォームであるTIB AIsistantのビジョンを提示する。
提案手法の有効性と潜在的な影響を実証する早期プロトタイプのコンセプトフレームワーク,システムアーキテクチャ,実装について述べる。
論文 参考訳（メタデータ） (2025-12-18T12:08:46Z) - AI Sprints: Towards a Critical Method for Human-AI Collaboration [0.0]
本稿では, 私が「AIスプリント」と呼ぶものを通して,新たな人文主義的探究の可能性を紹介する。
反復的開発におけるループが、生成AIがもたらす大きな変革を認識しながら、データやスプリント方法論をいかに厳格に適用できるかを実演します。
本論文は,AI強化研究のための実践的方法論と,このハイブリッド手法の変換を理解するための理論的枠組みの両立に寄与する。
論文 参考訳（メタデータ） (2025-12-13T15:56:11Z) - Accelerating scientific discovery with the common task framework [48.92654976046941]
機械学習(ML)と人工知能(AI)アルゴリズムは、工学、物理、生物学における動的システムの特性と制御を変換している。
これらの新しいモデリングパラダイムは、様々な科学的目的を評価するために比較指標を必要とする。
科学と工学のための共通タスクフレームワーク(CTF)を導入する。
論文 参考訳（メタデータ） (2025-11-06T02:53:07Z) - WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents [72.28593628378991]
WebResearcherは、マルコフ決定プロセスとしてディープリサーチを再構築する反復的なディープリサーチパラダイムである。
WebResearcherは最先端のパフォーマンスを実現し、フロンティアのプロプライエタリシステムを超えています。
論文 参考訳（メタデータ） (2025-09-16T17:57:17Z) - Large Language Models for Orchestrating Bimanual Robots [19.60907949776435]
本稿では,Language-based Bimanual Orchestration (LABOR)を提案する。
NICOLヒューマノイドロボットを用いた2種類の長距離作業のシミュレーション実験により,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-04-02T15:08:35Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳（メタデータ） (2021-01-15T10:43:10Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。