論文の概要: UIC-AIHealth4All at ArchEHR-QA 2026: Answer-First Evidence Grounding for Clinical Question Answering
- arxiv url: http://arxiv.org/abs/2608.27467v1
- Date: Tue, 21 Jul 2026 20:29:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.39206
- Title: UIC-AIHealth4All at ArchEHR-QA 2026: Answer-First Evidence Grounding for Clinical Question Answering
- Title（参考訳）: UIC-AIHealth4All at ArchEHR-QA 2026: Answer-First Evidence Grounding for Clinical Question Answering
- Abstract要約: UIC-AIHealth4All System for ArchEHR-QA 2026について述べる。
本稿では,Subtasks 2 と 3 に対して,本モデルが完全な証拠を分類する前に,特定の音符文を引用した候補回答を生成するパイプラインを提案する。
サブタスク4では、5つの独立したモデルコールに対して自己整合性投票を適用し、投票閾値によるリンクを保持する。
パイプラインは証拠識別で3位(Strict Micro F1 62.90)、解答生成で9位(Overall 31.90)、解答証拠アライメントで5位(F1 79。
- 参考スコア（独自算出の注目度）: 10.390556117182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe the UIC-AIHealth4All system for ArchEHR-QA 2026, a shared task on grounded question answering from electronic health records. We participated in Subtasks 2 (evidence identification), 3 (answer generation), and 4 (answer-evidence alignment). For Subtasks 2 and 3, we propose an answer-first pipeline in which the model generates candidate answers citing specific note sentences before classifying the full evidence set, exploiting the asymmetry between judging relevance in the abstract versus relative to a generated answer. For Subtask 4, we apply self-consistency voting over five independent model calls, retaining links by vote threshold. Our pipeline ranked third on evidence identification (Strict Micro F1 62.90), ninth on answer generation (Overall 31.90), and fifth on answer-evidence alignment (F1 79.81). A post-hoc linguistic analysis of 45 stylistic features reveals that model outputs remain 3.2 Flesch-Kincaid grade levels harder to read than clinician-authored references despite matching their word and sentence counts, suggesting readability warrants explicit optimization in clinical NLP systems. Code and prompts are available at https://github.com/mo-arvan/archehr-qa-2026-uic-aihealth4all.
- Abstract（参考訳）: UIC-AIHealth4All System for ArchEHR-QA 2026について述べる。
調査対象は,Subtasks 2 (エビデンス識別), 3 (アビデンス生成), 4 (アライメントアライメント) であった。
サブタスク 2 と 3 に対し,本モデルでは,完全な証拠集合を分類する前に,特定の音符文を引用する候補回答を生成する。
サブタスク4では、5つの独立したモデルコールに対して自己整合性投票を適用し、投票閾値によるリンクを保持する。
パイプラインは証拠識別で3位(Strict Micro F1 62.90)、解答生成で9位(Overall 31.90)、解答証拠アライメントで5位(F1 79.81)であった。
45のスタイリスティックな特徴のポストホックな言語学的分析により、クリニカルNLPシステムにおける可読性保証は、単語と文数に一致しているにもかかわらず、モデルの出力がクリニカルが指定した基準よりも読みにくい3.2 Flesch-Kincaidグレードレベルのままであることが判明した。
コードとプロンプトはhttps://github.com/mo-arvan/archehr-qa-2026-uic-aihealth4all.comから入手できる。
関連論文リスト
- Neural at ArchEHR-QA 2026: One Method Fits All: Unified Prompt Optimization for Clinical QA over EHRs [2.7732306355664753]
本稿では,CL4Health@LREC 2026におけるArchEHR-QA 2026共有タスクについて述べる。
DSPy の MIPROv21.5 を用いて,タスクを独立したモジュールステージに分離し,ハイパフォーマンスなプロンプトを自動的に検出する。
論文 参考訳（メタデータ） (2026-05-11T17:27:30Z) - BIT.UA-AAUBS at ArchEHR-QA 2026: Evaluating Open-Source and Proprietary LLMs via Prompting in Low-Resource QA [65.22695574492265]
