文化遺産テキストからの知識グラフ生成：LLMとオントロジー工学を組み合わせて学術的議論を支える

Abstract

文化遺産のテキストには、豊富な知識が含まれている一方で、非構造化された言説を構造化された知識グラフ（KG）へ変換することが難しいため、体系的にクエリすることは困難です。本論文では、文化遺産文書からの大規模言語モデル（LLM）ベースの知識抽出のための、体系的な5ステップ手法であるATR4CH（Adaptive Text-to-RDF for Cultural Heritage）を提案します。この手法を「真正性評価」に関する議論を対象としたケーススタディにより検証します。手法 - ATR4CHは、注釈モデル、オントロジーの枠組み、そしてLLMベースの抽出を、反復的な開発によって統合します。具体的には、基礎的な分析、注釈スキーマの開発、パイプライン・アーキテクチャ、統合の洗練、総合的な評価の5段階です。Wikipediaにある争点のある項目（文書、遺物...）に関する記事を用いてこのアプローチを示し、3つのLLM（Claude Sonnet 3.7、Llama 3.3 70B、GPT-4o-mini）による逐次パイプラインを実装します。知見 - この手法は、複雑な文化遺産の知識を首尾よく抽出します。メタデータ抽出では0.96-0.99のF1、エンティティ認識では0.7-0.8のF1、仮説抽出では0.65-0.75のF1、証拠抽出では0.95-0.97、そして談話表現では0.62のG-EVALを達成しました。小型モデルも競争力のある性能を示し、費用対効果の高い導入を可能にします。独自性 - 文化遺産オントロジーとLLMベース抽出を協調させるための最初の体系的な手法です。ATR4CHは、文化遺産（CH）分野および機関のリソースにわたって適応可能な、再現可能な枠組みを提供します。研究上の限界 - 生成されるKGはWikipediaの記事に限定されます。結果は有望ですが、後処理の段階で人手による監督が必要です。実務上の示唆 - ATR4CHにより、文化遺産機関はテキストの知識を体系的にクエリ可能なKGへ変換でき、メタデータの自動的な強化や知識発見を支援します。