arXiv cs.CLは2026年8月31日(現地時間)、生体医療情報抽出におけるRetrieval-Augmented Generation (RAG)向けに、設定可能な意味的チャンキングフレームワークを提案する論文を発表した。既存のBioMedRAGは固定サイズチャンキングに依存し、意味的証拠を断片化するという課題を抱えていたが、この新フレームワークはentity-preserving windowsなどの手法を組み合わせることでこの課題に対処する。本研究は、BioMedRAGのチャンク構築段階のみを置き換え、既存の埋め込みモデルやスコアラーは維持する設計を採用している。
提案されたフレームワークは、trigger-centered chunking、proposition-first extraction、tiered trigger prioritization、およびhierarchical relation resolutionを組み合わせることで、従来の固定サイズチャンキングの制約を克服する。研究者らは、Riya Ahuja氏、Tim Kacprowski氏、Roya Shiasi Sardoabi氏らにより構成され、その成果は生体医療関係抽出ベンチマーク（GM-CIHT、DDI、ChemProt）と有害事象分類（ADE）で評価された。
GM-CIHTベンチマークでは、完全なハイブリッド構成がF1スコアで82.6%を達成し、固定サイズベースラインの74.2% F1から8.4ポイントの改善を示した。この実験設定において、意味的チャンキングは性能向上に寄与した。
データセット間の分析によると、GM-CIHTやDDIのような明示的な関係手掛かりを持つ抽出データセットでは、意味的チャンキングが改善効果をもたらすことが示された。一方で、ChemProtやADEのような密な生化学的抽出や二項分類設定においては、固定チャンキングが依然として競争力を持つか、あるいはより優れた結果を示す場合があることも確認された。
チャンキングロジックを構成ファイルとして外部化することで、このフレームワークは生体医療RAGパイプラインにおいて、硬直な固定サイズチャンキングに代わる、解釈可能で適応性の高い代替手段を提供するとされている。
参考: arXiv cs.CL (アーカイブ) — 2026年9月1日 02:44 (JST)
原文ハイライト"We propose a configurable semantic chunking framework that addresses this limitation by combining entity-preserving windows"