論文の概要: Sentence Specificity Scores for Collaborative Technical Documentation: A Domain-Transfer Study
- arxiv url: http://arxiv.org/abs/2610.01046v1
- Date: Thu, 01 Oct 2026 04:38:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.896082
- Title: Sentence Specificity Scores for Collaborative Technical Documentation: A Domain-Transfer Study
- Title（参考訳）: 共同技術ドキュメンテーションのための文特異性スコア:ドメイン・トランスファー研究
- Abstract要約: 本研究は,技術資料における文特異性評価成果を監査する。
生成後のみに適用されるスコアが、固定LLM生成リビジョンの選択に役立つかどうかをテストする。
- 参考スコア（独自算出の注目度）: 1.554831836850549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaboration depends on shared context, and technical documentation is one way that context persists across people and AI teammates. Specificity, the amount and exactness of detail expressed in language, shapes what information documentation captures and how precisely that information is communicated. This work audits sentence-specificity scoring artifacts on technical documentation and tests whether scores applied only after generation help choose among fixed LLM-generated revisions. Across Wikipedia and three technical-documentation corpora, the fixed general-domain predictor SpeciTeller and the pinned post-publication author-repository implementation of Ko et al.'s target-adapted predictor produce different corpus orders and same-sentence rank agreement from -0.066 to 0.510. Strict filtering and token-length adjustment change these patterns without reconciling them. In the Gemma set, SpeciTeller ranking raises direction-valid selection from 71.7% to 83.3% (+11.7 points; 95% source-case bootstrap interval +1.7 to +21.7); in the GPT-OSS-120B set, SpeciTeller ranking raises direction-valid selection from 51.7% to 56.7% (+5.0 points; 95% source-case bootstrap interval -6.7 to +16.7), and every primary single-score GPT-OSS-120B interval includes zero. These findings tie score interpretation and decision value to the predictor and candidate set.
- Abstract（参考訳）: コラボレーションは共有コンテキストに依存しますし、技術的なドキュメントは、人々とAIチームメイトの間でコンテキストが持続する1つの方法です。
特異性(英: specificity)とは、言語で表現された詳細の量と正確さであり、どの情報ドキュメントが取得するか、その情報がどのように伝達されるのかを形作るものである。
本研究は, LLM 生成した修正版の中から, 生成後のみに適用されるスコアが有効かどうかを, 技術文書およびテストで評価する。
Wikipediaと3つの技術文書コーパス、固定された一般ドメイン予測器SpeciTellerと、Ko et alのターゲット適応予測器のピン付きポストパブリケーション・レポジトリ実装は、-0.066から0.510までの異なるコーパス命令と同文ランク合意を生成する。
厳密なフィルタリングとトークン長調整は、これらのパターンを調整せずに変更する。
Gemmaセットでは、SpeciTellerランキングは71.7%から83.3%(+11.7点、95%ソースケースブートストラップ間隔+1.7から+21.7点)、GPT-OSS-120Bセットでは、SpeciTellerランキングは51.7%から56.7%(+5.0点、95%ソースケースブートストラップ間隔-6.7から+16.7点)、各一次シングルスコアGPT-OSS-120Bインターバルはゼロである。
これらの結果は、スコアの解釈と判定値を予測器と候補セットに結びつける。
関連論文リスト
- Custom Named Entity Recognition and Topic Classification for Global Health Publications [0.3823356975862005]
