論文の概要: From Prompt Rules to Golden Data Model: Production-Scale Generation of Personalized, Compliant Pharmaceutical Claims

• arxiv url: http://arxiv.org/abs/2610.31519v1
• Date: Thu, 22 Oct 2026 16:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.478214
• Title: From Prompt Rules to Golden Data Model: Production-Scale Generation of Personalized, Compliant Pharmaceutical Claims
• Title（参考訳）: プロンプトルールからゴールデンデータモデルへ:パーソナライズされた互換性のある医薬品の大量生産
• Abstract要約: 大規模言語モデル(LLM)は、ドメイン固有の商用および医療コンテンツを生成するために、ますます使われてきている。 しかし、規制の遵守、事実の正確性、そしてオーディエンス固有のパーソナライゼーションは大きな課題である。 本稿では,アクセシブレベルルールから検索時間構造化コンテキストへのコンプライアンスとパーソナライズ信号の移動がクレーム生成を改善するかどうかを事例として報告する。
• 参考スコア（独自算出の注目度）: 1.884495811178762
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) are increasingly used to generate domain-specific commercial & medical content (e.g., claims, statements, and promotional phrases) in regulated industries such as pharmaceuticals. However, ensuring its regulatory compliance, factual accuracy, and audience-specific personalization remains a major challenge. We report a production case study asking whether moving compliance and personalization signal from prompt-level rules into retrieval time structured context improves pharmaceutical claims generation, using Composer, a deployed internal tool built on a Golden Data Model (GDM) of 1,867 pharmaceutical claims spanning four products. The GDM integrates claim metadata, references, audience labels, material type, usage history, Match Text Variant (MTV) links, and a six dimension quality score (6C). Across six product-audience segments, the context pipeline improves intended indication (+29%), intended content type (+62%) and intended target audience (+67%), 6C quality score (+86%), and claim reuse (+34%). Production log analysis over the deployment period shows a 29.5% reduction in weekly API cost. We report this as descriptive deployment evidence. This work is a systems and data architecture contribution: it shows that in a regulated, high-stakes domain, restructuring claim data for retrieval-time filtering is a more scalable lever than expanding prompt-level rules, and documents the engineering path data cleaning, graph linking, and quality scoring.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、医薬品などの規制された産業において、ドメイン固有の商業的・医療的コンテンツ(クレーム、ステートメント、プロモーションフレーズなど)を生成するために、ますます使われてきている。 しかし、規制の遵守、事実の正確性、そしてオーディエンス固有のパーソナライゼーションは大きな課題である。 本稿では,4つの製品にまたがる1,867件のGolden Data Model(GDM)上に構築された内部ツールであるComposerを用いて,即時ルールから検索時間構造化コンテキストへのコンプライアンスとパーソナライズ信号の移動が医薬品クレーム生成を改善するかどうかを事例として報告する。 GDMはクレームメタデータ、参照、オーディエンスラベル、素材タイプ、使用履歴、MTV(Match Text Variant)リンク、および6次元品質スコア(6C)を統合している。 6つの製品オーディエンスセグメントで、コンテキストパイプラインは意図された指示(+29%)、意図されたコンテンツタイプ(+62%)、対象対象のオーディエンス(+67%)、6C品質スコア(+86%)、クレーム再利用(+34%)を改善している。 デプロイメント期間中のプロダクションログ分析では、毎週のAPIコストが29.5%削減されている。 私たちはこれを記述的な展開証拠として報告します。 この研究はシステムとデータアーキテクチャのコントリビューションであり、規制されたハイテイクドメインでは、検索時間フィルタリングのためのクレームデータは、プロンプトレベルのルールを拡張するよりもスケーラブルなレバーであり、エンジニアリングパスデータのクリーニング、グラフリンク、品質スコアリングが文書化されている。

関連論文リスト

• 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)
• Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents [68.52563127206808]
  SA-RAG(Structure-aware Retrieval Augmented Generation)は、テーブルを中間構造表現として使用して、コンパクトで制御可能なインターフェースを提供する。 メタデータの正規化と有効性をモデル化する品質対応のテーブルメタデータ生成フレームワークを提案する。 2つのノイズの多い実世界のデータセットの実験は、SA-RAGが既存のRAGベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-23T03:07:33Z)
• OIDA-QA: A Multimodal Benchmark for Analyzing the Opioid Industry Documents Archive [50.468138755368805]
  オピオイド危機は公衆衛生にとって重要な瞬間である。 UCSF-JHU Opioid Industry Documents Archive(OIDA)に公開されているデータと文書 本稿では,文書属性に応じて元のデータセットを整理することで,この問題に対処する。
  論文  参考訳（メタデータ） (2025-11-13T03:27:32Z)
• Customizing Open Source LLMs for Quantitative Medication Attribute Extraction across Heterogeneous EHR Systems [4.279217079039312]
  鍵となる処方則属性は、異種EHRシステムにおける異なるフォーマットフィールドとフリーテキストノートに散在する。 Llama, Qwen, Gemma, MedGemma など,オープンソースの大規模言語モデル (LLM) をカスタマイズして, MOUD 処方薬属性の統一セットを抽出するフレームワークを提案する。 パイプラインは固定スキーマでレコードを直接処理し、続いて軽量な正規化とクロスフィールドチェックを行います。
  論文  参考訳（メタデータ） (2025-10-23T22:27:10Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Improving Medical Reasoning through Retrieval and Self-Reflection with Retrieval-Augmented Large Language Models [18.984165679347026]
  Self-BioRAGは、説明文の生成、ドメイン固有の文書の検索、生成したレスポンスの自己参照を専門とする、バイオメディカルテキストに信頼できるフレームワークである。 84kのバイオメディカル・インストラクション・セットを用いて、カスタマイズされた反射トークンで生成された説明を評価できるセルフビオRAGを訓練する。
  論文  参考訳（メタデータ） (2024-01-27T02:29:42Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• WiCE: Real-World Entailment for Claims in Wikipedia [63.234352061821625]
  We propose WiCE, a new fine-fine textual entailment dataset built on natural claim and evidence pairs from Wikipedia。 標準クレームレベルのエンターメントに加えて、WiCEはクレームのサブ文単位に対するエンターメント判断を提供する。 我々のデータセットの真のクレームは、既存のモデルで対処できない検証と検索の問題に挑戦することを含んでいる。
  論文  参考訳（メタデータ） (2023-03-02T17:45:32Z)

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。