論文の概要: How Reliable Are Large Language Models for Soil Organic Carbon Assessment? An Australian Benchmark
- arxiv url: http://arxiv.org/abs/2610.18201v1
- Date: Tue, 13 Oct 2026 11:37:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.604627
- Title: How Reliable Are Large Language Models for Soil Organic Carbon Assessment? An Australian Benchmark
- Title（参考訳）: 土壌有機炭素評価のための大規模言語モデルはどの程度信頼性が高いか?
- Abstract要約: 土壌有機炭素(SOC)は、農業土壌の状態と炭素貯蔵の指標である。
大規模言語モデル(LLM)からの数値出力は、監視や管理に使用する前に検証が必要である。
我々は,3つの直接応答タスクに対して,汎用LLM構成を7つ評価した。
- 参考スコア（独自算出の注目度）: 5.125785188707808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Soil organic carbon (SOC) is an indicator of agricultural soil condition and carbon storage, but numerical outputs from large language models (LLMs) require validation before use in monitoring or management. We evaluated seven general-purpose LLM configurations on three direct-response tasks: estimating 0--10 cm SOC concentrations for 308 Australian paddocks under two information conditions, calculating SOC stock in 120 matched scenarios, and comparing 300 paddock pairs. References were measured SOC records or deterministic calculations; response validity, repeated-call dispersion and estimated API cost were assessed separately. Additional measured soil attributes reduced concentration mean absolute error by 13--62\% across configurations, although high-SOC underprediction and paddock-specific errors persisted. Six configurations were highly accurate in stock calculations using equation-native units without coarse fragments, but accuracy declined with physically equivalent alternative units. Pairwise accuracy was 90.5--94.6\% overall and 59.1--70.9\% for 52 closely separated pairs; some configurations were sensitive to presentation order. Nearly all outputs were parseable, without necessarily being correct. The benchmark identifies three distinct requirements for AI-mediated SOC assessment: agreement with measured concentrations, unit-consistent stock calculations and reliable discrimination between sites. These findings support task-specific validation and auditable calculations, rather than unverified use of LLM outputs as ecological evidence.
- Abstract（参考訳）: 土壌有機炭素(SOC)は農業土壌の状態と炭素貯蔵の指標であるが、大規模言語モデル(LLM)からの数値出力は、モニタリングや管理に使用する前に検証が必要である。
我々は,3つの直接応答タスクにおいて,3つの汎用LCM構成について評価した。2つの情報条件下で308オーストラリアのパドックの0-10 cm SOC濃度を推定し,120のシナリオでSOCストックを計算し,300のパドックペアを比較した。
基準をSOCレコードまたは決定論的計算とし、応答妥当性、繰り返し呼出分散、推定APIコストを別々に評価した。
さらに, 土壌の濃度特性は, 絶対誤差を13--62\%減らしたが, 高SOC減弱とパドック比誤差は持続した。
6つの構成は、粗いフラグメントを持たない方程式ネイティブ単位を用いたストック計算において極めて正確であったが、物理的に等価な代替単位によって精度は低下した。
全体的な精度は 90.5--94.6\% であり、52 個の密接なペアに対して 59.1--70.9\% であった。
ほぼ全ての出力は解析可能であり、必ずしも正しいものではない。
このベンチマークでは、AIによるSOC評価の3つの異なる要件が特定されている。
これらの知見は、LCM出力を生態学的証拠として未検証の使用ではなく、タスク固有の検証と監査可能な計算を支援する。
関連論文リスト
- ReTAC: Residual Test-Time Agentic Computation for Video Spatial Reasoning [75.14564822108872]
