論文の概要: Quantitative Evidence Mining for Plausibility-Aware Biomedical AI
- arxiv url: http://arxiv.org/abs/2608.30393v1
- Date: Mon, 31 Aug 2026 07:48:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.293543
- Title: Quantitative Evidence Mining for Plausibility-Aware Biomedical AI
- Title（参考訳）: 可視性を考慮したバイオメディカルAIのための定量的エビデンスマイニング
- Abstract要約: 我々は量的証拠採掘へのシフトを主張する。
我々は、抽出されたクレームを監査可能なエビデンスオブジェクトとして扱う、可否認識AIのためのフレームワークの概要を述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biomedical artificial intelligence (AI) systems increasingly extract, organize, and reuse scientific claims from literature, clinical trials, and regulatory documents. But automatic extraction alone does not make a claim reliable evidence: a claim becomes useful only when it can be traced to its source, linked to the quantitative details that support it, and read within its biomedical context and uncertainty. This matters as large language models (LLMs) and increasingly autonomous systems drive evidence synthesis, knowledge graph (KG) construction, and decision support. Many text-mining and LLM pipelines remain relation-centric: they capture entities and relations such as Drug--TREATS--Disease, but drop the dose, effect size, population, comparator, uncertainty, and conditions under which a claim holds. Such relations can look actionable yet remain hard to verify, compare, or reuse. In this perspective, we argue for a shift toward quantitative evidence mining---extracting values, units, measured entities and properties, context, uncertainty, provenance, and plausibility as structured evidence units that populate evidence-aware KGs and can be checked for source grounding, unit consistency, completeness, and biological plausibility. We outline a framework for plausibility-aware AI that treats extracted claims not as final answers but as auditable evidence objects, making clear what was measured, how much it changed, in which setting, with what uncertainty, and from which source. The central risk is not only incorrect extraction, but claims that look like evidence while lacking the structure needed to trust them.
- Abstract（参考訳）: バイオメディカル人工知能(AI)システムは、文学、臨床試験、および規制文書から科学的な主張を抽出し、整理し、再利用する。
しかし、自動抽出だけでは、信頼できる証拠は得られない:クレームは、そのソースに辿り着くことができ、それをサポートする量的詳細に関連付けられ、そのバイオメディカルな文脈と不確実性の中で読み取られるようになる。
これは、大規模言語モデル(LLM)と、ますます自律的なシステムがエビデンス合成、知識グラフ(KG)の構築、意思決定支援を促進するためである。
多くのテキストマイニングとLLMパイプラインは、関係中心であり、薬物-TREATS-Diseaseのような実体や関係をキャプチャするが、クレームが保持する条件、投与量、効果サイズ、人口、コンパレータ、不確実性、および条件を下げる。
このような関係は実行可能であるように見えるが、検証、比較、再利用は困難である。
この観点から、定量的証拠マイニングへのシフトを議論する。-証拠を蓄積する構造的証拠単位として、価値、単位、測定された実体と性質、文脈、不確実性、証明、妥当性を抽出し、根拠的根拠付け、単位整合性、完全性、生物学的妥当性を確認することができる。
抽出されたクレームを最終回答ではなく、監査可能なエビデンスオブジェクトとして扱い、何が測定されたのか、どの程度の変化したのか、どの設定で、どの不確実性、どのソースから来たのかを明確にする。
中心的なリスクは、誤った抽出であるだけでなく、それらを信頼するために必要な構造が欠如している証拠のように見える、と主張している。
関連論文リスト
- EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards [73.12811119273206]
我々は,包括的調査を通じて科学的エージェントを評価するベンチマークであるEarthVerseを紹介する。
エージェントは異種イベントパッケージを検査し、互換性のあるエビデンスを選択し、透過的な計算を実行し、ソース差を調整し、最終回答で証明を保存する。
システム全体では、平均回答ユニットの精度は84.65%であり、最も高いStrict@95は34.81%である。
論文 参考訳（メタデータ） (2026-08-24T17:29:16Z) - 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) - SciLens: Multi-modal Scientific Claim Verification with Agentic Entailment and Grounding [63.71245376513854]
SciLensは、マルチモーダルな科学的クレーム検証のためのエビデンス条件の原子包含フレームワークである。
SciLensは、それぞれの主張を中央の経験的原子と背景の原子に分解し、中央の原子をモダリティ固有の証拠として根拠付け、最終的なラベルを予測する。
表では、原子は行、列、セル、算術関係、テーブルスコープに接地され、図ではパネル、軸、伝説、視覚的エンコーディング、カテゴリー、傾向、ランク、等式チェックによって接地される。
論文 参考訳（メタデータ） (2026-06-18T19:02:17Z) - BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering [28.39203052317792]
BELIEFは、バイオメディカル質問応答のための構造化されたエビデンスモデリングと不確実性を考慮した融合フレームワークである。
検索した文書を、臨床属性、ソース品質、質問関連性、サポート強度、および関連する仮説を記録するエビデンスオブジェクトに変換する。
BelIEFは、エビデンス構造、パスの不一致、決定の不確実性を明確にすることで、検索エビデンス利用を改善する。
論文 参考訳（メタデータ） (2026-05-17T12:58:55Z) - CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。
本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。
我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-26T19:17:39Z) - Contradiction to Consensus: Dual Perspective, Multi Source Retrieval Based Claim Verification with Source Level Disagreement using LLM [0.17188280334580197]
事実確認と呼ばれるクレーム検証は、潜在的な誤情報を特定するのに役立つ。
ほとんどの自動クレーム検証システムは単一の知識源に依存している。
オープンドメインのクレーム検証のための新しいシステムを提案する。
論文 参考訳（メタデータ） (2026-02-21T02:21:31Z) - 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) - 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) - Retrieve to Explain: Evidence-driven Predictions for Explainable Drug Target Identification [0.791663505497707]
Retrieve to Explain (R2E) は検索に基づくモデルで、可能なすべての回答をスコア付けし、ランク付けする。
R2Eはそれぞれの答えを、その裏付けとしてのみ表現し、答え自体が隠蔽されている。
薬物標的同定の挑戦的科学的発見課題としてR2Eを開発した。
論文 参考訳（メタデータ） (2024-02-06T15:13:17Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z)
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。