論文の概要: Requirements Nobody Wrote Down: Emergence in a Public-Sector ML Pipeline

• arxiv url: http://arxiv.org/abs/2611.07951v1
• Date: Thu, 05 Nov 2026 12:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.688528
• Title: Requirements Nobody Wrote Down: Emergence in a Public-Sector ML Pipeline
• Title（参考訳）: 要件に不満はない - パブリックセグメントMLパイプラインの創発
• Abstract要約: ブラジルのデジタル参加プラットフォームにおけるテーマ分類パイプラインの15ヶ月のケーススタディを報告する。 実験、モデルアウトプット、統合作業から重要な要件が生まれ、技術的な決定と制度的な制約によって形作られた。
• 参考スコア（独自算出の注目度）: 7.988270113993841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Governments increasingly use machine learning (ML) to handle data volumes beyond their analytical capacity, yet little is known about how requirements arise and evolve as an ML experiment moves toward operational use. Requirements Engineering (RE) for ML often assumes that requirements can be elicited upfront; in the public sector, however, demands arrive vague, stakeholders speak different professional languages, and what counts as a ``good'' result is unknown in advance. We report a 15-month case study of a thematic classification pipeline for Brazil's national digital participation platform, which holds over 60,000 citizen proposals, triangulating 43 project artifacts with interviews of six project participants. Institutional demands arrived as broad goals, endorsed but not sponsored, and only 40\% of the 95 reconstructed requirements and criteria were ever formalized. The pipeline's key requirements emerged largely from experiments, model outputs, and integration work, shaped by technical decisions and institutional constraints; the central one, the classification categories, was settled by a government taxonomy chosen for its institutional legitimacy. Acceptance relied on technical metrics, domain judgment, and political assessment, without shared thresholds or validation of usefulness in practice. In public-sector ML, technical and institutional artifacts thus act as elicitation instruments, and experimentation and integration belong to the requirements process.
• Abstract（参考訳）: 政府は、分析能力以上のデータボリュームを処理するために、機械学習(ML)をますます活用しているが、ML実験が運用利用に向かって進むにつれて、要求がどのように発生して進化するかは、ほとんど分かっていない。 MLの要件工学(RE)は、要件を事前に引き出すことができると仮定することが多いが、公共セクターでは、要求があいまいになり、利害関係者が異なる専門用語を話し、‘よい’とみなす結果が事前に分かっていない。 ブラジルのデジタル参加プラットフォームにおいて、6万人以上の市民提案が開催され、6人のプロジェクト参加者のインタビューで43のプロジェクトアーティファクトを三角測量するテーマ分類パイプラインについて15ヶ月のケーススタディを報告した。 制度上の要求は幅広い目標として到達したが、支持はされなかった。95の再建された要求と基準のうち、わずか40%しか形式化されなかった。 パイプラインの主な要件は、主に技術決定と制度上の制約によって形成された実験、モデルアウトプット、統合作業から生まれ、中央の分類カテゴリーは、その機関の正当性のために選択された政府の分類によって解決された。 受け入れは技術メトリクス、領域判断、政治的評価に頼っており、共有のしきい値や実際の有用性の検証は行わなかった。 パブリックセクターMLでは、技術的および制度的なアーティファクトが免許証として機能し、実験と統合は要件プロセスに属する。