テストタイムエージェント計算は多モーダルな言語モデルを改善することができる。
ビデオ空間推論のためのトレーニング不要なマルチエージェントフレームワークであるReTACで、この定式化をインスタンス化する。
論文 参考訳（メタデータ） (2026-10-12T07:39:58Z) - ChartBmkAgent: Harness-Governed Multi-Agent Construction of Chart QA Benchmarks from Sparse Error-Taxonomy Specifications [40.065183138791184]
自動チャートQA構築は、特定されたギャップを需要に応じて対象とするサンプルにすることで、ベンチマーク開発サイクルを短縮することを目的としている。
本稿では,Sparse error-taxonomy仕様から完全なChart QAサンプルを構築することで,特定能力ギャップを対象とする診断証拠に変換するChartBmkAgentを紹介する。
300の分類学的標本では、MLLMの精度は32.7%から84.3%まで変化しており、異なるカテゴリーのプロファイルがある。
論文 参考訳（メタデータ） (2026-10-06T10:31:28Z) - Capability Scaling-Down Laws for LLM Compression [57.14348517864116]
我々は, LLM圧縮のスケールダウン法則を, 刈り込み, 定量化, 蒸留にまたがって検討した。
我々のフレームワークは、数学、コード生成、質問応答における能力損失を測定する。
我々は単純な予測関係を構築し、その精度、測定効率、および未知の構成やモデル状態への一般化を評価する。
論文 参考訳（メタデータ） (2026-10-01T20:35:12Z) - The Composition Gap in Dataset Distillation [40.03795647692693]
データガバナンス設定では、複数のパーティが自身のデータを蒸留し、ユーザがユニオンでトレーニングする。
別々に蒸留した集合の結合が、実際のデータ構成可能性の結合に関する訓練を再現するかどうかを問う。
全ての原料が正確に蒸留されても失敗する可能性を示し、全予算で正確なジョイント蒸留が認められることを示す。
論文 参考訳（メタデータ） (2026-09-28T05:20:53Z) - Bayes-Optimal BER and AUC: Estimation and Evaluation of Estimators [47.001801756596926]
機械学習の基本的な量は、与えられたタスク上の任意のモデルによって達成可能な最適なパフォーマンスである。
最近の研究により、ベイズ誤差は二項分類におけるソフトラベルから推定できることが示されている。
最適なBERとAUCのためのソフトラベルに基づく推定器を提案する。
論文 参考訳（メタデータ） (2026-09-02T08:49:23Z) - PCFBench: A Diagnostic Benchmark for Product Carbon Footprint Estimation [0.0]
我々はPCFモデリングを独立に評価可能なタスクに彫る最初のベンチマークであるPCFBenchを紹介する。
6つのタスクにまたがる614のエキスパートラベル付き項目で構成されている。これらを合わせて、不特定性、矛盾するコンテキスト、数値的な制約の下で推論を探索する。
ターゲットとする進捗をサポートするために、データセットと評価ハーネスをリリースします。
論文 参考訳（メタデータ） (2026-08-27T21:08:49Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - When the Ruler is Broken: Parsing-Induced Suppression in LLM-Based Security Log Evaluation [0.0]
完全に機能的なモデルが完全に非機能なカテゴリに現れる可能性のある,無音で体系的な評価誤差のクラスを実証する。
SOC-Bench v0は、標準化された13のカテゴリの脅威分類、最小統計パワー要件、ファジィフィールド抽出仕様、および将来のSOC研究における特定の精度の歪みを防ぐための公開スコアリングスクリプトからなるベンチマークフレームワークである。
論文 参考訳（メタデータ） (2026-05-08T06:03:11Z) - Seeing Soil from Space: Towards Robust and Scalable Remote Soil Nutrient Analysis [0.0]
本研究では、農地の土壌特性を推定するための堅牢でスケーラブルなモデリングシステムを提案する。
このシステムは、プロキシとドライバを介して土壌を間接的にモデル化する手法と、直接スペクトルモデリングを組み合わせたハイブリッド・モデリング・アプローチを採用している。
本システムは,多種多様な気候帯にまたがる欧州の耕作地を対象とする調和データセットで検証する。
論文 参考訳（メタデータ） (2025-12-10T12:08:55Z) - The Hidden Costs of Translation Accuracy: Distillation, Quantization, and Environmental Impact [0.0]
大規模言語モデル(LLM)の急速な拡張により、計算コストや環境コストに対する懸念が高まっている。
本研究では, フルスケール, 蒸留, 定量化モデルを比較し, 翻訳品質と効率のトレードオフについて検討した。
論文 参考訳（メタデータ） (2025-09-28T17:32:52Z) - Predicting and Mapping of Soil Organic Carbon Using Machine Learning
Algorithms in Northern Iran [0.0]
本研究では,支援ベクトルマシン,人工ニューラルネットワーク,回帰木,ランダムフォレスト,極勾配向上,および従来の深部ニューラルネットワークを用いて,SOCの予測モデルを前進させる機械学習アルゴリズムを提案する。
モデルは、1879年の複合表層土壌サンプルと105の補助データで訓練されている。
論文 参考訳（メタデータ） (2020-07-12T08:23:24Z)
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。