論文の概要: CARF: Context-Aware Reasoning Supervision for Scientific Evidence Screening
- arxiv url: http://arxiv.org/abs/2610.38041v1
- Date: Tue, 27 Oct 2026 22:52:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 19:04:26.297256
- Title: CARF: Context-Aware Reasoning Supervision for Scientific Evidence Screening
- Title（参考訳）: CARF:科学エビデンススクリーニングのためのコンテキスト認識推論スーパービジョン
- Abstract要約: 文脈依存スクリーニングタスクに言語モデルを適用するために、文脈認識推論フレームワーク(CARF)を導入する。
CARFは、高い感度を維持しながら評価されたモデルと比較して、競争力のあるスクリーニング性能を示す。
これらの結果から,専門家補正推論は文脈に依存した科学的スクリーニングのための有望な監視信号である可能性が示唆された。
- 参考スコア（独自算出の注目度）: 4.308994061077574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Systematic reviews synthesize biomedical evidence to inform clinical and public-health decision-making, but require domain experts to manually screen thousands of studies against detailed eligibility criteria. We investigate whether language models can assist with this bottleneck by learning from expert feedback on title and abstract screening decisions and model-generated reasoning. We introduce the Context-Aware Reasoning Framework (CARF), a human-in-the-loop framework that uses expert feedback on model-generated reasoning to adapt language models to context-dependent screening tasks. We evaluate CARF on systematic reviews of verbal autopsy and cause-of-death ascertainment methods used in global public health mortality surveillance. CARF shows competitive screening performance compared to evaluated models while retaining high sensitivity, and is more inclined to retain ambiguous, context-dependent studies for human review. Together, these findings suggest that expert-corrected reasoning is a promising supervision signal for context-dependent scientific screening, while retaining a role for human oversight.
- Abstract（参考訳）: 体系的レビューは、臨床および公衆衛生上の意思決定を知らせるために、生物医学的証拠を合成するが、ドメインの専門家は、詳細な資格基準に対する何千もの研究を手動で検査する必要がある。
我々は,言語モデルがこのボトルネックに対処できるかどうかを,タイトルや抽象的なスクリーニング決定,モデル生成推論に関する専門家のフィードバックから学ぶことによって検討する。
本稿では,言語モデルを文脈依存スクリーニングタスクに適応させるために,モデル生成推論に関する専門家のフィードバックを利用するヒューマン・イン・ザ・ループ・フレームワークであるContext-Aware Reasoning Framework (CARF)を紹介する。
本研究では,グローバルな公衆衛生死亡率監視に使用される言語解剖と死因確認方法の体系的レビューに基づいてCARFを評価した。
CARFは、高い感度を維持しながら評価されたモデルと比較して、競争力のあるスクリーニング性能を示し、人間のレビューのために曖昧で文脈に依存した研究を維持する傾向にある。
これらの知見は、専門家による訂正推論が、人間の監視の役割を維持しつつ、文脈に依存した科学的スクリーニングのための有望な監視信号であることを示唆している。
関連論文リスト
- Structured Reasoning Agentic Framework for Interpretable Critical View of Safety Assessment [4.8728783463875205]
視覚言語モデル(VLM)を利用した構造化推論フレームワークReasonCVSを提案する。
我々は解剖学的実体とその空間的関係を構造化された表現に整理する解剖学的シーングラフ抽象化(ASGA)を考案した。
Endoscapes-CVS201ベンチマークの実験では、ReasonCVSは最先端よりも優れたパフォーマンス(68.1% mAP)を達成している。
論文 参考訳（メタデータ） (2026-09-25T17:01:56Z) - Position: Anthropomorphic Misalignment Research Needs Stronger Evidence [52.76826423649968]
概念的曖昧さ,非ロバストデータセット,実験設計,不十分な因果的介入が,モデル行動の過度な解釈につながることを示す。
本研究の目的は,AMRの方法論的厳密性向上に寄与する明らかな考察のガイダンスを提供することである。
論文 参考訳（メタデータ） (2026-05-29T16:38:53Z) - Cognitive bias in LLM reasoning compromises interpretation of clinical oncology notes [28.87443673774825]
我々は,GPT-4連鎖反応から実際のオンコロジーノートへの誤りを推論する階層的な分類法を開発した。
前立腺癌検診の822例に対する分類学的検討を行った。
推論失敗はガイドラインの不一致と潜在的に有害なレコメンデーションと関連づけられた。
論文 参考訳（メタデータ） (2025-11-16T21:13:09Z) - Reasoning Visual Language Model for Chest X-Ray Analysis [30.318629424154206]
胸部X線解釈にチェーン・オブ・シント(CoT)推論をもたらすフレームワークを提案する。
推論ファーストのトレーニングパラダイムにインスパイアされた私たちのアプローチは、専門家が結論を下すだけでなく、どのように判断するかを学ぶように設計されています。
我々は,胸部X線撮影における信頼に値する,説明可能なAIに向けたコミュニティの進展を支援するために,コードとモデルNV-Reason-CXR-3Bをリリースする。
論文 参考訳（メタデータ） (2025-10-28T00:48:00Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。
我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:03:30Z) - AutoMedEval: Harnessing Language Models for Automatic Medical Capability Evaluation [55.2739790399209]
本稿では,医療用LLMの質問応答能力を測定するために,13Bパラメータを用いたオープンソースの自動評価モデルAutoMedEvalを提案する。
AutoMedEvalの包括的な目的は、多様なモデルが生み出す応答の質を評価することであり、人間の評価への依存を著しく低減することを目的としている。
論文 参考訳（メタデータ） (2025-05-17T07:44:54Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Exploring LLM-based Data Annotation Strategies for Medical Dialogue Preference Alignment [22.983780823136925]
本研究は、医療対話モデルを改善するために、AIフィードバック(RLAIF)技術を用いた強化学習(Reinforcement Learning)について検討する。
医療におけるRLAIF研究の主な課題は、自動評価手法の限界である。
標準化された患者診査に基づく新しい評価枠組みを提案する。
論文 参考訳（メタデータ） (2024-10-05T10:29:19Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z)
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。