論文の概要: From Lexical Baselines to Agentic Retrieval-Augmented Generation: Structured Skill and Responsibility-Level Extraction with the SFIA Framework
- arxiv url: http://arxiv.org/abs/2609.35806v1
- Date: Sat, 19 Sep 2026 07:58:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.281888
- Title: From Lexical Baselines to Agentic Retrieval-Augmented Generation: Structured Skill and Responsibility-Level Extraction with the SFIA Framework
- Title（参考訳）: 語彙ベースラインからエージェント検索強化ジェネレーション:SFIAフレームワークによる構造化スキルと責任レベル抽出
- Abstract要約: スキル・フレームワーク・フォー・ザ・インフォメーション・エイジ(SFIA)は7つの責任レベルにわたる147の専門スキルを定義している。
我々は、自由テキストから(スキル、レベル)ペアの構造化予測としてタスクを形式化し、3つの質問を行う。
専門家によるICTの役割プロファイルに対する5つの戦略(語彙ベースライン、LLMリランク付き高密度検索、ゼロショットスキーマ制約付きLLM、単エージェントエージェントRAG、および3エージェントレトリバー検証クルー)を評価した。
- 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: Automated skill extraction underpins workforce planning, yet most systems represent skills as flat labels with no notion of the responsibility level at which a skill is practiced. The Skills Framework for the Information Age (SFIA) captures exactly this dimension, defining 147 professional skills across seven responsibility levels, but no automated LLM-based extraction targeting SFIA has been reported. We formalize the task as structured prediction of (skill, level) pairs from free text and ask three questions: how accurately can text be mapped onto SFIA's closed vocabulary, which strategies reliably predict the level alongside the skill, and do agentic designs improve on simpler retrieval and prompting? We evaluate five strategies (a lexical baseline, dense retrieval with LLM reranking, a zero-shot schema-constrained LLM, single-agent agentic RAG, and a three-agent retriever--matcher--verifier crew) against expert-mapped European ICT role profiles, all drawing on an SFIA~9 corpus built by a fully automated agentic pipeline that we release. Retrieval-based matching identifies the most skills while generative strategies are markedly more precise; only strategies assigning the level as an explicit decision predict it reliably, with similarity-based selection more than twice as inaccurate; and the crew doubles latency without improving accuracy, so added agent roles do not automatically benefit closed-taxonomy matching. These results provide the first reproducible baseline for structured, level-aware skill extraction against SFIA.
- Abstract（参考訳）: 自動化されたスキル抽出は、労働計画を支えるが、ほとんどのシステムは、スキルが実践される責任レベルの概念を持たないフラットなラベルとしてスキルを表現する。
The Skills Framework for the Information Age (SFIA)は、この次元を正確に把握し、7つの責任レベルにわたる147の専門スキルを定義するが、SFIAをターゲットとした自動LLMベースの抽出は報告されていない。
我々は、自由テキストから(スキル、レベル)ペアの構造化された予測としてタスクを形式化し、3つの質問を問う: テキストをSFIAのクローズドボキャブラリに正確にマッピングできるか。
完全自動化されたエージェントパイプラインによって構築されたSFIA〜9コーパス上に構築された5つの戦略(語彙ベースライン、LLMリランク付き高密度検索、ゼロショットスキーマ制約付きLDM、単エージェントエージェントRAG、および3エージェントレトリバー-MCcher-verifier crew)を専門家マップした欧州ICTロールプロファイルに対して評価した。
検索ベースのマッチングは、最も高いスキルを識別する一方で、生成戦略は顕著に正確である; 明確な決定としてレベルを確実に判断する戦略だけが、類似性ベースの選択が2倍以上不正確である; 乗組員は、精度を向上することなく遅延を2倍にするため、追加のエージェントロールは、クローズド・タコノミーマッチングに自動的に利益をもたらすことはない。
これらの結果は、SFIAに対する構造化されたレベル認識スキル抽出のための最初の再現可能なベースラインを提供する。
関連論文リスト
- What is Missing from AI Post-Training AI: An Empirical Analysis [74.56398070411755]
この図は実行レベル能力と戦略レベル能力という2つの異なる能力を混在させています。
エージェントのトレーニング戦略は、さまざまなタスクにおいて、最初からロックインされていることが分かりました。
次に,欠席経験,指導の欠如,推論の不十分な3つの自然な説明と介入のエスカレートについて検討した。
論文 参考訳（メタデータ） (2026-08-19T16:17:39Z) - RAIL: An Automatic Classifier of the Artificial Intelligence Readiness Level [0.0]
人工知能技術の成熟度を評価することは、投資決定、プロジェクト管理、政策監視に不可欠である。
利用可能な準備性フレームワークは異種であり、自動的に適用するのは難しい。
まず、これらの3つのフレームワークを、環境証拠のはしごの上に構築された9レベルのスケールである、統一AI準備レベル(AIRL)に統合する。
第2に,このスケールを運用するパネル・オブ・エキスパートの分類器であるRAILを提案する。
論文 参考訳（メタデータ） (2026-08-13T16:17:41Z) - Generative Skill Composition for LLM Agents [58.47191648555256]
LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。
スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。
本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
論文 参考訳（メタデータ） (2026-06-30T17:53:09Z) - Declarative Skills for AI Agents in Knowledge-Grounded Tool-Use Workflows [1.9573380763700712]
構造化されていない知識ベース上での現実的な顧客サービスエラーにおけるツール利用AIエージェントのオーケストレーション機構について検討する。
i)ドメイン固有の3つのスキルファイルを推論時に読み込み、独自の制御フローを決定するDeclaativeAgent,(ii)明示的なフェーズを持つプログラム状態マシンに基づくImperativeAgent,(iii)$$-Knowledgeベンチマークエージェントをモデルとした非スキャフォールドベースラインエージェントを比較した。
論文 参考訳（メタデータ） (2026-06-05T05:38:51Z) - SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。
現在の技術構築手法は、問題を一発抽出として扱う。
本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文 参考訳（メタデータ） (2026-06-04T12:16:08Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - From Skill Text to Skill Structure: The Scheduling-Structural-Logical Representation for Agent Skills [5.327990835740087]
スケジューリング-構造論理(SSL)表現は、スキルレベルのスケジューリング信号、シーンレベルの実行構造、ロジックレベルのアクション/リソース使用エビデンスを歪めます。
SSL を LLM ベースの正規化器でインスタンス化し,SSL 由来の表現をスキル発見とリスク評価という2つのタスクで評価する。
論文 参考訳（メタデータ） (2026-04-27T04:25:15Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
論文 参考訳（メタデータ） (2025-11-11T21:50:44Z) - AutoMind: Adaptive Knowledgeable Agent for Automated Data Science [70.33796196103499]
LLM(Large Language Model)エージェントは、現実世界のデータサイエンス問題に対処する大きな可能性を示している。
既存のフレームワークは、厳格で、事前定義された、柔軟性のないコーディング戦略に依存している。
適応的で知識のあるLLMエージェントフレームワークであるAutoMindを紹介する。
論文 参考訳（メタデータ） (2025-06-12T17:59:32Z)
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。