論文の概要: ARISMA: Guidelines for AI- and LLM-Assisted Systematic Reviews, Scoping Reviews, and Mapping Studies
- arxiv url: http://arxiv.org/abs/2608.25050v1
- Date: Tue, 25 Aug 2026 18:40:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.413029
- Title: ARISMA: Guidelines for AI- and LLM-Assisted Systematic Reviews, Scoping Reviews, and Mapping Studies
- Title（参考訳）: ARISMA:AIとLLMによるシステムレビュー、スコーピングレビュー、マッピング研究のガイドライン
- Abstract要約: 本稿では,ARISMA(AI Reporting and Integration Standard for Systematic Methods and Analysis)を提案する。
AIを、自律的なレビュアーではなく、検査、ベンチマーク、ログ、可逆的なアシスタントとして扱う。
この論文は、ライフサイクル分類、プロセスガイダンス、レビューパイプライン全体にわたるステップワイズレコメンデーション、ガバナンスと証明モデル、AI統合レポートチェックリスト、バリデーションマトリックスに貢献する。
- 参考スコア（独自算出の注目度）: 0.7734726150561086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Systematic reviews, scoping reviews, mapping studies, and related evidence syntheses are increasingly difficult to conduct with fully manual workflows as search volumes, update cycles, and synthesis requirements continue to expand. At the same time, artificial intelligence, machine learning, and large language models are rapidly entering review practice across query formulation, screening, extraction, categorization, appraisal support, and reporting. Yet the empirical evidence remains uneven, task-dependent, and insufficient to justify unconstrained automation. Existing standards such as PRISMA 2020, PRISMA-S, PRISMA-ScR, PRISMA-P, PRESS, and SWiM remain essential, but none provides an end-to-end operational standard for when AI use is methodologically appropriate, how it should be validated, which review decisions must remain human-led, and how AI involvement should be reported so that readers can audit it. This paper proposes ARISMA, an AI Reporting and Integration standard for Systematic Methods and Analysis. ARISMA treats AI as an inspected, benchmarked, logged, and reversible assistant rather than an autonomous reviewer. It is built around one governing principle: every consequential scientific decision must remain human-interpretable, human-auditable, and human-accountable. The paper contributes a lifecycle taxonomy, process guidance, stepwise recommendations across the review pipeline, a governance and provenance model, a tool-support framework, an AI-integrated reporting checklist, and a validation matrix. It also addresses legal, privacy, infrastructure, and sustainability considerations. The framework was iteratively refined through structured expert consultation. The result is a practical and auditable guideline for responsible AI-assisted evidence synthesis.
- Abstract（参考訳）: 体系的なレビュー、スコーピングレビュー、マッピング研究、関連するエビデンス合成は、検索ボリューム、更新サイクル、合成要求が拡大し続けているため、完全に手動で行うことがますます困難になっている。
同時に、人工知能、機械学習、および大規模言語モデルは、クエリの定式化、スクリーニング、抽出、分類、評価サポート、レポートを通じて、急速にレビューの実践に入りつつある。
しかし、実証的な証拠は不均一で、タスクに依存しており、制約のない自動化を正当化するには不十分です。
