論文の概要: Schematize: An Agentic System for Generating and Refining Information-Extraction Schemas for Legal Research

• arxiv url: http://arxiv.org/abs/2609.22209v1
• Date: Tue, 01 Sep 2026 19:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.772688
• Title: Schematize: An Agentic System for Generating and Refining Information-Extraction Schemas for Legal Research
• Title（参考訳）: Schematize: 法律研究のための情報抽出スキーマの生成と精錬のためのエージェントシステム
• Abstract要約: 実証法的研究は、しばしば、研究の質問を、判断と判断の大規模なコレクションから抽出された構造化データに変換することに頼っている。 本稿では,研究者の問題文を対話的に検証された抽出スキーマに変換する,オープンソースのマルチエージェントシステムである Schematize を提案する。 完全なドキュメンテーションを備えた、ピップインストール可能なPythonパッケージとして、スキーマ化をリリースします。
• 参考スコア（独自算出の注目度）: 3.288335634872882
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Empirical legal research often relies on turning research questions into structured data extracted from large collections of rulings and judgments. Designing the extraction schema and then extracting the data remain a manual, expertise-heavy bottleneck. We present schematize, an open-source multi-agent system that interactively turns a researcher's problem statement into a validated extraction schema that can later be used for autonomous extraction. Schematize couples (i) a clarification dialogue that elicits implicit expert intent, (ii) iterative schema generation, (iii) data-grounded refinement that tests the schema against documents, and (iv) chat-based post-editing. We evaluated the system with human legal professional, introducing our novel methodology, and schematize achieves top performance in most of tested configurations. While the system is designed to be domain-agnostic and applicable to any document collection, we tailor and evaluate it on legal research problems. We release schematize as a pip-installable Python package with full documentation.
• Abstract（参考訳）: 実証法的研究は、しばしば、研究の質問を、判断と判断の大規模なコレクションから抽出された構造化データに変換することに頼っている。 抽出スキーマを設計し、データを抽出することは、手作業で専門性の高いボトルネックのままです。 我々は、研究者の問題を対話的に抽出するオープンソースのマルチエージェントシステムである Schematize を、後に自律的な抽出に使用できる検証済みの抽出スキーマに変換する。 カップルのスキーマ化 一 暗黙の専門家の意図を暗示する明確化対話 (ii)反復スキーマ生成 三 書面に対する書式を検査するデータ接地改良及び (4)チャットベースの後編集。 ヒトの法律専門家によるシステム評価を行い、新しい手法を導入し、テストされたほとんどの構成において、スキーマ化は最高性能を達成する。 本システムはドメインに依存しないように設計されており,いかなる文書コレクションにも適用可能であるが,法的研究上の問題に対して,それを調整し,評価する。 完全なドキュメンテーションを備えた、ピップインストール可能なPythonパッケージとして、スキーマ化をリリースします。

関連論文リスト

• Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval [19.3757623473603]
  実世界のデータは、暗黙のセマンティクスを持つテーブル、ドキュメント、半構造化ファイルにまたがる。 生のマルチソースデータから実行可能なスキーマを自動的に検出するシステムを提案する。
  論文  参考訳（メタデータ） (2026-06-03T20:28:36Z)
• ResearchPilot: A Local-First Multi-Agent System for Literature Synthesis and Related Work Drafting [3.272585676511349]
  ResearchPilotは、文献レビュー支援のためのオープンソースのセルフホスト可能なマルチエージェントシステムである。 自然言語研究の質問を受けて、Semantic ScholarとarXivから論文を検索する。 紙抽象物から構造化された結果を抽出し、クロスペーパーパターンを合成し、引用・認識作業部を起草する。
  論文  参考訳（メタデータ） (2026-03-15T22:02:59Z)
• ExStrucTiny: A Benchmark for Schema-Variable Structured Information Extraction from Document Images [19.490609860018804]
  文書画像から構造化情報抽出(IE)のための新しいベンチマークデータセットであるExStrucTinyを紹介する。 ExStrucTinyは、手動と合成された人間のバリデーションサンプルを組み合わせた、新しいパイプラインで構築されている。 このベンチマークでオープンでクローズドなビジョン言語モデルを分析し、適応、クエリアンダーセグメンテーション、スキーマ適応といった課題を強調します。
  論文  参考訳（メタデータ） (2026-02-12T17:38:57Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• 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)
• Adaptive Schema-aware Event Extraction with Retrieval-Augmented Generation [16.423791691552665]
  イベント抽出(EE)は自然言語処理(NLP)の基本課題であり、構造化されていないテキストからイベント情報を識別して抽出する。 既存の研究では,(1)既存のパイプラインシステムにおける厳密なスキーマ固定,(2)共同スキーママッチングと抽出のためのベンチマークの欠如という2つの重要なギャップが示されている。 本稿では,適応認識イベント抽出(ASEE)を提案する。
  論文  参考訳（メタデータ） (2025-05-13T15:47:54Z)
• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• Automatically Summarizing Evidence from Clinical Trials: A Prototype Highlighting Current Challenges [20.74608114488094]
  TrialsSummarizerは、与えられたクエリに最も関係のあるランダム化制御された試行セットで提示されたエビデンスを自動的に要約することを目的としている。 システムは、条件、介入、結果の組み合わせを指定するクエリに一致するトライアルパブリッシュを検索する トップkの研究は、神経多文書要約システムを通して受け継がれ、これらの試行の相乗効果をもたらす。
  論文  参考訳（メタデータ） (2023-03-07T17:30:48Z)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)

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。