オントロジーエンジニアリングは、知識集約型AIシステムにおける重要なボトルネックであり続けている。既存の自動化アプローチは、事前定義されたスキーマに依存するか、狭いドメイン内でのみ動作するか、ダウンストリームパイプラインに適さない非構造化出力を生成するという問題を抱えている。arXivの新しい研究は、生成オントロジー誘導（Generative Ontology Induction、GOI）を提案する。これはドメイン非依存のフレームワークであり、文書のサンプルコーパスからエンティティ、次元、プロパティ、関係、制約を含む生成ブループリントを誘導し、YAMLまたはJSON形式の型付きグラフ（6つのノード型、7つのエッジ型）としてエクスポートする。
GOIフレームワークの革新性は、事前定義されたパターンに依存せず、大規模言語モデルを使用して特定のドメインの文書から構造を自動学習する点にある。誘導されたオントロジーの品質を評価するため、著者らはノードカバレッジスコア（Node Coverage Score、NCS）という新しい評価指標を導入した。これは生成出力に現れる構造オントロジーノード（クラス、プロパティ、次元）の割合を測定する。
研究チームは、4つの対照的なオントロジー（既知のソフトウェアサービス請求書スキーマ、カスタムの職務記述書オントロジー、機密の疼痛管理臨床診療記録オントロジー、専門サービス契約および作業範囲記述書オントロジー）で制御生成検証を実施した。結果は、GOIプロンプトによる生成があらゆるケースで構造骨格の95〜100%をカバーすることを示した。一方、汎用3フィールドテンプレートでは、請求書スキーマで97.8%のカバレッジを維持したものの、職務記述書オントロジーでは52.2%、疼痛管理オントロジーでは62.2%、専門サービス契約オントロジーでは78.3%に低下した。重要なことに、文書タイプがモデルにとって既知であるかどうかに関係なく、GOIの構造カバレッジは維持された。
この研究は、自動オントロジー構築の新たな方向性を示し、大規模言語モデルを活用したドメイン非依存のパターン発見の可能性を実証している。論文はLNCS形式で10ページ、2図、1表からなり、arXiv識別子2607.16201で公開されている。著者はSergei Sergienkoで、2026年5月1日に提出された。GOIは既存の手法の限界を克服し、知識集約型AIシステムにスケーラブルなソリューションを提供し、自動知識工学の発展に貢献することが期待される。