論文の概要: Towards Full-Text Scholarly Argument Mining using Entity-Anchored Claim Extraction

• arxiv url: http://arxiv.org/abs/2610.40196v1
• Date: Thu, 29 Oct 2026 14:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:59:56.820979
• Title: Towards Full-Text Scholarly Argument Mining using Entity-Anchored Claim Extraction
• Title（参考訳）: Entity-Anchored Claim 抽出を用いた全文ショニングに向けて
• Abstract要約: 学術文献において,科学的実体の言及を利用して主張を識別・構造化する新たなアプローチを導入する。 我々は、感情分析に関する50のフルテキスト研究論文を含むケーススタディを通じて、我々のアプローチを検証する。 アノテーションのボトルネックに対処するために、我々は、銀標準データセットを生成するために、大言語モデル(LLM)の多数投票アンサンブルを使用します。
• 参考スコア（独自算出の注目度）: 42.213648310313154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Argument mining in full-text scholarly articles remains an important yet challenging task. This difficulty stems not only from the need to model long-distance dependencies but also from the substantial effort required to annotate sentence-level argumentative components throughout lengthy documents. To address these challenges, we introduce a novel approach that leverages scientific entity mentions (e.g., tasks, datasets, and models) to identify and structure claims in scholarly literature. We validate our approach through a case study involving 50 full-text research papers on sentiment analysis. We first establish a reliable human gold standard (Krippendorff's $α= 0.80$), identifying 113 claim-bearing sentences and extracting 199 structured claim records from 300 candidate sentences. To address the annotation bottleneck, we employ a majority-voting ensemble of large language models (LLMs) to generate a silver-standard dataset comprising 1,487 claims. Encoders fine-tuned exclusively on the silver-standard dataset outperform those trained on a small human-annotated gold-standard dataset and demonstrate strong zero-shot transfer to NLP papers outside the training corpus.
• Abstract（参考訳）: フルテキストの学術論文における論証マイニングは、依然として重要な課題でありながら挑戦的な課題である。 この難しさは、長距離依存をモデル化する必要だけでなく、長いドキュメント全体にわたって文レベルの議論的コンポーネントに注釈をつけるのに必要なかなりの労力にも起因している。 これらの課題に対処するために、学術文献におけるクレームの特定と構造化に科学的実体(タスク、データセット、モデルなど)を活用する新しいアプローチを導入する。 我々は、感情分析に関する50のフルテキスト研究論文を含むケーススタディを通じて、我々のアプローチを検証する。 我々はまず,信頼度の高い人間の金標準(Krippendorff's $α= 0.80$)を確立し,請求文113を同定し,300の候補文から199の構造化クレームレコードを抽出した。 アノテーションのボトルネックに対処するため,我々は大規模言語モデル (LLM) の多数投票アンサンブルを用いて,1,487クレームからなる銀標準データセットを生成する。 銀標準データセットのみに微調整されたエンコーダは、人間に注釈を付けた小さな金標準データセットで訓練された者より優れており、トレーニングコーパス外のNLP論文に強いゼロショット転送を示す。

関連論文リスト

• CorpusQA: A 10 Million Token Benchmark for Corpus-Level Analysis and Reasoning [48.56088080889236]
  我々は、新しいデータ合成フレームワークによって生成された1000万のトークンをスケーリングする新しいベンチマークであるCorpusQAを紹介した。 合成データの微調整はLLMの一般的な長文推論能力を効果的に向上させることを示す。 メモリ拡張型エージェントアーキテクチャは,より堅牢な代替手段であることを示す。
  論文  参考訳（メタデータ） (2026-01-21T12:52:30Z)
• Who Gets Cited Most? Benchmarking Long-Context Language Models on Scientific Articles [81.89404347890662]
  SciTrekは、科学論文を用いた大規模言語モデル(LLM)の長文推論能力を評価するために設計された、新しい質問応答ベンチマークである。 本分析により,モデルの基本的数値演算を行ない,特定の情報を長い文脈で正確に特定する能力において,系統的な欠点が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T11:36:09Z)
• One Thousand and One Pairs: A "novel" challenge for long-context language models [56.60667988954638]
  NoChaは、67冊の架空の書籍に関する1,001対の真偽の主張のデータセットである。 当社のアノテータは、NoChaにおけるペアの最大シェアは、本全体に対するグローバルな推論を必要としていることを確認しています。 平均的なモデルでは、文レベルの検索しか必要としないペアの方が、グローバルな推論よりもはるかに優れています。
  論文  参考訳（メタデータ） (2024-06-24T02:03:57Z)
• Full-Text Argumentation Mining on Scientific Publications [3.8754200816873787]
  フルテキストSAMに対してADURとAREを組み合わせた逐次パイプラインモデルを提案する。 両サブタスクにおける事前学習言語モデル(PLM)の性能について,最初の解析を行った。 本稿では,非連続型ADUと談話コネクタの解釈が重要な課題であることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:05:30Z)
• CiteWorth: Cite-Worthiness Detection for Improved Scientific Document Understanding [23.930041685595775]
  本研究は,文が外部ソースを引用するか否かをラベル付けした英語における引用親和性検出の詳細な研究である。 CiteWorthは高品質で、挑戦的で、ドメイン適応のような問題の研究に適している。
  論文  参考訳（メタデータ） (2021-05-23T11:08:45Z)

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。