論文の概要: TL;QR: Querying Temporal Discursive Patterns in Textual Corpora

• arxiv url: http://arxiv.org/abs/2610.15712v1
• Date: Sun, 11 Oct 2026 15:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:11:06.023723
• Title: TL;QR: Querying Temporal Discursive Patterns in Textual Corpora
• Title（参考訳）: TL;QR:テキストコーパスにおける時間的識別パターンの検索
• Abstract要約: TL;QR (Too Long; Query with logical temporal Reasoning; Query with logical temporal Reasoning) は宣言型クエリ言語であり、そのような時間パターンを見つけるためのオープンソースのエンジンである。 1つのクエリは自然言語の述語で、その真理はLarge Language Model (LLM) によって判断され、正規表現と時間論理の演算子を結合する。 この分業によって、時間的および関係的な推論は、長い時間的地平線でさえ正確で監査可能である。
• 参考スコア（独自算出の注目度）: 1.507616351680281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many questions about large textual corpora concern patterns that unfold over time, such as a political group whose stance on a topic drifts from support to criticism over several years of debates. We present TL;QR (Too Long; Query with logical temporal Reasoning), a declarative query language and open-source engine for finding such temporal discursive patterns. In TL;QR, a single query combines natural-language predicates, whose truth is judged by a Large Language Model (LLM), with regular expressions and the operators of a temporal logic. The LLM answers only local questions about individual text passages; a symbolic engine then aggregates these judgments over time and links every match to the recorded passages and predicate decisions behind it. With this division of labor, the temporal and relational reasoning stays exact and auditable even over long time horizons. In addition, when a query includes a regular-expression pre-filter, only a small fraction of the corpus ever reaches the LLM. On a suite of controlled synthetic benchmarks with temporally and semantically complex patterns, TL;QR is substantially more accurate than LLM-only baselines. In a case study on ten years of European Parliament debates (442,593 multilingual speeches), TL;QR identifies candidate shifts in the political groups' stances on the GDPR privacy regulation.
• Abstract（参考訳）: 大規模なテキストコーパスに関する多くの疑問は、トピックに対するスタンスが、数年にわたる議論に対する支持から批判へと漂着する政治グループのような、時間とともに広がるパターンに関するものである。 TL;QR (Too Long; Query with logical temporal Reasoning; Query with logical temporal Reasoning) は、宣言型クエリ言語であり、そのような時間的分散パターンを見つけるためのオープンソースのエンジンである。 TL;QRでは、一つのクエリは自然言語の述語であり、その真理はLarge Language Model (LLM)によって判断される。 LLMは個々のテキストパスに関するローカルな質問にのみ答え、シンボルエンジンはこれらの判断を時間とともに集約し、すべてのマッチを記録されたパスにリンクし、その背後にある決定を述語する。 この分業によって、時間的および関係的な推論は、長い時間的地平線でさえ正確で監査可能である。 さらに、クエリが正規表現プレフィルタを含む場合、コーパスのごく一部しかLLMに到達しない。 時間的および意味論的に複雑なパターンを持つ合成ベンチマークのスイートでは、TL;QRはLLMのみのベースラインよりもかなり正確である。 欧州議会の10年間の議論(多言語演説442,593件)のケーススタディにおいて、TL;QRはGDPRのプライバシー規制に関する政治団体のスタンスにおける候補者のシフトを特定する。

関連論文リスト

• Who Gets Cited Most? Benchmarking Long-Context Language Models on Scientific Articles [81.89404347890662]
  SciTrekは、科学論文を用いた大規模言語モデル(LLM)の長文推論能力を評価するために設計された、新しい質問応答ベンチマークである。 本分析により,モデルの基本的数値演算を行ない,特定の情報を長い文脈で正確に特定する能力において,系統的な欠点が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T11:36:09Z)
• TComQA: Extracting Temporal Commonsense from Text [0.9339914898177187]
  大規模言語モデル(LLM)は、テキストにしばしば明示的な記述があるため、時間的コモンセンスによる推論を必要とするテキストを生成するのに苦労する。 本稿では,LLMを利用して時間的コモンセンスを自動的にマイニングし,TComQAを構築するための時間的コモンセンス抽出パイプラインを提案する。 TComQAはクラウドソーシングによって検証され、時間的コモンセンスの抽出において80%以上の精度が達成されている。
  論文  参考訳（メタデータ） (2025-08-21T06:07:40Z)
• QUDsim: Quantifying Discourse Similarities in LLM-Generated Text [70.22275200293964]
  本稿では,会話の進行過程の違いの定量化を支援するために,言語理論に基づくQUDと質問意味論を紹介する。 このフレームワークを使って$textbfQUDsim$を作ります。 QUDsimを用いて、コンテンツが異なる場合であっても、LLMはサンプル間で(人間よりも)談話構造を再利用することが多い。
  論文  参考訳（メタデータ） (2025-04-12T23:46:09Z)
• UnSeenTimeQA: Time-Sensitive Question-Answering Beyond LLMs' Memorization [34.257914212541394]
  本稿では,新しいデータ汚染のない質問応答ベンチマークUnSeenTimeQAを紹介する。 既存のTSQAベンチマークとは異なるのは、現実世界に根ざしたWeb検索可能なクエリを避けることだ。 大きな言語モデル(LLM)は、訓練前の段階で得られた事実知識に依存することなく、真の時間的推論を行う必要がある。
  論文  参考訳（メタデータ） (2024-07-03T22:02:07Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• NovelQA: Benchmarking Question Answering on Documents Exceeding 200K Tokens [63.7488938083696]
  我々は,大規模言語モデル(LLM)を複雑で拡張された物語で評価するためのベンチマークであるNovellQAを紹介する。 NovelQAは、複雑さ、長さ、物語のコヒーレンスをユニークなブレンドとして提供し、深いテキスト理解を評価するのに理想的なツールである。 ノベルQAにおける長文LLMの評価は,長文LLMの長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文長文の長文長文長文長文長文の長文
  論文  参考訳（メタデータ） (2024-03-18T17:32:32Z)
• Beware of Words: Evaluating the Lexical Diversity of Conversational LLMs using ChatGPT as Case Study [3.0059120458540383]
  対話型大言語モデル(LLM)が生成するテキストの語彙的リッチ性の評価と,それがモデルパラメータにどのように依存するかを検討する。 その結果、語彙豊かさがChatGPTのバージョンと、そのパラメータのいくつか、例えば存在ペナルティやモデルに割り当てられた役割にどのように依存しているかが示される。
  論文  参考訳（メタデータ） (2024-02-11T13:41:17Z)

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。