学術論文公開サイトarXivが2026年10月14日(現地時間)付けで発表した論文によると、ノア・ダサナイケ (Noah Dasanaike) 氏が、事前学習済み言語モデル（Pre-Trained Language Models）が社会科学研究におけるレコードリンケージおよび氏名からの人口統計学的推論のタスクを、タスク固有の訓練を必要とせずに正確に実行できることを示した。これは、これらのタスクで通常必要とされる、取得が困難または高コストなラベル付き訓練データへの依存を低減する可能性を提示している。
ダサナイケ氏の論文は、特に2つの主要な課題に焦点を当てている。一つはデータ統合におけるレコードリンケージ（record linkage）であり、もう一つは氏名から個人の人口統計学的属性を推論するデモグラフィック・インファレンス（demographic inference）である。
レコードリンケージの課題に対して、ダサナイケ氏は「EnsembleLink」と呼ばれる新しいアルゴリズムを導入した。このアルゴリズムは、事前学習済み埋め込み（pre-trained embeddings）と文字列ベースのスコアラー（string-based scorers）を組み合わせて利用し、候補となる短いリストを抽出し、そこから最も一致する可能性の高いレコードを特定する。EnsembleLinkは、従来のほとんどのアプローチと同等またはそれ以上の性能を発揮し、従来のメソッドでは対応できなかった多様なスクリプトやフォーマットにも対応可能であることが示された。
氏名からの民族推論に関しては、大規模言語モデル（LLMs）が米国の有権者ファイル（U.S. voter files）において最大83.8%の精度を達成した。これは、名前で補完された既存手法であるBISGの78.0%と比較して高い数値である。さらに、オープンウェイトモデル（Open-weight models）は再現可能な実装を提供し、これらのモデルに匹敵する精度に達すると報告されている。
LLMsはまた、米国外における宗教、カーストベース、その他の民族グループのメンバーシップを推論する能力も示し、地理的な人種間の格差推定におけるバイアスを低減する効果があるという。この研究は、事前学習が各タスクに必要な世界知識を符号化している場合、タスク固有のラベルが追加する情報量は相対的に少ないという見解を示している。
参考: arXiv cs.CL (アーカイブ) — 2026年10月15日 13:00 (JST)
原文ハイライト"pre-trained language models perform both tasks accurately without requiring task-specific training"