論文の概要: A Pathway for Assessing Grey Literature: Leveraging AI to Extract Conference Metadata and Organiser Information from Calls for Papers
- arxiv url: http://arxiv.org/abs/2608.24926v1
- Date: Wed, 19 Aug 2026 07:24:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.260051
- Title: A Pathway for Assessing Grey Literature: Leveraging AI to Extract Conference Metadata and Organiser Information from Calls for Papers
- Title（参考訳）: 灰色の文学を評価するための道:AIを活用して会議メタデータを抽出し、紙のコールからオーガナイザ情報を抽出する
- Abstract要約: COCIはAIベースのフレームワークで、生のCfPテキストからきめ細かい構造化メタデータの抽出を自動化する。
カンファレンスのエディション、地理的な場所、オーガナイザの包括的リストを含む重要なデータポイントと、それらの特定の役割とアフィリエイトを識別する。
- 参考スコア（独自算出の注目度）: 13.667782195850043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite its importance, grey literature, including Calls for Papers (CfPs), remains largely overlooked in Metascience and Scientometric analysis due to its unstructured, highly heterogeneous format, which traditional tools struggle to process at scale. However, Large Language Models now offer a pivotal opportunity to devise innovative tools for systematically harvesting and processing such data. In this paper, we introduce COCI, an AI-based framework that automates the extraction of granular, structured metadata from raw CfP text. COCI employs a multi-stage pipeline for entity extraction, followed by author disambiguation against OpenAlex and semantic mapping of topics and conference series. This process identifies key data points, including conference editions, geographic locations, and comprehensive lists of organisers, along with their specific roles and affiliations. By structuring this previously inaccessible information, COCI establishes a foundation for the systematic analysis of grey literature, enabling new research opportunities and shifting the scholarly focus towards non-publisher-based events.
- Abstract（参考訳）: その重要性にもかかわらず、CfPs(Calls for Papers)を含むグレーの文学は、従来のツールが大規模に処理するのに苦労する非構造的で非常に異質なフォーマットのため、メタサイエンスやサイエントメトリ分析においてほとんど見落とされ続けている。
しかし、Large Language Modelsは、このようなデータを体系的に収集、処理するための革新的なツールを考案する重要な機会を提供する。
本稿では,生のCfPテキストから粒状で構造化されたメタデータを自動抽出する,AIベースのフレームワークであるCOCIを紹介する。
COCIは、エンティティ抽出にマルチステージパイプラインを使用し、続いてOpenAlexに対する著者の曖昧さとトピックとカンファレンスシリーズのセマンティックマッピングが続く。
このプロセスは、カンファレンスのエディション、地理的位置、オーガナイザの包括的リストを含む重要なデータポイントと、それらの特定の役割と関連を識別する。
それまでアクセスできない情報を構造化することによって、COCIはグレー文学の体系的な分析の基礎を確立し、新たな研究機会を可能にし、学術的な焦点を非出版者ベースの出来事にシフトさせる。
関連論文リスト
- COCI: Conference Organisers and Content Identifier [13.667782195850043]
COCIはAIベースのフレームワークで、生のCfPテキストからきめ細かい構造化メタデータを抽出するように設計されている。
著者を曖昧にし、トピックやカンファレンスシリーズを意味的に整合させることで、COCIは非公式な学術的普及とセマンティックウェブリソースのギャップを埋める。
論文 参考訳（メタデータ） (2026-08-25T13:43:53Z) - Agentic Framework for Political Biography Extraction [9.184622839699152]
大規模言語モデル(LLM)を用いて,多次元のエリートバイオグラフィーの抽出を自動化する。
我々は,Web環境において,エージェントシステムは人間の集合的知性よりも,Webリソースからより多くの情報を合成することを示す。
論文 参考訳（メタデータ） (2026-02-23T17:34:23Z) - LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。
LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。
我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
論文 参考訳（メタデータ） (2025-10-28T17:58:18Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - 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) - A Hybrid AI Methodology for Generating Ontologies of Research Topics from Scientific Paper Corpora [6.384357773998868]
Sci-OGは研究トピックを生成するための半自動的な方法論である。
本稿では,研究トピックを生成するための半自動設計手法であるSci-OGを提案する。
提案手法は,21,649件の注釈付きセマンティック・トリプルのデータセットを用いて,様々な代替ソリューションに対して評価する。
論文 参考訳（メタデータ） (2025-08-06T08:48:14Z) - Customized Information and Domain-centric Knowledge Graph Construction with Large Language Models [0.0]
本稿では,構造化情報へのタイムリーなアクセスを実現するための知識グラフに基づく新しいアプローチを提案する。
本フレームワークは,情報検索,キーフレーズ抽出,セマンティックネットワーク生成,トピックマップ可視化などを含むテキストマイニングプロセスを含む。
当社の方法論を自動車電気システムの領域に適用して,スケーラブルなアプローチを実証する。
論文 参考訳（メタデータ） (2024-09-30T07:08:28Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - Incremental hierarchical text clustering methods: a review [49.32130498861987]
本研究の目的は,階層的および漸進的クラスタリング技術の解析である。
本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
論文 参考訳（メタデータ） (2023-12-12T22:27:29Z) - Interactive Distillation of Large Single-Topic Corpora of Scientific
Papers [1.2954493726326113]
より堅牢だが時間を要するアプローチは、主題の専門家が文書を手書きするデータセットを構成的に構築することである。
ここでは,学術文献のターゲットデータセットを構築的に生成するための,機械学習に基づく新しいツールを紹介する。
論文 参考訳（メタデータ） (2023-09-19T17:18:36Z)
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。