論文の概要: Beyond Keywords: Leveraging Generative LLMs and Label Aggregation to Classify Economic Policy Uncertainty in News Articles
- arxiv url: http://arxiv.org/abs/2609.35856v1
- Date: Fri, 25 Sep 2026 11:42:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.861825
- Title: Beyond Keywords: Leveraging Generative LLMs and Label Aggregation to Classify Economic Policy Uncertainty in News Articles
- Title（参考訳）: キーワードを超えて: ニュース記事における経済政策の不確かさの分類にジェネレーティブ LLM とラベル集約を活用する
- Abstract要約: 本研究では,公共セクターにおける経済モニタリングのための大規模言語モデル(LLM)の適用について論じ,記事が経済政策不確実性(EPU)について論じているか否かを自動的に判断する。
提案手法は, コスト効率とスケーラビリティを両立させるため, 生成LDMを用いて, プロンプトにより合成ラベルを生成する手法である。
- 参考スコア（独自算出の注目度）: 0.1218340575383456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research describes the adaptation of Large Language Models (LLMs) for economic monitoring in the public sector to automatically determine whether an article discusses Economic Policy Uncertanity (EPU) and to identify its specific type. Previous studies either rely on keywords, which often result in a high count of false positives, or use machine learning approaches that require a large number of quality human labeled data that is costly and time consuming to acquire. In this study, we propose approaches based on weak supervision techniques, using generative LLMs to create synthetic labels through prompting, making the approach both cost-effective and scalable. Additionally, we propose methods for for multi-label and hierarchical classification of articles related to EPU.
- Abstract（参考訳）: 本研究では,公共セクターにおける経済モニタリングにおける大規模言語モデル(LLM)の適用について述べる。
従来の研究はキーワードに依存しており、しばしば偽陽性の数が多くなるか、あるいは大量の高品質なラベル付きデータを必要とする機械学習アプローチを使用して、取得に要する時間と費用がかかる。
本研究では,ジェネレーティブ LLM を用いてプロンプトによって合成ラベルを生成し,コスト効率とスケーラビリティを両立させる,弱い監視手法に基づくアプローチを提案する。
さらに,EPU関連記事の多言語・階層分類手法を提案する。
関連論文リスト
- SoK: Large Language Model Copyright Auditing via Fingerprinting [69.14570598973195]
既存の手法をホワイトボックスとブラックボックスのアプローチに分類する統一的な枠組みと形式的な分類法を導入する。
現実的な展開シナリオ下でのLDMフィンガープリント評価のための最初の体系的ベンチマークであるLeaFBenchを提案する。
論文 参考訳（メタデータ） (2025-08-27T12:56:57Z) - Cost-Optimal Active AI Model Evaluation [71.2069549142394]
生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。
我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。
我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
論文 参考訳（メタデータ） (2025-06-09T17:14:41Z) - STEER-ME: Assessing the Microeconomic Reasoning of Large Language Models [8.60556939977361]
マイクロエコノミック推論のための大規模言語モデル(LLM)を評価するためのベンチマークを開発する。
供給と需要のロジックに重点を置いており、それぞれが最大10ドルドメイン、5ドルパースペクティブ、3ドルタイプで構成されています。
我々は,小規模なオープンソースモデルから最先端技術まで,27ドルのLLMのケーススタディを通じて,我々のベンチマークの有用性を実証する。
論文 参考訳（メタデータ） (2025-02-18T18:42:09Z) - Entity Extraction from High-Level Corruption Schemes via Large Language Models [4.820586736502356]
本稿では,ニュース記事中の個人や組織を識別するアルゴリズムとモデルのための,新しいマイクロベンチマークデータセットを提案する。
このデータセットを用いて、金融犯罪関連記事の個人や組織を特定するための実験的な取り組みも報告されている。
論文 参考訳（メタデータ） (2024-09-05T10:27:32Z) - Enhancing LLM-Based Text Classification in Political Science: Automatic Prompt Optimization and Dynamic Exemplar Selection for Few-Shot Learning [1.6967824074619953]
大型言語モデル (LLMs) は、政治学におけるテキスト分類をかなり約束する。
本フレームワークは,自動プロンプト最適化,動的指数選択,コンセンサス機構を通じてLLM性能を向上させる。
オープンソースのPythonパッケージ(PoliPrompt)がGitHubで公開されている。
論文 参考訳（メタデータ） (2024-09-02T21:05:31Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z)
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。