論文の概要: Efficiency Gains in Social Science Research: A Prospective Silicon Sampling Protocol for Pre-Treatment and Code Optimization
- arxiv url: http://arxiv.org/abs/2611.18436v1
- Date: Fri, 13 Nov 2026 17:13:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.399797
- Title: Efficiency Gains in Social Science Research: A Prospective Silicon Sampling Protocol for Pre-Treatment and Code Optimization
- Title(参考訳): 社会科学研究における効率性向上 : 事前学習とコード最適化のための先進的なシリコンサンプリングプロトコル
- Abstract要約: 本研究では,実世界のデータ収集に先立って,大規模言語モデル(LLM)を用いて合成データセットを生成する手法の可能性を評価する。
このアプローチは、フランス生命イメージング(FLI)ネットワークで実施された調査に適用される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study evaluates the methodological potential of using large language models (LLMs) to generate synthetic datasets prior to real-world data collection, thereby streamlining subsequent processing and statistical analysis. The approach is applied to a survey conducted within the France Life Imaging (FLI) network, leveraging three distinct LLMs (Sonnet 4.6, GPT 5.3, and Kimi 2.6) to simulate responses and prepare data processing workflows. The findings demonstrate significant time savings in code development (85% to 90% reuse rate) and highlight the conditional validity of this preprocessing method, which depends on the thematic predictability of the models. While synthetic data effectively captures collective perceptions, it struggles with specialized or contextualized practices, reflecting limitations documented in the silicon sampling literature, such as homogenization and reduced variance. This work extends the Phase 0 concept (Trojacka et al. 2025) from instrument validation to a full-fledged methodological preprocessing step, paving the way for scalable applications in survey research.
- Abstract(参考訳): 本研究では,大規模言語モデル(LLM)を用いて実世界のデータ収集に先立って合成データセットを生成する手法の可能性を評価し,その後の処理と統計解析の合理化を図る。
このアプローチは、フランス生命イメージング(FLI)ネットワークで実施された調査に適用され、3つの異なるLCM(Sonnet 4.6, GPT 5.3, Kimi 2.6)を使用して、応答をシミュレートし、データ処理ワークフローを作成する。
この結果は,コード開発に要する時間(再利用率85%から90%)を著しく削減し,この事前処理手法の条件付き妥当性を強調した。
合成データは、集合的知覚を効果的に捉える一方で、均質化や分散の低減といったシリコンサンプリング文献に記録されている制限を反映して、特殊または文脈化された実践に苦しむ。
この研究は、フェーズ0の概念(Trojacka et al 2025)を、機器検証から本格的な方法論前処理ステップまで拡張し、調査研究におけるスケーラブルなアプリケーションへの道を開いた。
関連論文リスト
- Data Mixing for Large Language Models Pretraining: A Survey and Outlook [52.66761353708619]
大規模言語モデル(LLM)は、大規模で不均一なコーパスの事前訓練に依存している。
サンプルレベルのデータ選択とは異なり、データミキシングはドメインレベルのサンプリング重量を最適化し、限られた予算をより効率的に割り当てる。
本稿では,LLM事前学習におけるデータ混合の総合的な検討について述べる。
論文 参考訳(メタデータ) (2026-03-25T13:30:40Z) - Advancing Multinational License Plate Recognition Through Synthetic and Real Data Fusion: A Comprehensive Evaluation [3.3637719592955526]
我々は,LPR性能を向上させるために,実データと合成データの統合について検討する。
合成データの大量取り込みは、イントラデータセットとクロスデータセットの両方のシナリオにおけるモデル性能を大幅に向上させる。
実験は、限られた訓練データによって引き起こされる課題を緩和する上で、合成データの有効性を裏付けるものである。
論文 参考訳(メタデータ) (2026-01-12T15:52:52Z) - Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
因果推論は医療介入の開発と評価に不可欠である。
現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。
本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
論文 参考訳(メタデータ) (2025-10-21T16:16:00Z) - Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。
合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文 参考訳(メタデータ) (2025-08-08T18:32:52Z) - Synthetic Code Surgery: Repairing Bugs and Vulnerabilities with LLMs and Synthetic Data [0.0]
本稿では,Large Language Models(LLMs)を用いた合成データ生成によるAPR(Automated Program repair)の向上手法を提案する。
提案手法は, 合成試料生成と厳密な品質評価という2段階のプロセスを通じて, この制限に対処する。
VulRepairテストセットデータセットの実験評価では、完全予測率の統計的に有意な改善が見られた。
論文 参考訳(メタデータ) (2025-05-12T09:14:20Z) - A LoRA-Based Approach to Fine-Tuning LLMs for Educational Guidance in Resource-Constrained Settings [0.0]
本研究は,大規模言語モデル(LLM)を学習環境に配慮した学術的助言に適応するための費用対効果について述べる。
トレーニング後、トレーニング損失は52.7%減少し、ドメイン固有の推奨項目では92%の精度で、市販のGPU機器では、毎秒100サンプルのランレートが中央値であった。
論文 参考訳(メタデータ) (2025-04-22T06:08:13Z) - Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。
そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。
実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2024-10-29T04:14:32Z) - Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳(メタデータ) (2023-10-06T16:36:08Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳(メタデータ) (2022-03-03T05:58:49Z)
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。