論文の概要: Zero-Cost Detection of Fabricated Citations: A Staged Heuristic Approach for Computing Dissertation Assessment

• arxiv url: http://arxiv.org/abs/2610.28649v1
• Date: Mon, 05 Oct 2026 21:13:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 00:37:12.151455
• Title: Zero-Cost Detection of Fabricated Citations: A Staged Heuristic Approach for Computing Dissertation Assessment
• Title（参考訳）: ファブリケーションのゼロコスト検出--コンピュータ・ディサーション・アセスメントのための段階的ヒューリスティック・アプローチ
• Abstract要約: 学術書記におけるジェネレーティブAIの役割は、論文や学生レポートにまたがって作り上げられた参照を増大させてきた。 本稿では,検出複雑性による引用生成を分類する3層フレームワークであるMaterial Severity Stack(FSS)を提案する。 本枠組みは,コンピュータサイエンス教育者・試験者に対して,論文評価や学生報告に基準検証を組み込むための実用的でゼロコストの基盤を提供するものである,と論じる。
• 参考スコア（独自算出の注目度）: 1.9193579706947885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI's growing role in academic writing has driven a rise in fabricated references across dissertations and student reports. We present the Fabrication Severity Stack (FSS), a three-tiered framework classifying citation fabrications by detection complexity - from non-existent references to subtle content misattribution. Building on the FSS, we propose a staged heuristic verification workflow, executable through mainstream LLM interfaces. We argue that this framework offers computer science educators/examiners a practical, zero-cost basis for embedding reference verification into the assessment of dissertation and students' reports. In a pilot study on 100 citations (20% seeded with Level 1 and Level 2 fabrications), the proposed heuristic workflow enabled mainstream LLM interfaces to correctly flag 9-10 of 10 non-existent references and partially detect metadata corruption. These preliminary results suggest that freely accessible, general-purpose LLMs can achieve high recall on citation verification without reliance on proprietary detection tools.
• Abstract（参考訳）: 学術書記におけるジェネレーティブAIの役割は、論文や学生レポートにまたがって作り上げられた参照を増大させてきた。 本稿では,非既存の参照から微妙なコンテンツ誤帰まで,複雑さの検出による引用生成の分類を行う3層フレームワークであるMaterial Severity Stack(FSS)を提案する。 FSSをベースとして,メインストリームのLCMインタフェースを通じて実行可能なヒューリスティックな検証ワークフローを提案する。 本枠組みは,コンピュータサイエンス教育者・試験者に対して,論文評価や学生報告に基準検証を組み込むための実用的でゼロコストの基盤を提供するものである,と論じる。 100個の引用(レベル1とレベル2で20%のシード)に関するパイロット研究において、提案されたヒューリスティックワークフローにより、メインストリームのLLMインタフェースは、既存の10個の参照のうち9-10個の参照を正しくフラグ付けし、メタデータの破損を部分的に検出できる。 これらの予備的な結果は、汎用LLMは、プロプライエタリな検出ツールに頼らずに、引用精度の高いリコールを実現することができることを示唆している。

関連論文リスト

• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
  OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。 回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。 OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
  論文  参考訳（メタデータ） (2026-01-04T15:48:51Z)
• Automated Generation of Research Workflows from Academic Papers: A Full-text Mining Framework [7.681506465886571]
  本稿では,全文学術論文をマイニングすることで総合的かつ構造化された研究論文を生成するエンドツーエンドフレームワークを提案する。 我々はFlan-T5を用いて、段落からワークフローフレーズを生成し、それぞれ0.4543、0.2877、0.4427のROUGE-1、ROUGE-2、ROUGELスコアを得る。 このアプローチは、データ分析の強調や、機能工学からアブレーション研究への移行など、過去20年間の重要な方法論的変化を明らかにしている。
  論文  参考訳（メタデータ） (2025-09-16T10:59:23Z)
• The Feasibility of Topic-Based Watermarking on Academic Peer Reviews [46.71493672772134]
  大規模言語モデル(LLM)に対する話題ベース透かし(TBW)の評価を行った。 以上の結果から,TBWは非透かし出力と比較してレビュー品質を保ちつつ,パラフレージングに基づく回避を強く示している。
  論文  参考訳（メタデータ） (2025-05-27T18:09:27Z)
• Document Attribution: Examining Citation Relationships using Large Language Models [62.46146670035751]
  そこで本研究では,帰属を簡単なテキスト・エンタテインメント・タスクとみなすゼロショット・アプローチを提案する。 また,アトリビューションプロセスの強化におけるアテンションメカニズムの役割についても検討する。
  論文  参考訳（メタデータ） (2025-05-09T04:40:11Z)
• AI-Driven Scholarly Peer Review via Persistent Workflow Prompting, Meta-Prompting, and Meta-Reasoning [0.0]
  本稿では,PWP(Persistent Prompting)について紹介する。 本稿では,実験化学原稿の批判的分析のための概念実証PWPプロンプトを提案する。 我々は,このPWPプロンプトを,専門家レビューの体系化を目的としたメタプロンプト技術とメタ推論の反復的適用により開発する。
  論文  参考訳（メタデータ） (2025-05-06T09:06:18Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Ground Every Sentence: Improving Retrieval-Augmented LLMs with Interleaved Reference-Claim Generation [51.8188846284153]
  分散テキスト生成(ATG)は,RAGシステムにおける信頼性と妥当性を高めるために提案される。 本稿では,参照と回答を段階的に交互に生成する詳細なATG手法であるReClaimを提案する。 広範囲な実験により,ReClaimの有効性が検証され,90%の引用精度が得られた。
  論文  参考訳（メタデータ） (2024-07-01T20:47:47Z)

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。