論文の概要: When Respondents Are Scarce: LLM-Derived Semantic Priors for Bayesian Confirmatory Factor Analysis

• arxiv url: http://arxiv.org/abs/2610.34843v1
• Date: Mon, 26 Oct 2026 04:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.751516
• Title: When Respondents Are Scarce: LLM-Derived Semantic Priors for Bayesian Confirmatory Factor Analysis
• Title（参考訳）: 応答がスカースであるとき--ベイジアン確認因子分析のためのLLM-Derived Semantic Priors-
• Abstract要約: SEUF(Semantic-Empirical Updating Framework)について紹介する。 SEUFは、仮説化されたアイテム要素の割り当てと整合した大きな言語モデルパラフレーズと埋め込みを、ベイズ的確証因子分析のための予め定義された前置詞に変換する。 SEUFの評価には,工業団地利害関係者617名と,FEVSとRIASECの2つの公開調査を用いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Across social and behavioral research, measuring latent constructs can be challenging when target populations are small or difficult to reach. Recruiting additional respondents may be costly or infeasible, leaving researchers with limited data for estimating questionnaire factor structures. Yet item wording contains structural expectations before data collection, and whether these can improve small-sample estimation without replacing empirical validation remains unclear. We introduce the Semantic-Empirical Updating Framework (SEUF), which converts large language model paraphrases and embeddings, aligned with hypothesized item-factor assignments, into prespecified priors for Bayesian confirmatory factor analysis. We evaluated SEUF using a 38-item survey of 617 industrial-park stakeholders and two public surveys, FEVS and RIASEC. Semantic structure persisted after wording controls across all three instruments. With 50 respondents, SEUF achieved loading precision comparable to conventional CFA with 70-82 respondents, equivalent to 29-39% fewer respondents at the specified precision benchmark. Results showed lower loading errors and improved credible-interval coverage relative to conventional CFA in both public surveys. Gains were greatest when respondent data were limited, highlighting the value of semantic priors under information scarcity. By harnessing structural information already embedded in questionnaires, SEUF advances a more resource-efficient approach to measurement and opens new directions for study design and empirical inference in hard-to-reach populations.
• Abstract（参考訳）: 社会的・行動的な研究全体では、標的人口が小さい場合や到達が難しい場合、潜伏構造を測定することは困難である。 追加の回答者のリクルートは費用がかかるか不可能であり、研究者はアンケート因子の構造を推定するための限られたデータを残している。 しかし、項目語にはデータ収集前の構造的期待が含まれているため、経験的検証を置き換えることなく小サンプル推定を改善することができるかどうかは不明だ。 本稿では,大言語モデルのパラフレーズと埋め込みを仮定されたアイテム要素の割り当てに合わせたセマンティック・経験的更新フレームワーク(SEUF)をベイズ的確認因子分析の事前仕様に変換する。 SEUFの評価には,工業団地利害関係者617名と,FEVSとRIASECの2つの公開調査を用いた。 セマンティック構造は、3つの楽器にまたがる言葉の制御によって維持された。 50人の回答者で、SEUFは70～82人の回答者で従来のCFAに匹敵するロード精度を達成した。 両調査とも, 負荷誤差の低減と従来型CFAに対する信頼区間カバレッジの改善が認められた。 応答データが制限された場合の利得は最大であり、情報不足下での意味的先行値の価値を強調した。 既にアンケートに埋め込まれている構造情報を活用することで、SEUFはより資源効率の高い測定アプローチを推進し、難しい人口における設計と経験的推論のための新しい方向性を開拓する。

関連論文リスト

• Silicon Sampling via Cross-Survey Transfer [0.0]
  シリコンサンプリングを利用した大規模言語モデル(LLMs)は、従来の調査研究を拡大するための有望なアプローチとして、人間の調査回答者をシミュレートする。 我々は,LLMが一つの質問に対して応答者の回答を与え,その回答を同じ質問から完全に異なる質問に対して予測する,より厳密な評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T08:22:18Z)
• Rectification Difficulty and Optimal Sample Allocation in LLM-Augmented Surveys [0.0]
  大規模言語モデルは低コストで総合的なサーベイ応答を生成することができるが、その精度は質問によって予測不可能に変化する。 各タスクに安価なLCM予測が利用できる場合, 評価タスク全体にわたって, ヒトの定型予算を割り当てる設計問題について検討する。 まず、予測パワー推論に基づいて、推定器のばらつきがヒトのサンプルサイズでどれだけ早く減少するかを判断する、疑問特異的な補正の難しさを特徴付ける。 第2に,LLMの信頼性が低いタスクに対して,より人間的なラベルを指示するクローズドフォームの最適アロケーションルールを導出する。
  論文  参考訳（メタデータ） (2026-04-19T05:45:37Z)
• Prompt-Based Clarity Evaluation and Topic Detection in Political Question Answering [0.0]
  本研究では,SemEval 2026共有タスクのCLARITYデータセットを用いて,プロンプトに基づく明瞭度評価を行う。 我々は,GPT-5.2に対して,データセットを付加したGPT-3.5ベースラインを3つのプロンプト戦略で評価した。 その結果、GPT-5.2は明度予測においてGPT-3.5ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-13T03:10:58Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• Beyond "Not Novel Enough": Enriching Scholarly Critique with LLM-Assisted Feedback [81.0031690510116]
  本稿では,3段階を通して専門家レビューアの動作をモデル化する,自動ノベルティ評価のための構造化アプローチを提案する。 本手法は,人文のノベルティレビューを大規模に分析した結果から得られたものである。 182 ICLR 2025 の提出で評価されたこの手法は、人間の推論と86.5%の一致と、新規性の結論に関する75.3%の合意を達成している。
  論文  参考訳（メタデータ） (2025-08-14T16:18:37Z)
• Structured Thinking Matters: Improving LLMs Generalization in Causal Inference Tasks [0.7988085110283119]
  Corr2Cause のデータセットによる最近の結果は、最先端の LLM がランダムベースラインをわずかに上回っていることを示している。 我々は、構造化知識グラフを構築するためのモデルを導くことによって、その思考を構造化する能力を備えたモデルを提供する。 Qwen3-32Bモデル(推論モデル)を用いたCorr2Causeデータセットベンチマークのテストサブセットの実験は、標準的なダイレクトプロンプトメソッドよりも大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-05-23T15:37:40Z)
• SOUL: Towards Sentiment and Opinion Understanding of Language [96.74878032417054]
  我々は、言語感覚とオピニオン理解(SOUL)と呼ばれる新しいタスクを提案する。 SOULは2つのサブタスクを通して感情理解を評価することを目的としている:レビュー(RC)と正当化生成(JG)。
  論文  参考訳（メタデータ） (2023-10-27T06:48:48Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。