論文の概要: Lighthouse: On Building a Trustworthy Digital Assistant for Exploring History with Civil Rights Archives

• arxiv url: http://arxiv.org/abs/2610.30158v1
• Date: Thu, 24 Sep 2026 02:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 00:37:12.155393
• Title: Lighthouse: On Building a Trustworthy Digital Assistant for Exploring History with Civil Rights Archives
• Title（参考訳）: Lighthouse:公民権のアーカイブで歴史を探求する、信頼できるデジタルアシスタントの構築
• Abstract要約: 我々は、サウスカロライナからのデータを用いて、米国の公民権時代を探索する最初のデジタルアシスタントLighthouseを提示する。 AIの観点から見れば、このシステムの斬新さは、(a)コンテンツの信頼性に焦点をあて、(b)生成された回答からユーザに対する潜在的な害をモデル化し軽減することで、(b)デザイン原則を導くことにある。
• 参考スコア（独自算出の注目度）: 5.771322301747972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI), as a decision-support aid, provides new tools for studying history effectively using multimodal data, including text, images, and audio. We present, to our knowledge, the first digital assistant named Lighthouse--commonly called a chatbot--for exploring the Civil Rights period of the United States using data from South Carolina. From an AI perspective, the system's novelty lies in its guiding design principles of (a) focusing on trustworthiness of content and (b) by modeling and reducing potential harm to users from generated answers. It implements these with a neuro-symbolic approach that combines neural learning through a large language model (LLM) with rule-based symbolic solving, balancing risk of answers with generality of coverage. We evaluate Lighthouse with both factual objective questions that admit a single acceptable answer as well as subjective questions. For the latter, a dataset of subjective question-answer pairs (QAs) is created by discovering a "gold standard" by aggregating answers from independent experts. Lighthouse has access to over 18k primary sources from a range of collections and can be easily extended.
• Abstract（参考訳）: 人工知能(AI)は、意思決定支援として、テキスト、画像、オーディオを含むマルチモーダルデータを使用して、歴史を効果的に研究するための新しいツールを提供する。 われわれの知る限り、Lighthouseという名前の最初のデジタルアシスタントは、一般的にはチャットボットと呼ばれ、サウスカロライナからのデータを使って、米国の公民権時代を探索するものだ。 AIの観点から見ると、システムの新規性はその設計原則の指針にある。 (a)コンテンツの信頼性と信頼性に焦点をあてる (b) 生成した回答からユーザに対する潜在的な害をモデル化し軽減すること。 これは、大きな言語モデル(LLM)を通じてニューラルネットワークとルールベースのシンボリック解決を組み合わせるニューラルシンボリックアプローチでこれらを実装し、カバレッジの一般性と回答のリスクのバランスをとる。 我々はLighthouseを、主観的な質問だけでなく、受け入れられる1つの回答を受け入れる、現実的な客観的な質問の両方で評価する。 後者では、独立した専門家の回答を集約して「金の標準」を発見することによって、主観的質問応答ペア(QA)のデータセットを作成する。 Lighthouseは、さまざまなコレクションから18万以上のプライマリソースにアクセスでき、簡単に拡張できる。

関連論文リスト

• Nomad: Autonomous Exploration and Discovery [1.2717758452599093]
  自律的なデータ探索と洞察発見のためのシステムであるNomadを紹介する。 Nomadはベースラインよりも信頼性が高く高品質なレポートを生成する。
  論文  参考訳（メタデータ） (2026-03-31T07:26:25Z)
• Prompting is not Enough: Exploring Knowledge Integration and Controllable Generation [89.65955788873532]
  オープンドメイン質問応答(OpenQA)は自然言語処理(NLP)の基盤である。 我々は,知識統合と制御可能生成を探求し,OpenQAの性能向上を目的としたGenKIという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T08:18:33Z)
• WikiHint: A Human-Annotated Dataset for Hint Ranking and Generation [15.144785147549713]
  最初に手動で構築したヒントデータセットWikiHintを紹介した。 我々は,ヒントの助けを借りずに質問に答える人間の被験者に対して,ヒントの有効性を評価する。 その結果, (a) データセットは, より効果的なヒントを生成するのに役立ち, (b) 回答情報を含む質問は, 一般的に生成したヒントの質を向上し, (c) エンコーダベースモデルは, ヒントランキングにおけるデコーダベースモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-02T15:44:19Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Brain in a Vat: On Missing Pieces Towards Artificial General Intelligence in Large Language Models [83.63242931107638]
  本稿では,知的エージェントの4つの特徴について述べる。 実世界の物体との活発な関わりは、概念的表現を形成するためのより堅牢な信号をもたらすと我々は主張する。 我々は、人工知能分野における将来的な研究の方向性を概説して結論付ける。
  論文  参考訳（メタデータ） (2023-07-07T13:58:16Z)
• A-OKVQA: A Benchmark for Visual Question Answering using World Knowledge [39.788346536244504]
  A-OKVQAは、約25万の質問からなるクラウドソーシングデータセットである。 我々は、この新たなデータセットの可能性について、その内容の詳細な分析を通して示す。
  論文  参考訳（メタデータ） (2022-06-03T17:52:27Z)
• Unsupervised Commonsense Question Answering with Self-Talk [71.63983121558843]
  本稿では,コモンセンスタスクの代替として,セルフトークに基づく教師なしフレームワークを提案する。 探索に基づく探索学習にインスパイアされた我々のアプローチは、質問を求める多くの情報で言語モデルに問い合わせる。 実験結果から,ゼロショット言語モデルベースラインの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2020-04-11T20:43:37Z)

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。