| Project/Area Number |
21K01672
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 07080:Business administration-related
|
|---|
| Research Institution | Hitotsubashi University |
|---|
Principal Investigator |
七丈 直弘 一橋大学, 大学院ソーシャル・データサイエンス研究科, 教授 (30323489)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | ODA / BERT / GPT-4 / RAG / SDGs / CRS / 内容分析 / キーワード分析 / GPT-3 / Transformer / 科学技術イノベーション政策 / 自然言語処理 / 科学技術イノベーション / 政府開発援助 / 開発援助委員会 / 機械学習 |
|---|
| Outline of Research at the Start |
持続可能な開発目標(SDGs)達成には科学技術・イノベーション(STI)が必須であり、STIを抜きにした開発援助があり得ない時代となった。日本を含む先進国は、科学技術に関する知見を被援助国に対して移転し、それをSDGs達成の担い手に対して資金と知識の両面で影響力を与えることで、SDGs達成を牽引する必要があり、その手法開発が求められている。本研究ではSDGs達成に貢献するアクターとして民間企業のみならず、国、研究機関、非政府組織をも想定し、これらのアクター間の相互関係を記述したイノベーション・システムとして理解することで、SDGs対するSTIの寄与を評価し、その効率的な導入方法について検討する。
|
| Outline of Annual Research Achievements |
本研究は、ODAプロジェクトの内容分析と分類における新たなアプローチとして、2022年のキーワードベースとTransformerベース（BERT）の方法に加え、2023年はGPT-3モデルとRetrieval-Augmented Generation（RAG）を導入し、その利用可能性を検討した。
研究の結果、GPT-3とRAGベースのアプローチには明確な利点が見られた。これらのモデルは、プロジェクト説明内のニュアンスのある情報を捉え、ODAプロジェクトの目標、活動、期待される成果についてより深い洞察を提供する可能性がある。特にRAGモデルは、外部知識を活用することで、プロジェクト説明に含まれていない関連情報を補完し、より包括的な分析を可能にした。例えば、特定の地域の農業支援を目的とするODAプロジェクトの場合、RAGモデルはその地域の気候、土壌、主要作物などの情報を外部知識から取得し、プロジェクトの文脈理解を深めることができる。
さらに、GPT-3とRAGベースのアプローチは、プロジェクト説明の長さや複雑さの違いに対する適応力が高いことが示された。本研究で用いたデータセットには、数十語程度の簡潔な説明から数百語に及ぶ詳細な説明まで、多様なプロジェクト説明が含まれていたが、GPT-3とRAGモデルは、これらの差異に適応し、一貫した分析結果を提供することができた。
加えて、2023年の研究では、プロンプトエンジニアリングの手法を用いて、ODAプロジェクトの意味的な内容についての分析を行った。具体的には、プロジェクトの目的、対象グループ、期待される成果、持続可能性などに関する情報を抽出するためのプロンプトを作成し、GPT-3モデルに適用した。その結果、通常の計量書誌学では捉えきれない、プロジェクトの目的や価値観、社会的影響などに関する深いインサイトを得ることができた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究プロジェクトは、全体として概ね順調に進捗している。2022年までにキーワードベースとTransformerベース（BERT）の方法を用いたODAプロジェクトの内容分析と分類を完了し、一定の成果を得ることができた。
2023年度は、OpenAIのGPT-3モデルとRetrieval-Augmented Generation（RAG）を導入し、その利用可能性の検討を進めている。これらの新しいアプローチは、従来の方法では捉えきれなかったODAプロジェクトの意味的な内容や文脈的な情報を分析するために有効であることが明らかになりつつある。特にRAGモデルについては、外部知識を活用することで、より包括的かつ深い分析が可能になることが示唆されている。
一方で、RAGモデルの導入に伴い、適切な外部知識源の選定やモデルのfine-tuning、解釈性や説明可能性など、新たな課題も明らかになってきた。こうした課題に対応するため、当初の計画を一部修正し、研究期間の延長を検討している。延長期間中は、RAGモデルの最適化と検証に重点を置き、プロンプトエンジニアリングの手法についても体系的な調査と実践を行う計画である。
研究期間の延長により、実施内容が増えることになるが、これはODAプロジェクトの評価と改善に役立つ、より価値の高い成果を生み出すために必要な措置であると考えている。本研究プロジェクトは、新たなアプローチへの取り組みによって生じた課題にも適切に対応しながら、概ね順調に進捗していると評価できる。
|
| Strategy for Future Research Activity |
本研究課題の今後の推進方策として、以下の点に重点を置いて進めていく。
1. GPT-3およびRAGモデルの最適化と検証: RAGモデルの導入に伴い明らかになった課題に対応するため、適切な外部知識源の選定やモデルのfine-tuningに取り組む。また、モデルの解釈性や説明可能性を向上させるための手法を検討し、実装する。
2. プロンプトエンジニアリングの体系的な調査と実践: ODAプロジェクトの質的な側面をより深く分析するため、プロンプトエンジニアリングの手法について体系的な調査を行い、最適なプロンプトの設計と適用を進める。
3. 総合的なODAプロジェクト分析フレームワークの確立: GPT-3とRAGモデルの特性を活かしつつ、キーワードベースやBERTベースの従来手法とも組み合わせながら、ODAプロジェクトの内容分析、分類、評価を包括的に行うためのフレームワークを構築する。
4. 研究成果の実用化に向けた取り組み: 本研究で得られた知見とツールを、ODAプロジェクトの計画立案、実施、モニタリング、評価のプロセスに統合するための方策を検討し、実際のODAプロジェクトでの試行的な適用を行う。
研究計画の変更として、当初の予定より研究期間の延長を要請する。これは、RAGモデルの導入に伴い新たに生じた課題に適切に対応し、より価値の高い成果を生み出すために必要であると判断したためである。延長期間を有効に活用し、上記の推進方策を着実に実行することで、ODAプロジェクトの評価と改善に資する有用な知見とツールを提供できるものと考えている。
|
