論文の概要: An AI Assistant for Automating Anti-Corruption Expertise of Draft Legislation Based on the TRACE Framework
- arxiv url: http://arxiv.org/abs/2611.14244v2
- Date: Wed, 11 Nov 2026 11:04:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.913155
- Title: An AI Assistant for Automating Anti-Corruption Expertise of Draft Legislation Based on the TRACE Framework
- Title(参考訳): TRACEフレームワークに基づくドラフトレガレーションの反破壊専門家の自動化のためのAIアシスタント
- Abstract要約: このパイプラインは、決定論的解析コア、モデル誘導シングルコリジョン資格、ルールベースの因子割り当て、外部の人間の監視を組み合わせる。
支援者を評価するため,ウクライナ国家破産防止庁の結論からオープンベンチマークを構築した。
100のドラフト法則では、このパイプラインは地元のGemma 4 31Bモデルを使用してトップ10のフラグの0.28、Sonnet 5.5で0.30、全フラグで0.43-0.46と一致している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present an AI assistant for automating anti-corruption expertise of draft legislation based on the TRACE architecture, designed to screen bills for corruption risks: pinpoint provisions an expert would criticise and name the regulatory defect in each. The pipeline combines a deterministic parsing core, model-guided single-provision qualification, rule-based factor assignment, and external human oversight. To evaluate the assistant, we constructed an open benchmark from the published conclusions of Ukraine's National Agency on Corruption Prevention (NAZK), comprising 132 draft laws with 474 model-extracted findings. A system flag agrees with a finding when it targets a compatible provision and an LLM judge rates the risk as the same (strict) or partly the same (lenient). On 100 draft laws, the pipeline matches 0.28 of the findings within its top ten flags using the local Gemma 4 31B model, 0.30 with Sonnet 5.5, and 0.43-0.46 across all flags (non-blind; the frozen blind baseline achieves 0.21, 95% CI 0.16-0.26). Across all runs, most misses occur on provisions that the system located but qualified as a different risk, and none of the 32 legal-collision findings was matched. On 21 acts held out from tuning, the pipeline outperforms a monolithic prompt containing the full methodology under the strict measure, though not under the lenient one, and Opus 5.5 adds nothing over Sonnet. The reported scores reflect agreement with model-extracted findings rated by an LLM judge whose two access routes agree on 73 of 74 labels, without human expert validation.
- Abstract(参考訳): 我々は、TRACEアーキテクチャに基づく草案制定法の腐敗防止に関する専門知識を自動化するためのAIアシスタントを提示する。
パイプラインは決定論的解析コア、モデル誘導シングルプロビジョンの資格、ルールベースの要因割り当て、外部の人間の監視を組み合わせる。
本研究は, ウクライナ国家破壊防止庁(NAZK)が公表した結果から, 132 の原案法と474 のモデル抽出結果からなるオープンベンチマークを構築した。
システムフラグは、互換性のある規定を目標とした場合に一致し、LCM判事はリスクを同じ(制限)または部分的に同じ(寛大)と評価する。
100のドラフト法則では、パイプラインはトップ10のフラグのうち0.28と、地元のGemma 4 31Bモデル、Sonnet 5.5で0.30、すべてのフラグで0.43-0.46と一致している(非盲目、凍結したブラインドベースラインは0.21、95% CI 0.16-0.26)。
あらゆる点において、ほとんどのミスは、システムの位置は異なるが、異なるリスクとして資格があるという規定で発生し、32件の法的衝突の結果は一致しなかった。
21の動作がチューニングから外れている場合、パイプラインは厳密な基準の下で完全な方法論を含むモノリシックなプロンプトよりも優れる。
報告されたスコアは、LLM審査員が評価したモデル抽出結果との一致を反映しており、その2つのアクセス経路は、専門家の検証なしに74のラベルのうち73に一致している。
関連論文リスト
- IFRS Compliance Verification: An Open Multi-LLM Benchmark and Content-Conditioned Ensemble Classifier [4.45524792930017]
シングルモデル精度は高い使用量では不十分である。
ナイーブ・アンサンブルは、最も強い個々のアノテータより下位の集約精度を引き出すことができる、系統的なモデルごとのバイアスに対して脆弱である。
このギャップは、19,998の規制と開示のペアの新しいベンチマークでサポートされたマルチステージフレームワークで対処されている。
論文 参考訳(メタデータ) (2026-11-10T05:12:13Z) - Beyond the Verdict: Agentic Code Judging with Verifiable Feedback [54.72977295521153]
我々は,人間の専門家による受諾プログラムと受諾プログラムを用いて,USACO 2026コンテストからUSACO-JUDGEを構築した。
次に、35Bのエージェント検証器であるARBITERを、汎用的な実行サンドボックスで強化学習して訓練する。
トレーニングは、不正なプログラムを40.61%から62.67%に、二分判定の精度を71.41%から87.41%に引き上げる。
論文 参考訳(メタデータ) (2026-10-13T17:22:58Z) - The Architect, the Adversary, and the Judge: Closed-Loop Generation of Standards-Aligned Assessment Items at Scale [13.85834524293015]
CLAIMは、K-12アセスメント・イテム生成のための生産パイプラインである。
パイプラインは9,074イテムの生産で97.8%のエキスパート評価パスレートに達する。
論文 参考訳(メタデータ) (2026-08-26T08:54:32Z) - Confidently Wrong: Exception Chain Collapse in Frontier LLM Rule Evaluation [0.0]
フェデレーションクラスをフロンティアの大規模言語モデルで文書化する。
故障は最初の観測で再現されるが、経験的表面は不安定である。
規制されたフロンティアモデルの正確性は、注意を払わずにシフトする移動したコンプライアンス境界である。
論文 参考訳(メタデータ) (2026-07-25T22:40:02Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳(メタデータ) (2026-06-03T17:06:49Z) - Who judges the judges? Governance from metrics: a runtime framework for continuous LLM compliance monitoring [0.0]
AIコンプライアンスに対する現在のアプローチは、適合性をバイナリな監査時間判定として扱う。
このコンプライアンス・フィクションは、EUのAI法の要件に構造的に不適合である、と我々は主張する。
規制の遵守は、行動の可観測性から連続的なシグナルとして導き出される原則であるメトリクスからのガバナンスを導入します。
論文 参考訳(メタデータ) (2026-05-23T21:21:33Z) - Philosophical Dispositions as Behavioral Constraints for AI-Assisted Code Review: An Empirical Study [0.0]
哲学的な配置を通してAIレビュアーの行動を制限するシステムを提案する。
それぞれの分布は(それがすることを拒否して)好意的に定義される
5つのプログラミング言語にまたがる7つのレポジトリ間で50のプルリクエストをマージしたシステムの評価を行った。
論文 参考訳(メタデータ) (2026-05-21T23:57:25Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳(メタデータ) (2026-05-15T17:08:27Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳(メタデータ) (2026-04-29T19:32:58Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳(メタデータ) (2026-03-02T13:02:13Z)
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。