論文の概要: EviStreams: Human-in-the-Loop AI Data Extraction for Systematic Reviews in Medicine
- arxiv url: http://arxiv.org/abs/2609.27418v1
- Date: Wed, 23 Sep 2026 06:35:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.920855
- Title: EviStreams: Human-in-the-Loop AI Data Extraction for Systematic Reviews in Medicine
- Title（参考訳）: EviStreams: 医療のシステムレビューのためのAIデータ抽出
- Abstract要約: EviStreamsはオープンソースのノーコードWebプラットフォームで、レビューチームがAI支援抽出を3つの重要なステージで制御できるようにする。
抽出品質は、モデルの選択よりも、フィールド仕様によりはるかに形づくられていることを示す。
- 参考スコア（独自算出の注目度）: 23.530535213307164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Systematic reviews underpin clinical guidelines, yet their data-extraction step is a major expert-labor bottleneck bound by a protocolized workflow: two reviewers extract each study independently, an adjudicator resolves disagreements, and the team keeps an auditable record of how every value was produced. Large language models can assist with extraction, but that assistance must fit established review protocols and preserve reproducibility. We present EviStreams, a live, open-source, no-code web platform that puts review teams in control of AI-assisted extraction at three key stages: program design (a structured decomposition approved before any code runs), field specification (typed field definitions calibrated from a pilot), and extracted predictions (reviewer-blinded dual review with adjudication). Working through a form builder, a domain expert defines typed fields rather than prompts, runs extraction over uploaded PDFs, inspects every value alongside the supporting passage it came from, and resolves a reviewer-blinded dual review into an auditable consensus export. An evaluation across four clinical corpora and three frontier model families, released with the system, shows that extraction quality is shaped far more by the field specification than by the choice of model. EviStreams is live at https://evistreams.com/demo and released under Apache-2.0.
- Abstract（参考訳）: 2人のレビュアーが個別に各研究を抽出し、調整官が意見の相違を解消し、チームはすべての価値がどのように生み出されたかを監査可能な記録を保持します。
大規模な言語モデルは抽出を支援することができるが、その支援は確立されたレビュープロトコルに適合し、再現性を維持する必要がある。
EviStreamsは、プログラム設計(コード実行前に承認された構造化された分解)、フィールド仕様(パイロットから校正された型付きフィールド定義)、および抽出された予測(審査書による二重レビュー)の3つの主要な段階において、レビューチームがAI支援抽出を制御する、ライブでオープンソースのノーコードWebプラットフォームである。
フォームビルダーを通じて作業するドメインエキスパートは、プロンプトよりもむしろ型付きフィールドを定義し、アップロードされたPDFの抽出を実行し、そこから得られたサポートパスに沿ったすべての値を検査し、レビュアーが承認したデュアルレビューを監査可能なコンセンサスエクスポートに解決する。
4つの臨床コーパスと3つのフロンティアモデルファミリーで評価したところ、抽出品質はモデルの選択よりもフィールド仕様によってはるかに高い形をしていることがわかった。
EviStreamsはhttps://evistreams.com/demoで公開されている。
関連論文リスト
- From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance [1.436449142247059]
このレビューは、ニューラル・パーソナリティ・マッチングによる双方向の検索と行動ランキングから発展を辿る。
類似性から相互適合性、モデルから複合ワークフロー、オフライン予測からエビデンスと生産性に整合した評価という3つの組み合わせの遷移を分析した。
評価証拠から最強の証明可能なクレームへのステージマッピングと,相互性,エビデンス,時間的制御,選択的,監査可能なシステムに関するアジェンダを導入する。
論文 参考訳（メタデータ） (2026-09-03T08:46:03Z) - Review the Code, Not the Story: A Vision and Protocol for Code-First Peer Review [2.531440973296736]
このビジョンとプロトコルペーパーは、コードファーストピアレビューを提案する。
著者は、実行可能な研究成果物と最小限のクレームマニフェストを提出する。
会場に制御されたAIシステムは環境を構築し、実験を実行し、コードパスを監査し、証拠のクレームをマップし、人間レビュアーのための標準化されたレビューパッケージを生成する。
論文 参考訳（メタデータ） (2026-06-05T01:26:07Z) - DocScope: Benchmarking Verifiable Reasoning for Trustworthy Long-Document Understanding [29.270128057512284]
本稿では,長期文書QAを構造化推論軌道予測問題として定式化するベンチマークであるDocScopeを紹介する。
軌道の各レベルを独立に監査する4段階評価プロトコルを設計する。
6つのプロプライエタリなモデル、12のオープンウェイトモデル、いくつかのドメイン固有のシステムをベンチマークします。
論文 参考訳（メタデータ） (2026-05-09T11:12:59Z) - EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews [7.325762712182949]
EviSearchは臨床エビデンステーブルのためのマルチエージェント抽出システムである。
パイプラインはマルチモーダルエビデンスソース間の高精度抽出のために設計されている。
EviSearchは、生きた体系的なレビューを加速し、手作業によるキュレーションの負担を軽減し、LCMベースの抽出をエビデンス合成パイプラインに統合するための安全で監査可能なパスを提供することを目的としている。
論文 参考訳（メタデータ） (2026-03-23T22:36:54Z) - A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。
既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。
本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
論文 参考訳（メタデータ） (2025-09-26T11:39:50Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Attributable and Scalable Opinion Summarization [79.87892048285819]
我々は、頻繁なエンコーディングを復号することで抽象的な要約を生成し、同じ頻繁なエンコーディングに割り当てられた文を選択して抽出的な要約を生成する。
本手法は,要約プロセスの一部として要約を生成するために使用される文を同定するため,帰属的手法である。
なぜなら、アグリゲーションはトークンの長いシーケンスではなく、潜在空間で実行されるからである。
論文 参考訳（メタデータ） (2023-05-19T11:30:37Z) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳（メタデータ） (2020-11-02T08:07:50Z) - Exploring Explainable Selection to Control Abstractive Summarization [51.74889133688111]
説明可能性を重視した新しいフレームワークを開発する。
新しいペアワイズ行列は、文の相互作用、中心性、属性スコアをキャプチャする。
コンストラクタ内の文分割アテンション機構は、最終要約が所望のコンテンツを強調することを保証する。
論文 参考訳（メタデータ） (2020-04-24T14:39:34Z)
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。