Fugu-MT 論文翻訳(概要): CWF: A Collaborative Writing Framework for Personalized and Reliable Popular Science Writing

論文の概要: CWF: A Collaborative Writing Framework for Personalized and Reliable Popular Science Writing

arxiv url: http://arxiv.org/abs/2609.06126v1
Date: Sat, 05 Sep 2026 14:51:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.206211
Title: CWF: A Collaborative Writing Framework for Personalized and Reliable Popular Science Writing
Title（参考訳）: CWF: パーソナライズされた信頼性の高い大衆科学書記のための協調書記フレームワーク
Abstract要約: 我々は,認知レベルが異なる聴衆に科学的説明を適応させる新しいタスクである,パーソナライズド・信頼性の高いポピュラーサイエンス・ライティングを紹介する。これらの課題に対処するために、まず39,134項目のデータセットと、読者適応と事実精度を共同で評価する読者中心のパーソナライズド・サイエンス・コミュニケーション・ベンチマーク(PSCB)を構築した。
参考スコア（独自算出の注目度）: 7.365498362292651
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Personalized and Reliable Popular Science Writing, a novel task that requires adapting scientific explanations to audiences with different cognitive levels while preserving factual accuracy. However, improving personalization often introduces simplifications that increase the risk of hallucination and factual distortion. To address these challenges, we first construct a dataset of 39,134 entries and a reader-centric Personalized Science Communication Benchmark (PSCB) that jointly evaluates audience adaptation and factual accuracy. To reduce data and computational requirements while improving generalization across domains and audiences, we introduce DA-MoE, which explicitly decouples audience adaptation from domain knowledge through separate modeling. To enable robust verification and revision in evidence-scarce scenarios, a multi-agent fact-checking mechanism that augments limited evidence with role-specific agent debate and propagates confidence over a graph is proposed. Experiments on PSCB show that our approach achieves state-of-the-art performance. Our code is open-sourced at https://github.com/DPInnovationWorks/CWF.
Abstract（参考訳）: 我々は,事実の正確さを維持しつつ,認知レベルが異なる聴衆に科学的説明を適応させる新しいタスクである,パーソナライズド・信頼性の高いポピュラーサイエンス・ライティングを紹介する。しかし、パーソナライゼーションの改善は、幻覚や事実の歪みのリスクを増大させる単純化をもたらすことが多い。これらの課題に対処するために、まず39,134項目のデータセットと、読者適応と事実精度を共同で評価する読者中心のパーソナライズド・サイエンス・コミュニケーション・ベンチマーク(PSCB)を構築した。ドメインとオーディエンス間の一般化を改善しつつ、データと計算要求を低減させるため、DA-MoEを導入し、異なるモデリングを通して、オーディエンスをドメイン知識から明確に分離する。エビデンス・スカースシナリオにおける堅牢な検証と修正を可能にするために、ロール固有のエージェントの議論で限られたエビデンスを強化し、グラフに対する信頼を広めるマルチエージェントのファクトチェック機構が提案されている。 PSCB実験により,本手法が最先端性能を実現することを示す。私たちのコードはhttps://github.com/DPInnovationWorks/CWFでオープンソース化されています。

関連論文リスト

FedAvg for HAR: Exploring the Tradeoff Between Personalized and Generalization Accuracy [39.58793931604357]
本稿では,集中型,局所型,連合型のパラダイム性能の評価と比較を目的とした,いくつかのテストシナリオの設計と実装を行う。本稿では,HAR(Human Activity Recognition)領域に適用したFedAvgアルゴリズムの実験結果について述べる。その結果、FedAvgは、従来の集中型学習に関して高度な一般化を維持しつつ、より高度なパーソナライズ能力を確認しているが、ストレスのある条件下では、この結果はそれほど明らかではないことがわかった。
論文参考訳（メタデータ） (2026-07-03T13:51:53Z)
Towards Automated Community Notes Generation with Large Vision Language Models for Combating Contextual Deception [8.79051023144961]
画像に基づく文脈偽造に対するコミュニティノートの自動生成手法について検討する。主に偽造検出に焦点を当てた以前の作業とは異なり、Community Notesスタイルのシステムは簡潔で接地的なメモを生成する必要がある。大規模な視覚言語モデル上に構築された検索拡張型マルチエージェント協調フレームワークであるACCNoteを提案する。
論文参考訳（メタデータ） (2026-03-23T18:21:23Z)
Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文参考訳（メタデータ） (2026-03-05T18:42:51Z)
FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
論文参考訳（メタデータ） (2026-01-29T08:55:19Z)
Graphing the Truth: Structured Visualizations for Automated Hallucination Detection in LLMs [0.0]
本稿では,プロプライエタリな知識とモデル生成コンテンツをインタラクティブな視覚的知識グラフにまとめるフレームワークを提案する。ユーザは不整合を診断し、弱い推論チェーンを特定し、修正フィードバックを提供する。
論文参考訳（メタデータ） (2025-11-29T23:09:15Z)
What Drives Paper Acceptance? A Process-Centric Analysis of Modern Peer Review [2.9282248958475345]
ICLR 2017-2025の大規模な実証研究を行い、28,000件以上の提出書を提出した。以上の結果から,科学的新奇性以外の要因が受容結果を著しく形作っていることが示唆された。著者,レビュアー,メタレビュアーに対して,ピアレビューにおける透明性と公正性を高めるためのデータ駆動ガイドラインを提案する。
論文参考訳（メタデータ） (2025-09-30T03:00:10Z)
FedSC: Federated Learning with Semantic-Aware Collaboration [12.366529890744822]
フェデレートラーニング(FL)は、プライバシ保護のためのデータを共有することなく、クライアント間で協調的にモデルをトレーニングすることを目的としている。不均一なクライアント間でクライアント固有のクラス関連知識を収集するために,FedSC(Federated Learning with Semantic-Aware Collaboration)を提案する。
論文参考訳（メタデータ） (2025-06-26T05:04:55Z)
RELIC: Investigating Large Language Model Responses using Self-Consistency [58.63436505595177]
LLM(Large Language Models)は、フィクションと事実を混同し、幻覚として知られる非事実コンテンツを生成することで有名である。本稿では,ユーザが生成したテキストの信頼性を把握できる対話型システムを提案する。
論文参考訳（メタデータ） (2023-11-28T14:55:52Z)
From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
論文参考訳（メタデータ） (2023-10-22T16:07:06Z)
CORE: A Retrieve-then-Edit Framework for Counterfactual Data Generation [91.16551253297588]
Counterfactual Generation via Retrieval and Editing (CORE) は、トレーニングのための多様な反事実摂動を生成するための検索強化された生成フレームワークである。 COREはまず、学習されたバイエンコーダを用いて、タスク関連未ラベルテキストコーパス上で密集した検索を行う。 COREはこれらを、反ファクト編集のために、数ショットの学習機能を備えた大規模な言語モデルへのプロンプトに組み込む。
論文参考訳（メタデータ） (2022-10-10T17:45:38Z)
Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。本稿では, 対実例生成のための新しい枠組みを提案する。
論文参考訳（メタデータ） (2022-05-20T15:02:53Z)

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。