PRISMA 2020、PRISMA-S、PRISMA-ScR、PRISMA-P、press、SWiMといった既存の標準は依然として必須だが、AIの使用が方法論的に適切である場合、どのように検証されるべきか、レビュー決定は人間主導のままでなければならないか、読者がそれを監査できるようにAIの関与を報告すべきかどうか、エンドツーエンドの運用標準を提供するものはない。
本稿では,ARISMA(AI Reporting and Integration Standard for Systematic Methods and Analysis)を提案する。
ARISMAはAIを、自律的なレビュアーではなく、検査、ベンチマーク、ログ、可逆的なアシスタントとして扱う。
すべての連続的な科学的決定は、人間解釈可能、人間監査可能、人間可算でなければならない。
この論文は、ライフサイクル分類、プロセスガイダンス、レビューパイプライン全体のステップワイズレコメンデーション、ガバナンスと前例モデル、ツールサポートフレームワーク、AI統合レポートチェックリスト、バリデーションマトリックスに貢献する。
また、法的、プライバシー、インフラ、持続可能性の考慮にも対処する。
フレームワークは構造化された専門家の協議を通じて反復的に洗練されました。
その結果は、AI支援エビデンス合成に責任を負うための実用的で監査可能なガイドラインである。
関連論文リスト
- RAIL: An Automatic Classifier of the Artificial Intelligence Readiness Level [0.0]
人工知能技術の成熟度を評価することは、投資決定、プロジェクト管理、政策監視に不可欠である。
利用可能な準備性フレームワークは異種であり、自動的に適用するのは難しい。
まず、これらの3つのフレームワークを、環境証拠のはしごの上に構築された9レベルのスケールである、統一AI準備レベル(AIRL)に統合する。
第2に,このスケールを運用するパネル・オブ・エキスパートの分類器であるRAILを提案する。
論文 参考訳（メタデータ） (2026-08-13T16:17:41Z) - A Practice Auditing Framework for Large Language Model Use: Collective Empiricism, Pseudo-Rational Cognition, and Governance of AI-Generated Content [9.414394075880033]
本稿では,LLM利用とAI生成コンテンツガバナンスのための実践監査フレームワークを提案する。
本稿は,AIの主観的錯覚,入力材料における主観的構造,AI-AI会話におけるテンプレートループ,AIGC検出における統計的誤判断,生成したコンテンツが将来的なコンテキストに入る際のメモリ汚染を解析する。
論文 参考訳（メタデータ） (2026-06-02T00:46:47Z) - AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。
我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。
本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
論文 参考訳（メタデータ） (2026-05-22T03:40:30Z) - 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) - When AI reviews science: Can we trust the referee? [73.47745294608072]
私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。
評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
論文 参考訳（メタデータ） (2026-04-26T08:03:32Z) - Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。
我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
論文 参考訳（メタデータ） (2025-12-16T18:51:23Z) - AIssistant: An Agentic Approach for Human--AI Collaborative Scientific Work on Reviews and Perspectives in Machine Learning [2.464267718050055]
ここでは、AIssistantを用いた最初の実験を、機械学習の研究論文の視点とレビューのために提示する。
本システムでは,文学,セクションワイド実験,引用管理,自動文書生成のためのモジュールツールとエージェントを統合している。
その効果にもかかわらず、幻覚的引用、動的紙構造への適応の困難、マルチモーダルコンテンツの不完全統合など、重要な制限を識別する。
論文 参考訳（メタデータ） (2025-09-14T15:50:31Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - ROSCOE: A Suite of Metrics for Scoring Step-by-Step Reasoning [63.77667876176978]
大規模言語モデルでは、最終回答を正当化するためにステップバイステップの推論を生成するように促された場合、ダウンストリームタスクの解釈可能性が改善されている。
これらの推論ステップは、モデルの解釈可能性と検証を大幅に改善するが、客観的にそれらの正確性を研究することは困難である。
本稿では、従来のテキスト生成評価指標を改善し拡張する、解釈可能な教師なし自動スコアのスイートであるROSを提案する。
論文 参考訳（メタデータ） (2022-12-15T15:52:39Z) - Multisource AI Scorecard Table for System Evaluation [3.74397577716445]
本稿では、AI/機械学習(ML)システムの開発者およびユーザに対して標準チェックリストを提供するマルチソースAIスコアカードテーブル(MAST)について述べる。
本稿では,インテリジェンス・コミュニティ・ディレクティブ(ICD)203で概説されている分析的トレードクラフト標準が,AIシステムの性能を評価するためのフレームワークを提供する方法について考察する。
論文 参考訳（メタデータ） (2021-02-08T03:37:40Z)
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。