この論文は、セマンティックタグ発見、名前付きエンティティ認識(NER)、マルチラベルトピック分類の実験を通じて課題を調査する。
まず, プログレッシブな特殊コーパスをトレーニングしたスキップグラム word2vec モデルを BioWordVec と比較し, コーパスサイズとドメインコンテキストがタグ発見に与える影響を評価する。
この分析結果はエンティティ抽出に変わり、1000の注釈付き文で畳み込みのspurCyモデルとRoBERTaベースの変換器を比較した。
論文 参考訳（メタデータ） (2026-09-21T14:09:53Z) - Turkish MMLU Pro: Traceable Option Augmentation and Its Validity Limits in Turkish Multiple-Choice Evaluation [0.0]
回答オプションを追加することで、評価の妥当性を向上することなく、複数の選択のスコアを下げることができる。
トルコのMMLU Proは58のセクションで12,000のトルコ語ソースの質問を用いてこの区別を検証している。
論文 参考訳（メタデータ） (2026-09-14T12:28:09Z) - Ranked by the Matcher: A Reproducibility Audit of Knowledge Graph Extraction from Threat Reports [5.580052437190499]
12の検査システムのうち5つのみが記述されたマッチングルールを再実装する。
8つのプロトコルで共有ドキュメントに出力される10のシステムは、45対の注文のうち11を逆転させる。
外部、人間による調整セットでは、機械的なマーカは、-レキシカル、埋め込み、エンテーメント--10で7回以上、レビュアーとアグリーする。
論文 参考訳（メタデータ） (2026-09-01T04:45:44Z) - PROOF: Profiling Reliability of Object-Level Facts in Large Language Models [33.72751145910978]
PROOFは、命令調整言語モデルにおける事実カバレッジのためのプロファイル指向のベンチマークである。
各質問には、明示的な"I don't know"オプション、"No correct option"コントロール、および9つの制御された定式化がある。
我々は166,374個のオープンウェイトモデル配置を18個のオープンウェイトモデル配置で評価し,各プロンプトと固定10%のサブセットで個別にパーターブデコーディングを行う。
論文 参考訳（メタデータ） (2026-08-24T17:13:25Z) - Source Code Authorship Attribution Does Not Generalize from Competitions to Classrooms [0.0]
トレーニング済みの変換器CodeBERTを3つのデータソースで微調整する。
CodeBERTは10人の著者のTop-1精度92.6%に達し、1000人の著者のTop-1を70.7%保持している。
調査されたコースワークデータセットでは、同じパイプラインが対応するチャンスベースライン内またはそれ以下で実行される。
論文 参考訳（メタデータ） (2026-07-31T19:15:43Z) - InfoDPP-PAC: Principled Patch Selection for Whole Slide Image Analysis [35.33255892731908]
本稿では,教師によるガウス過程の関連性モデリング,決定的対数決定的多様性,部分モジュラーグリード最適化,集中型適応停止規則を組み合わせたパッチ選択フレームワークを提案する。
202 HISTAIの消化管全スライディング画像では、適応規則は、固定された全予算よりも平均83.7%少ないパッチを使用し、全予算の97.9%を維持できる。
論文 参考訳（メタデータ） (2026-07-07T08:23:38Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Group-Adaptive Threshold Optimization for Robust AI-Generated Text Detection [58.419940585826744]
本稿では,確率的AIテキスト検出のためのグループ固有しきい値最適化アルゴリズムであるFairOPTを紹介する。
属性(例えば、テキストの長さと書き込みスタイル)に基づいてデータをサブグループに分割し、FairOPTを実装して、各グループに対する決定しきい値の学習を行い、不一致を低減しました。
我々のフレームワークは、後処理によるAI生成コンテンツ検出において、より堅牢な分類の道を開く。
論文 参考訳（メタデータ） (2025-02-06T21:58:48Z) - Conformal Predictor for Improving Zero-shot Text Classification
Efficiency [37.745518881553416]
NLIモデルとNSPモデルの平均推論時間をそれぞれ25.6%、22.2%削減する。
各データセットに適したCPを用いて、NLIベースのモデルとNSPベースのモデルの平均推論時間をそれぞれ25.6%、22.2%削減する。
論文 参考訳（メタデータ） (2022-10-23T05:19:50Z) - Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。
入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
論文 参考訳（メタデータ） (2021-09-12T19:33:34Z)
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。