論文の概要: From Questions to Queries to Insights: A Schema-Grounded Agentic Workflow for Natural-Language Crash Data Analysis
- arxiv url: http://arxiv.org/abs/2610.35054v1
- Date: Mon, 26 Oct 2026 09:01:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.80354
- Title: From Questions to Queries to Insights: A Schema-Grounded Agentic Workflow for Natural-Language Crash Data Analysis
- Title（参考訳）: 質問からクェリからインサイトへ:自然界のクラッシュデータ分析のためのスキーマ付きエージェントワークフロー
- Abstract要約: 交通機関は広範な事故データベースを維持し、安全の優先事項を特定し、対策を評価し、資源配分を誘導する。
既存のダッシュボードは事前に定義された分析をサポートし、追加の要求はデータベースクエリ、コードフィールド、エージェンシー規約を理解する専門家に依存することが多い。
CrashDBQAは、完全にローカルなスキーマで構築されたエージェントワークフローで、クラッシュデータベースの自然な解析を可能にする。
- 参考スコア（独自算出の注目度）: 22.74364707025312
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transportation agencies maintain extensive crash databases to identify safety priorities, evaluate countermeasures, and guide resource allocation. Making these data accessible to practitioners requires flexible ways to translate analytical questions into reliable results. Existing dashboards support predefined analyses, while additional requests often depend on specialists who understand database queries, coded fields, and agency conventions. This study presents CrashDB-QA, a fully local, schema-grounded agentic workflow that enables natural-language analysis of crash databases. Specialized components interpret questions, generate and validate read-only SQL, execute queries, and explain the results. A shared knowledge base grounds query construction in the agency's data dictionary and safety-analysis conventions, while recorded intermediate outputs support inspection and auditing. An optional extension, CrashDB-QA+, checks the alignment among the question, query, and execution result and supplies evidence for iterative repair. We evaluate the workflow on a frozen snapshot of 4.4 million Wisconsin crash records using a new benchmark of 300 questions across ten analytical categories and nine local open-weight models. Domain grounding substantially improves query accuracy, and a code-specialized 7B model provides the best accuracy-latency balance among the tested models. Compositional analyses remain more difficult than routine retrieval, particularly comparisons between groups or periods. Verification improves performance when the Judge uses authoritative field definitions and the Refiner receives execution evidence, whereas additional checking alone offers no consistent benefit. These findings demonstrate the potential of locally deployed, domain-grounded workflows to broaden access to crash analysis and identify the reasoning and verification capabilities needed for reliable use.
- Abstract（参考訳）: 交通機関は広範な事故データベースを維持し、安全の優先事項を特定し、対策を評価し、資源配分を誘導する。
これらのデータを実践者に公開するには、分析的な質問を信頼できる結果に変換する柔軟な方法が必要である。
既存のダッシュボードは事前に定義された分析をサポートし、追加の要求はデータベースクエリ、コードフィールド、エージェンシー規約を理解する専門家に依存することが多い。
CrashDB-QAは、完全にローカルなスキーマで構築されたエージェントワークフローで、クラッシュデータベースの自然言語解析を可能にする。
特殊なコンポーネントは質問を解釈し、読み取り専用SQLを生成して検証し、クエリを実行し、結果を説明する。
共有知識ベースは、記録された中間出力が検査および監査をサポートする一方で、機関のデータ辞書および安全分析規約におけるクエリ構築を基盤とする。
オプションのエクステンションであるCrashDB-QA+は、質問、クエリ、実行結果のアライメントをチェックし、反復的な修復の証拠を提供する。