本稿では,ArchEHR-QA 2026共有タスクにおけるBIT.UAグループとAAUBSグループの共同参加について述べる。
トレーニングデータがないことと、医療領域に固有の厳格なデータプライバシー制約があるため、重み付けをせずにLLM(Large Language Models)の能力を調査する。
我々は、いくつかの最先端のプロプライエタリモデルと、様々な迅速なエンジニアリング戦略を用いて、ローカルにデプロイ可能なオープンソース代替品を評価した。
我々の結果は、プロプライエタリなモデルは変化を促す強力なレジリエンスを示す一方で、ドメイン適応型オープンソースモデル(MedGemma 3 27Bなど)は高い競争力を発揮することを示した。
論文 参考訳（メタデータ） (2026-05-05T10:43:56Z) - HealthNLP_Retrievers at ArchEHR-QA 2026: Cascaded LLM Pipeline for Grounded Clinical Question Answering [4.835744579415159]
本稿では,HealthNLP_Retrieversチームが開発したシステムについて述べる。
提案手法では,Gemini 2.5 Proの大規模言語モデルを利用した多段階カスケードパイプラインを使用する。
本アーキテクチャは,(1)患者問合せを要約する数発の問合せ修正ユニット,(2)臨床文章をリコールする動詞ベースのエビデンススコアラ,(3)専門職の回答を合成する接地応答生成器の4つの統合モジュールから構成される。
論文 参考訳（メタデータ） (2026-04-29T16:47:20Z) - Yale-DM-Lab at ArchEHR-QA 2026: Deterministic Grounding and Multi-Pass Evidence Alignment for EHR Question Answering [0.33054385258808067]
本稿では,ArchEHR-QA 2026共有タスクのためのYale-DM-Labシステムについて述べる。
このタスクスタディは、入院記録に関する患者による質問である。
開発セットの最高スコアはST4の88.81マイクロF1、ST2の65.72マクロF1、ST3の34.01、ST1の33.05である。
論文 参考訳（メタデータ） (2026-04-08T14:09:25Z) - QU-NLP at ArchEHR-QA 2026: Two-Stage QLoRA Fine-Tuning of Qwen3-4B for Patient-Oriented Clinical Question Answering and Evidence Sentence Alignment [1.0152838128195467]
本稿では,ArchEHR-QA共有タスクのサブタスク3(回答生成)とサブタスク4(証拠文アライメント)の両方に対処する統一システムを提案する。
Subtask 3では、4ビットNF4量子化でロードされたQwen3-4Bに2段階の量子化低ランク適応(QLoRA)を適用する。
Subtask 4では,相対しきい値付きBM25,TF-IDFコサイン類似度,微調整型クロスエンコーダの3種類の検索手法の重み付けアンサンブルを開発した。
論文 参考訳（メタデータ） (2026-03-26T11:24:13Z) - A Dataset for Addressing Patient's Information Needs related to Clinical Course of Hospitalization [15.837772594006038]
ArchEHR-QAは、集中治療室と救急部門の設定から現実の患者をベースとした、専門家による注釈付きデータセットである。
症例は、公衆衛生フォーラムへの患者による質問、臨床医が解釈した質問、関連する臨床ノートの抜粋、および臨床医が認可した回答である。
答えファーストのプロンプトアプローチは一貫して最善を尽くし、ラマ4は最高得点を獲得した。
論文 参考訳（メタデータ） (2025-06-04T16:55:08Z) - QUDSELECT: Selective Decoding for Questions Under Discussion Parsing [90.92351108691014]
Question Under Examination (QUD) は、暗黙の質問を用いて文間の会話関係を明らかにするための談話フレームワークである。
本稿では,QUD基準を考慮したQUD依存構造を選択的に復号する共同学習フレームワークであるQUDSELECTを紹介する。
提案手法は,人的評価において9%,自動評価において4%,最先端のベースラインモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-08-02T06:46:08Z) - HCQA @ Ego4D EgoSchema Challenge 2024 [51.57555556405898]
HCQAという,エゴセントリックなビデオ質問応答方式を提案する。
細粒度キャプション生成、コンテキスト駆動の要約、推論誘導解答の3段階で構成されている。
盲目テストセットでは、HCQAは5000以上の人間選択質問に答える精度が75%に達する。
論文 参考訳（メタデータ） (2024-06-22T07:20:39Z) - Open-domain Question Answering via Chain of Reasoning over Heterogeneous
Knowledge [82.5582220249183]
異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。
分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。
本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
論文 参考訳（メタデータ） (2022-10-22T03:21:32Z) - Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。
AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
論文 参考訳（メタデータ） (2022-01-16T06:20:07Z)
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。