MiNER：議事録からメタデータを抽出するための2段階パイプライン

概要: 都市（自治体）の会議議事録は、地方行政を担う公的文書であり、多様な形式と書きぶりを示します。効果的な情報検索（IR）には、会議番号、日付、場所、参加者、開始／終了時刻といったメタデータの特定が必要ですが、これらはほとんど標準化されておらず、自動的に抽出するのも容易ではありません。既存の固有表現認識（NER）モデルは、このタスクに適していません。というのも、そのような領域固有のカテゴリに適応していないためです。本論文では、都市（自治体）の議事録からメタデータを抽出するための二段階パイプラインを提案します。まず、質問応答（QA）モデルが、メタデータを含む冒頭および末尾のテキスト区間を特定します。次に、トランスフォーマーベースのモデル（CRF層あり／なしのBERTimbauおよびXLM-RoBERTa）を用いて、きめ細かなエンティティ抽出を行い、さらに脱語彙化（deslexicalization）によって強化します。提案手法の評価のために、オープンウェイト（Phi）とクローズドウェイト（Gemini）の両方のLLMをベンチマークし、予測性能、推論コスト、カーボンフットプリントを評価します。結果は、より大規模な汎用LLMよりも優れ、強い領域内性能を示しました。しかし、自治体間での評価では、自治体記録のばらつきと言語的複雑さを反映して、汎化が低下していることが分かりました。本研究は、都市（自治体）の会議議事録からメタデータを抽出するための初のベンチマークを確立し、この領域における今後の研究の堅固な基盤を提供するものです。