論文の概要: 'Don't Get Too Technical with Me': A Discourse Structure-Based Framework
for Science Journalism
- arxiv url: http://arxiv.org/abs/2310.15077v1
- Date: Mon, 23 Oct 2023 16:35:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 18:45:00.638327
- Title: 'Don't Get Too Technical with Me': A Discourse Structure-Based Framework
for Science Journalism
- Title（参考訳）: 科学ジャーナリズムのための談話構造に基づくフレームワーク「don't get too technical with me」
- Authors: Ronald Cardenas, Bingsheng Yao, Dakuo Wang, Yufang Hou
- Abstract要約: 科学ジャーナリズム(英: science journalism)とは、科学論文の技術的発見を、より専門的なニュース記事として一般大衆に報告するタスクである。
我々は,この現実的なタスク(すなわち,科学ジャーナリズム)を支援する自動化システムを,公開可能な科学論文,対応するニュース記事,専門家による要約スニペットのオーディエンスに導入することを目的としている。
- 参考スコア（独自算出の注目度）: 36.16009435194716
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Science journalism refers to the task of reporting technical findings of a
scientific paper as a less technical news article to the general public
audience. We aim to design an automated system to support this real-world task
(i.e., automatic science journalism) by 1) introducing a newly-constructed and
real-world dataset (SciTechNews), with tuples of a publicly-available
scientific paper, its corresponding news article, and an expert-written short
summary snippet; 2) proposing a novel technical framework that integrates a
paper's discourse structure with its metadata to guide generation; and, 3)
demonstrating with extensive automatic and human experiments that our framework
outperforms other baseline methods (e.g. Alpaca and ChatGPT) in elaborating a
content plan meaningful for the target audience, simplifying the information
selected, and producing a coherent final report in a layman's style.
- Abstract（参考訳）: 科学ジャーナリズム(英: science journalism)とは、科学論文の技術的発見を一般大衆に伝えるための、より専門的なニュース記事である。
我々は、この現実的なタスク(すなわち、科学ジャーナリズム)を支援する自動化システムを設計することを目指している。
1) 新たに構築された実世界のデータセット(scitechnews)の紹介,公開可能な科学論文のタプル,対応するニュース記事,専門家による要約スニペット
2)論文の談話構造とメタデータを融合して生成を導く新しい技術枠組みの提案,及び
3) 対象者にとって意味のあるコンテンツプランを策定し, 選択した情報を簡素化し, 整合性のある最終報告をレイマンのスタイルで作成する上で, フレームワークが他のベースライン手法(例えばAlpacaやChatGPT)よりも優れていることを示す。
関連論文リスト
- SciNews: From Scholarly Complexities to Public Narratives -- A Dataset for Scientific News Report Generation [20.994565065595232]
我々は、科学ニュースの自動生成を容易にするための新しいコーパスを提示する。
本データセットは,9分野にわたる学術出版物と,それに対応する科学報告から構成される。
我々は、最先端のテキスト生成モデルを用いてデータセットをベンチマークする。
論文 参考訳（メタデータ） (2024-03-26T14:54:48Z) - Large Language Models for Scientific Information Extraction: An
Empirical Study for Virology [0.0]
談話に基づく学術コミュニケーションにおける構造的・意味的内容表現の利用を擁護する。
ウィキペディアのインフォボックスや構造化されたAmazon製品記述といったツールにヒントを得て、構造化された学術貢献要約を生成するための自動アプローチを開発しました。
以上の結果から,FLAN-T5のパラメータは現状のGPT-davinciよりも1000倍少ないことが示唆された。
論文 参考訳（メタデータ） (2024-01-18T15:04:55Z) - The Semantic Scholar Open Data Platform [79.4493235243312]
セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。
我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。
このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
論文 参考訳（メタデータ） (2023-01-24T17:13:08Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - NEWTS: A Corpus for News Topic-Focused Summarization [9.872518517174498]
本稿では,CNN/Dailymailデータセットに基づく最初の話題要約コーパスを提案する。
提案手法の有効性を検証し,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-05-31T10:01:38Z) - Revise and Resubmit: An Intertextual Model of Text-based Collaboration
in Peer Review [52.359007622096684]
ピアレビューは、ほとんどの科学分野における出版プロセスの重要な要素である。
既存のNLP研究は個々のテキストの分析に重点を置いている。
編集補助は、しばしばテキストのペア間の相互作用をモデル化する必要がある。
論文 参考訳（メタデータ） (2022-04-22T16:39:38Z) - What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。
本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。
本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-06T02:23:01Z) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳（メタデータ） (2020-11-02T08:07:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。