関連論文リスト

• SemEval-2026 Task 7: Everyday Knowledge Across Diverse Languages and Cultures [93.36078244548077]
  タスクデータは、手動で構築したBLEnDベンチマーク(Myung et al. 2024)の拡張バージョンで構成され、30以上の言語培養ペアをカバーする。 このタスクは厳密に評価のために設計されているため、参加者はトレーニング、微調整、数発の学習、その他のモデル修正のためにデータを使用することは許されなかった。 その結果を報告し、最も優れたシステムと最も広く採用されているアプローチについて分析する。
  論文  参考訳（メタデータ） (2026-05-04T13:49:44Z)
• Generating and Evaluating Sustainable Procurement Criteria for the Swiss Public Sector using In-Context Prompting with Large Language Models [5.793605269631446]
  公共調達(Public procurement)とは、公共セクター機関が商品やサービスを取得する過程のこと。 スイスの法律は、生態学的、社会的、経済的持続可能性要件を緩やかな評価に統合する必要がある。 高レベルの持続可能性規制を具体的、検証可能、セクター固有の調達基準に翻訳することは、労働集約的でエラーを起こしやすい手作業のままである。
  論文  参考訳（メタデータ） (2026-03-23T19:21:35Z)
• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
  本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。 このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。 以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
  論文  参考訳（メタデータ） (2025-05-12T14:05:23Z)
• R-Bench: Graduate-level Multi-disciplinary Benchmarks for LLM & MLLM Complex Reasoning Evaluation [75.33671166231096]
  我々は、Reasoning Bench(R-Bench)と呼ばれる、大学院レベルの多学派、英語の中国語ベンチマークを導入する。 RBenchは108の被験者に1,094の質問を、83の被験者に665の質問を、マルチモーダルなモデルテストに当てはめている。 我々は,OpenAI o1,GPT-4o,DeepSeek-R1など,広く使用されているモデルを評価した。
  論文  参考訳（メタデータ） (2025-05-04T07:48:36Z)
• Exploring LLMs for Verifying Technical System Specifications Against Requirements [41.19948826527649]
  知識に基づく要求工学(KBRE)の分野は、システム要件の活用、検証、管理を支援する知識を提供することによって、技術者を支援することを目的としている。 大規模言語モデル(LLM)の出現はKBREの分野で新たな機会を開く。 本研究は, LLMの要件検証における可能性について実験的に検討する。
  論文  参考訳（メタデータ） (2024-11-18T13:59:29Z)
• Status Quo and Problems of Requirements Engineering for Machine Learning: Results from an International Survey [7.164324501049983]
  要求工学(RE)は、機械学習対応システムにおいて多くの問題を解決するのに役立つ。 我々は,ML対応システムにおけるREの現状と問題点について,実践者の知見を収集する調査を行った。 MLプロジェクトでは,REプラクティスに有意な違いが認められた。
  論文  参考訳（メタデータ） (2023-10-10T15:53:50Z)
• Leveraging Large Language Models for Topic Classification in the Domain of Public Affairs [65.9077733300329]
  大規模言語モデル (LLM) は公務員文書の分析を大幅に強化する可能性を秘めている。 LLMは、公共の分野など、ドメイン固有のドキュメントを処理するのに非常に役立ちます。
  論文  参考訳（メタデータ） (2023-06-05T13:35:01Z)
• Requirement Formalisation using Natural Language Processing and Machine Learning: A Systematic Review [11.292853646607888]
  我々は,要求工学におけるNLP技術とML技術の現状を概説するために,体系的な文献レビューを行った。 NLPアプローチは、構造化データと半構造化データに対する一次操作である自動RFに使用される最も一般的なNLP手法であることがわかった。 また,本研究では,従来のML技術が研究に大きく貢献する代わりに,Deep Learning(DL)技術が広く用いられていることも明らかにした。
  論文  参考訳（メタデータ） (2023-03-18T17:36:21Z)
• NLP-based Decision Support System for Examination of Eligibility Criteria from Securities Prospectuses at the German Central Bank [0.0]
  ドイツ中央銀行(中央銀行)はPDF形式でスキャンされた数百の先入観を受信し、その適性を決定するために手作業で処理する必要がある。 この退屈で時間を要するプロセスは、現代的なNLPモデルアーキテクチャを利用することで(半自動で)実現できることがわかりました。 提案する意思決定支援システムは、人間の理解可能な説明を伴う文書レベルの適格基準を決定する。
  論文  参考訳（メタデータ） (2023-02-09T11:00:58Z)

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。