論文の概要: Assessing the AI Readiness of Construction Datasets: A Multidimensional Operational Framework

• arxiv url: http://arxiv.org/abs/2610.25499v1
• Date: Sun, 18 Oct 2026 19:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 20:44:24.105925
• Title: Assessing the AI Readiness of Construction Datasets: A Multidimensional Operational Framework
• Title（参考訳）: 建設データセットのAI準備性を評価する:多次元運用フレームワーク
• Abstract要約: 構築データセットは、ドキュメント、品質、ガバナンス、評価サポートで大きく異なります。 本研究では、4次元に30の属性を持つ構築データセットAI Readiness Frameworkを開発する。 全体の準備性スコアは0.720から0.964であり、平均は0.879である。
• 参考スコア（独自算出の注目度）: 3.446154788896823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of artificial intelligence (AI) applications in construction has increased the demand for datasets suitable for reliable model development, evaluation, and reuse. However, construction datasets vary widely in documentation, quality, governance, and evaluation support, and consistent criteria for assessing AI readiness remain limited. This study develops a Construction Dataset AI Readiness Framework with 30 attributes across four dimensions: Metadata Completeness, Data Quality and Representativeness, Data Governance and Accessibility, and AI Utility. The framework uses attribute-specific scoring, applicability screening, and automated and manual verification. It was evaluated using 21 publicly available datasets across seven data-type groups. Overall readiness scores ranged from 0.720 to 0.964, with a mean of 0.879. Hybrid verification achieved 90.5% agreement between automated suggestions and manually verified scores. The framework supports consistent assessment of heterogeneous construction datasets and identification of readiness gaps.
• Abstract（参考訳）: 建設における人工知能(AI)応用の急速な成長により、信頼性の高いモデル開発、評価、再利用に適したデータセットの需要が高まっている。 しかし、構築データセットはドキュメント、品質、ガバナンス、評価サポートで大きく異なり、AIの準備性を評価するための一貫した基準は依然として限られている。 本研究では、メタデータ完全性、データ品質と代表性、データガバナンスとアクセシビリティ、AIユーティリティの4つの側面にまたがる30の属性を持つ構築データセットAI準備フレームワークを開発する。 このフレームワークは属性固有のスコアリング、適用可能性のスクリーニング、自動および手動による検証を使用する。 7つのデータ型グループにわたる21の公開データセットを使用して評価された。 全体の準備性スコアは0.720から0.964であり、平均は0.879である。 ハイブリッド検証は自動提案と手作業による評価スコアの間で90.5%の合意に達した。 このフレームワークは、不均一な構築データセットの一貫性のある評価と準備のギャップの同定をサポートする。

関連論文リスト

• A Framework for Generating Valid Context-Specific Benchmarks through Expert Guidance [8.655727081754241]
  本稿では,文脈依存型大規模言語モデル(LLM)ベンチマークデータセットを生成するためのエンドツーエンドアプローチを提案する。 本稿では,評価課題の目標,スコープ,コンテキストに関する重要な情報を抽出するスキーマを導入し,この情報を用いて合成データ生成のガイドを行う。 専門家インフォームド足場が、より有効なベンチマークに向けて、どのように合成データ生成を導くかを示す。
  論文  参考訳（メタデータ） (2026-09-15T03:36:35Z)
• AIDABench: AI Data Analytics Benchmark [62.45908988324612]
  AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。 AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。 AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
  論文  参考訳（メタデータ） (2026-02-27T08:58:05Z)
• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Grounding Synthetic Data Evaluations of Language Models in Unsupervised Document Corpora [9.871701356351542]
  言語モデル(LM)は進化を続け、応答品質と一貫性を改善している。 モデル品質、応答適性、推論能力を評価するために、数多くの評価ベンチマークが作成されている。 本稿では,文書群を基盤としたファクトベース合成データモデル評価の自動化手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T18:50:03Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• On the Evaluation and Refinement of Vision-Language Instruction Tuning Datasets [71.54954966652286]
  VLIT(Vision-Language Instruction-Tuning)データセットの評価を試みる。 各データセットから高いSQのサンプルを収集し,新しいデータセットREVO-LIONを構築した。 注目すべきは、完全なデータの半分でなくても、REVO-LIONでトレーニングされたモデルは、単にすべてのVLITデータセットを追加するのに匹敵するパフォーマンスを達成することができることだ。
  論文  参考訳（メタデータ） (2023-10-10T13:01:38Z)
• Collect, Measure, Repeat: Reliability Factors for Responsible AI Data Collection [8.12993269922936]
  AIのデータ収集は責任ある方法で行うべきだと我々は主張する。 本稿では,データ収集をメトリクスの集合でガイドするResponsible AI(RAI)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-22T18:01:27Z)
• Harnessing the Web and Knowledge Graphs for Automated Impact Investing Scoring [2.4107880640624706]
  持続可能な開発目標のフレームワークを作成するプロセスを自動化するための,データ駆動システムについて説明する。 本稿では,異なるWebソースからテキストのデータセットを収集・フィルタリングする新しい手法と,企業の集合に関連する知識グラフを提案する。 以上の結果から,我々の最高性能モデルでは,マイクロ平均F1スコア0.89でSDGスコアを正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-08-04T15:14:16Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。