論文の概要: Drift Inspector: Exploring and Measuring Scientific Drift with Atomic Contribution Claims
- arxiv url: http://arxiv.org/abs/2609.39710v1
- Date: Wed, 30 Sep 2026 13:24:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.831067
- Title: Drift Inspector: Exploring and Measuring Scientific Drift with Atomic Contribution Claims
- Title（参考訳）: ドリフトインスペクタ:原子寄与クレームによる科学的ドリフトの探索と測定
- Abstract要約: 提案するドリフトインスペクタ(Drift Inspector, Drift Inspector)は、研究分野が原子寄与率(ACC)レベルにおいて時間とともにどのように変化するかを計測し、調査するオープンソースシステムである。
システムはこれらの主張を何年もかけて、あらゆる傾向が背景にある主張や論文に遡るインタラクティブなマップにまとめる。
- 参考スコア（独自算出の注目度）: 48.566985572800995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific abstracts mix contributions with background, motivation, and meta-language, so tools that read them as-is cannot separate what a field produces from what it discusses. We present Drift Inspector, an open-source system for measuring and exploring how a research field changes over time at the level of Atomic Contribution Claims (ACCs): decontextualized, contribution-bearing propositions an LLM extracts from each abstract before analysis. The system clusters these claims across years into an interactive map where every trend traces back to the claims and papers behind it. Applied to six years of EMNLP, it shows the field shifting away from classic NLP tasks toward LLM-era capabilities such as reasoning and multimodality -- a movement that keyword or whole-abstract counts blur. The released data extend beyond EMNLP: the same pipeline has processed the full ACL Anthology (346k claims, 80k abstracts, 423 venues). Extraction is human-validated and clustering checked against an external manually constructed taxonomy.
- Abstract（参考訳）: 科学的な抽象論は、コントリビューションを背景、モチベーション、メタ言語と混同しているため、それらを読むツールは、フィールドが生成するものと議論するものを区別することはできない。
提案するDrift Inspectorは,研究分野がアトミック・コントリビューション・クレーム(ACC)のレベルで時間とともにどのように変化するかを測定する,オープンソースのシステムである。
システムはこれらの主張を何年もかけて、あらゆる傾向が背景にある主張や論文に遡るインタラクティブなマップにまとめる。
EMNLPの6年間に適用され、古典的なNLPタスクから、推論やマルチモーダリティといったLLM時代の能力へと、フィールドがシフトしていることを示している。
同じパイプラインが完全なACLアンソロジー(346kのクレーム,80kの抽象化,423の会場)を処理している。
抽出は人間によって検証され、外部で手作業で構築された分類に対してクラスタリングがチェックされる。
関連論文リスト
- Agents-K1: Towards Agent-native Knowledge Orchestration [59.22667222947257]
textbfAgents-K1はエンドツーエンドの知識オーケストレーションパイプラインである。
生文書をエージェントネイティブな科学知識グラフに変換する。
我々は6つの被験者にわたる246万件の科学論文を処理し、TextbfScholar-KGを作成し、そのうち100万件の論文のサブセットを公開します。
論文 参考訳（メタデータ） (2026-06-11T17:58:35Z) - SciZoom: A Large-scale Benchmark for Hierarchical Scientific Summarization across the LLM Era [2.2090506971647144]
SciZoomは、2020年から2025年までの4つのトップレベルのML会場から44,946の論文からなるベンチマークである。
我々の言語学的分析は、句パターンの顕著な変化(式表現の最大10倍)と修辞スタイル(23%のヘッジ減少)を明らかにしている。
SciZoomは、生成AI時代の科学的談話の進化をマイニングするための、挑戦的なベンチマークとユニークなリソースとして機能する。
論文 参考訳（メタデータ） (2026-03-17T05:34:46Z) - Spacer: Towards Engineered Scientific Inspiration [5.926432566831157]
外部の介入なしに創造的な概念を発達させる科学的な発見システムであるスペーサーを提案する。
Spacerは(i)キーワードセットを構築するインスピレーションエンジンであるNuriと(ii)これらのセットを精巧な科学的ステートメントに洗練するManifesting Pipelineで構成されている。
論文 参考訳（メタデータ） (2025-08-25T04:49:16Z) - Context-Aware Scientific Knowledge Extraction on Linked Open Data using Large Language Models [0.0]
本稿では,クエリ固有の知識を抽出し,洗練し,ランク付けするシステムであるWISE(Workflow for Intelligent Scientific Knowledge extract)を紹介する。
WISEは、様々な情報源から知識を体系的に探求し、合成することによって、詳細な、組織化された回答を提供する。
論文 参考訳（メタデータ） (2025-06-21T04:22:34Z) - MOLE: Metadata Extraction and Validation in Scientific Papers Using LLMs [48.73595915402094]
MOLEは、アラビア語以外の言語のデータセットをカバーする科学論文からメタデータ属性を自動的に抽出するフレームワークである。
本手法では,複数の入力形式にまたがって文書全体を処理し,一貫した出力に対する堅牢な検証機構を組み込む。
論文 参考訳（メタデータ） (2025-05-26T10:31:26Z) - Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
Instruct-LFはゴール指向の潜在因子発見システムである。
命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
論文 参考訳（メタデータ） (2025-02-21T02:03:08Z) - Knowledge Graphs, Large Language Models, and Hallucinations: An NLP Perspective [5.769786334333616]
大規模言語モデル(LLM)は、自動テキスト生成や質問応答などを含む自然言語処理(NLP)ベースのアプリケーションに革命をもたらした。
幻覚では、モデルがもっともらしい音を出すが、実際には正しくない反応を生成する。
本稿では,現状のデータセットやベンチマーク,知識統合や幻覚評価の手法など,これらのオープンな課題について論じる。
論文 参考訳（メタデータ） (2024-11-21T16:09:05Z) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。
これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。
SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
論文 参考訳（メタデータ） (2024-06-10T21:22:08Z)
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。