ウィスコンシン州で発生した440万件のクラッシュ記録の凍結スナップショット上で,10の分析カテゴリと9つの局所的オープンウェイトモデルにわたる300の質問の新たなベンチマークを用いて,ワークフローを評価する。
ドメイングラウンドリングはクエリの精度を大幅に改善し、コード特化7Bモデルはテストされたモデル間で最高の精度とレイテンシのバランスを提供する。
構成分析は日常的な検索よりも困難であり、特にグループや期間の比較は困難である。
審査員が権威的フィールド定義を使用し、Refinerが実行証拠を受け取ると、検証はパフォーマンスを改善します。
これらの結果は、クラッシュ解析へのアクセスを拡大し、信頼性の高い使用に必要な推論と検証機能を特定するために、ローカルにデプロイされたドメインベースワークフローの可能性を示している。
関連論文リスト
- Structural Inference in Undocumented Mobile Databases: A Reproducible Benchmark for Evaluating Agentic Reasoning in Digital Forensics [1.7102309907119588]
この研究は、エージェント構造推論を独立した能力として評価する。
エージェントがテーブルの関係を再構築し、属性をリンクし、生のデータベースと自然な調査プロンプトのみを与えられたときにパスを結合する方法について検討する。
専門家が検証した基底真理を用いて, (i) 推論関係リンクの構造的正当性, (ii) マルチテーブル推論に基づく実行コヒーレンス, (iii) 実行が成功した場合の推論構造の構造的堅牢性と失敗モードを評価するが, 関係的解釈は専門家の基底真理から分岐する。
論文 参考訳（メタデータ） (2026-08-21T03:41:58Z) - Walk Before You Run: The Importance of Data Exploration for Data Analysis Agents [7.140798105546584]
現在のツールやベンチマークでは、このステップは通常暗黙的に残され、ダウンストリームタスクのパフォーマンスとデータセット理解のギャップが生じる。
我々は、より強力なデータ探索サポートによってタスクパフォーマンスが向上するダウンストリーム実験を通して示す。
以上の結果から,強力なLCMとデータ分析エージェントは,たとえスプレッドシートの内容を読み込んだとしても,重要な論理構造を欠いていることが明らかとなった。
論文 参考訳（メタデータ） (2026-08-17T03:19:59Z) - From Question-First to Analyst-First: Domain-Expert Skills and Verified Knowledge Compilation for Proactive Enterprise Analytics [2.000294391507879]
本稿では,対話モデルを質問優先からアナリスト優先に反転させる生産分析システムについて述べる。
スキルは自己完結したフォルダであり、決定論的に解決されるため、カタログはオープンエンドである。
オフラインのナレッジコンパイルループは、DuckDBを介してデータセットのパケットをプローブする。
論文 参考訳（メタデータ） (2026-06-15T15:20:44Z) - Unsupervised Skill Discovery for Agentic Data Analysis [55.42853694128929]
DataCOPEは、データ分析エージェントのための教師なし検証対象のスキル発見フレームワークである。
トラジェクトリ生成のためのデータ分析エージェント、信号抽出のための教師なし検証器、および対照的なスキル蒸留のためのスキルマネージャを反復的にコーディネートする。
我々は,Deep Data Researchのレポートスタイル分析とDABStepの推論スタイル解析についてDataCOPEを評価した。
論文 参考訳（メタデータ） (2026-06-04T17:20:47Z) - What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある
SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。
SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
論文 参考訳（メタデータ） (2026-06-01T03:18:01Z) - Towards Agentic Investigation of Security Alerts [0.07646713951724012]
セキュリティアナリストは、アラートの量と検出システムが提供する低コンテキストに圧倒されます。
初期段階の調査は通常、複数のログソース間で手動の相関を必要とする。
本稿では,事前定義されたクエリを付加した大規模言語モデル(LLM)を活用する実験的なエージェントワークフローを提案する。
論文 参考訳（メタデータ） (2026-04-28T16:52:12Z) - LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。
LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。
実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
論文 参考訳（メタデータ） (2026-01-05T23:23:16Z) - Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。
Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。
既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
論文 参考訳（メタデータ） (2025-09-30T22:19:44Z) - GateLens: A Reasoning-Enhanced LLM Agent for Automotive Software Release Analytics [9.549568621873386]
GateLensは、自動車分野のデータ分析のためのLLMベースのシステムである。
遅くて不透明でメンテナンスにコストがかかる従来のマルチエージェントや計画ベースのシステムとは異なり、GateLensはスピード、透明性、信頼性を強調している。
論文 参考訳（メタデータ） (2025-03-27T17:48:32Z) - Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。
本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。
我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
論文 参考訳（メタデータ） (2020-04-06T22:35:19Z)
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。