論文の概要: HistoRAG: A Citation-Grounded Question Answering Assistant for Teaching with Scanned Local History and Heritage Archives
- arxiv url: http://arxiv.org/abs/2609.29184v1
- Date: Thu, 24 Sep 2026 07:55:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.783161
- Title: HistoRAG: A Citation-Grounded Question Answering Assistant for Teaching with Scanned Local History and Heritage Archives
- Title（参考訳）: HistoRAG: スキャンした地域史と遺産アーカイブによる学習支援
- Abstract要約: HistoRAGは質問応答アシスタントで、1つの地域コレクションから回答し、あらゆる事実についてボリュームとページを引用する。
同じコレクションから3つのストアを構築する。ハイブリッドテキストインデックス、リレーショナルカタログデータベース、エンティティの密度の高い通路からのみ抽出された知識グラフである。
統計的,事実,時間的,マルチホップな質問を対象とし,36巻のスキャン済みボリュームと同地域の遺産カタログに516の質問のベンチマークを構築した。
- 参考スコア（独自算出の注目度）: 0.5729426778193398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Teachers who prepare lessons on local history and cultural heritage work from material that is hard to use. The primary sources are scanned books without a text layer, and the supporting records are administrative catalogs released as spreadsheets. A general chatbot answers such questions fluently but without a verifiable source, which is the property a teacher needs most. This paper presents HistoRAG, a question answering assistant that answers from one regional collection and cites a volume and a page for every fact. HistoRAG transcribes each page with a vision language model and keeps a line level confidence from the token probabilities. It builds three stores from the same collection: a hybrid text index, a relational catalog database, and a knowledge graph extracted only from entity dense passages. A lightweight router sends each question to the stores it needs, so that counting questions reach the database and relational questions reach the graph. We build a benchmark of 516 questions over a collection of 36 scanned volumes and the heritage catalogs of the same region, covering statistical, factual, temporal, and multi-hop questions. HistoRAG answers more questions correctly than passage retrieval baselines and than a graph based retrieval system, at a far smaller cost per question. The assistant runs behind a chat interface, so a teacher can check any statement against the page it came from.
- Abstract（参考訳）: 地域史や文化遺産の授業を手伝う教師は、使いづらい資料から学ぶ。
主要な資料はテキスト層を使わずにスキャンされた本であり、サポートレコードはスプレッドシートとしてリリースされた管理カタログである。
一般的なチャットボットは、このような質問を流用に答えるが、教師が最も必要とする特性である検証可能な情報源がない。
本稿では,地域コレクションから回答する質問応答アシスタント「HistoRAG」について,全事実について1巻と1ページを引用する。
HistoRAGは各ページを視覚言語モデルで書き起こし、トークンの確率からラインレベルの信頼性を維持する。
同じコレクションから3つのストアを構築する。ハイブリッドテキストインデックス、リレーショナルカタログデータベース、エンティティの密度の高い通路からのみ抽出された知識グラフである。
軽量ルータは、各質問を必要なストアに送信し、データベースにカウントしてリレーショナルな質問がグラフに届くようにします。
統計的,事実,時間的,マルチホップな質問を対象とし,36巻のスキャン済みボリュームと同地域の遺産カタログに516の質問のベンチマークを構築した。
HistoRAGは、パス検索ベースラインよりも、グラフベースの検索システムよりも、質問毎にはるかに少ないコストで、多くの質問に正しく答える。
アシスタントはチャットインターフェースの後ろを走るので、教師はどこから来たかチェックできる。
関連論文リスト
- LitTraceQA: A Benchmark for Multi-Stage Grounding and Verification in Scientific Question Answering [30.616598264585203]
本稿では,学術論文に対する文献的回答のベンチマークであるLitTraceQAを紹介する。
研究質問と論文のメタデータプールが与えられた場合、システムは3つの接続された出力を返す必要がある。
我々は4,859枚のユニークなゴールド・ペーパーの4,978枚のユニーク・クエスト・レコードを用いて、より大規模な最終アノテーション・コレクションを解析した。
論文 参考訳（メタデータ） (2026-08-07T16:11:52Z) - RAG over Tables: Hierarchical Memory Index, Multi-Stage Retrieval, and Benchmarking [63.253294691180635]
現実世界のシナリオでは、純粋なテキスト以外では、かなりの量の知識がテーブルに格納される。
まず、階層型メモリインデックス、多段階検索、グラフ認識プロンプトからなるテーブルコーパス対応RAGフレームワークT-RAGを提案する。
論文 参考訳（メタデータ） (2025-04-02T04:24:41Z) - PeerQA: A Scientific Question Answering Dataset from Peer Reviews [51.95579001315713]
実世界の科学的、文書レベルの質問回答データセットであるPeerQAを提示する。
データセットには208の学術論文から579のQAペアが含まれており、MLとNLPが多数を占めている。
収集したデータセットを詳細に分析し、3つのタスクのベースラインシステムを確立する実験を行う。
論文 参考訳（メタデータ） (2025-02-19T12:24:46Z) - DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain
Question Answering over Knowledge Base and Text [73.68051228972024]
大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。
検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
論文 参考訳（メタデータ） (2023-10-31T04:37:57Z) - How Do We Answer Complex Questions: Discourse Structure of Long-form
Answers [51.973363804064704]
3つのデータセットから収集した長文回答の機能構造について検討した。
私たちの主な目標は、人間が複雑な答えを作るためにどのように情報を整理するかを理解することです。
我々の研究は、長期QAシステムの談話レベルのモデリングと評価に関する将来の研究に刺激を与えることができる。
論文 参考訳（メタデータ） (2022-03-21T15:14:10Z) - Discourse Comprehension: A Question Answering Framework to Represent
Sentence Connections [35.005593397252746]
談話理解のためのモデルの構築と評価における重要な課題は、注釈付きデータの欠如である。
本稿では,ニュース文書の理解を目的としたスケーラブルなデータ収集を実現する新しいパラダイムを提案する。
得られたコーパスDCQAは、607の英語文書からなる22,430の質問応答ペアで構成されている。
論文 参考訳（メタデータ） (2021-11-01T04:50:26Z) - A Dataset of Information-Seeking Questions and Answers Anchored in
Research Papers [66.11048565324468]
1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。
各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。
他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
論文 参考訳（メタデータ） (2021-05-07T00:12:34Z) - A Graph-guided Multi-round Retrieval Method for Conversational
Open-domain Question Answering [52.041815783025186]
本稿では,会話のターン間の回答間の関係をモデル化するグラフ誘導検索手法を提案する。
また,検索コンテキストが現在の質問理解に与える影響を検討するために,マルチラウンド関連フィードバック手法を導入することを提案する。
論文 参考訳（メタデータ） (2021-04-17T04:39:41Z) - TSQA: Tabular Scenario Based Question Answering [14.92495213480887]
シナリオベースの質問応答(SQA)が研究の関心を集めている。
本研究を支援するため,GeoTSQAを構築した。
テーブル・トゥ・テキストの新しいジェネレータであるTTGenにより、最新のMRCメソッドを拡張します。
論文 参考訳（メタデータ） (2021-01-14T02:00:33Z) - Question Answering on Scholarly Knowledge Graphs [0.0]
JarvisQAは、学術知識グラフに関する質問に答えるBERTベースのシステムである。
本稿では、関連するテーブルの予備データセットと、それに対応する自然言語質問の集合を示す。
JarvisQAは2つのデータセットで評価され、関連する手法と比較して2～3倍の性能向上を示している。
論文 参考訳（メタデータ） (2020-06-02T11:24:02Z)
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。