論文の概要: Aspect-oriented Consumer Health Answer Summarization

• arxiv url: http://arxiv.org/abs/2405.06295v1
• Date: Fri, 10 May 2024 07:52:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 16:17:47.095886
• Title: Aspect-oriented Consumer Health Answer Summarization
• Title（参考訳）: 消費者健康に対する回答の要約
• Authors: Rochana Chaturvedi, Abari Bhattacharya, Shweta Yadav,
• Abstract要約: コミュニティ質問回答(Community Question-Answering、CQA)フォーラムは、人々が情報を求める方法、特に医療ニーズに関連するものに革命をもたらした。 単一のクエリに対する応答にはいくつかの回答があるため、特定の健康上の懸念に関連する重要な情報を把握することが難しくなる。 本研究は、この制限に対処するために、側面に基づく健康回答の要約に焦点を当てている。
• 参考スコア（独自算出の注目度）: 2.298110639419913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Community Question-Answering (CQA) forums have revolutionized how people seek information, especially those related to their healthcare needs, placing their trust in the collective wisdom of the public. However, there can be several answers in response to a single query, which makes it hard to grasp the key information related to the specific health concern. Typically, CQA forums feature a single top-voted answer as a representative summary for each query. However, a single answer overlooks the alternative solutions and other information frequently offered in other responses. Our research focuses on aspect-based summarization of health answers to address this limitation. Summarization of responses under different aspects such as suggestions, information, personal experiences, and questions can enhance the usability of the platforms. We formalize a multi-stage annotation guideline and contribute a unique dataset comprising aspect-based human-written health answer summaries. We build an automated multi-faceted answer summarization pipeline with this dataset based on task-specific fine-tuning of several state-of-the-art models. The pipeline leverages question similarity to retrieve relevant answer sentences, subsequently classifying them into the appropriate aspect type. Following this, we employ several recent abstractive summarization models to generate aspect-based summaries. Finally, we present a comprehensive human analysis and find that our summaries rank high in capturing relevant content and a wide range of solutions.
• Abstract（参考訳）: コミュニティ質問回答(Community Question-Answering, CQA)フォーラムは、人々が情報を求める方法、特に医療ニーズに関連するものを革新し、一般大衆の知恵に信頼を置いている。 しかし、単一のクエリに対する応答にはいくつかの答えがあるため、特定の健康上の懸念に関連する重要な情報を把握することは困難である。 典型的には、CQAフォーラムは、各クエリの代表的な要約として、単一のトップボイドの回答を特徴付けている。 しかし、一つの答えは他の解や、他の反応で頻繁に提供される他の情報を見落としている。 本研究は、この制限に対処するために、側面に基づく健康回答の要約に焦点を当てている。 提案や情報,個人の経験,質問など,さまざまな面での回答の要約は,プラットフォームのユーザビリティを高めることができる。 我々は多段階の注釈ガイドラインを定式化し、アスペクトベースの人間による健康回答要約からなるユニークなデータセットを寄贈する。 我々は,複数の最先端モデルのタスク固有の微調整に基づいて,このデータセットを用いて,自動多面的回答要約パイプラインを構築した。 パイプラインは質問類似性を利用して、関連する回答文を取得し、その後、それらを適切なアスペクトタイプに分類する。 これに続いて、アスペクトベースの要約を生成するために、近年の抽象的要約モデルを用いている。 最後に、包括的人間分析を行い、我々の要約が関連コンテンツと幅広いソリューションの収集において高いランクにあることを確認する。

関連論文リスト

• No perspective, no perception!! Perspective-aware Healthcare Answer Summarization [14.056550161714117]
  医療コミュニティ質問回答(CQA)フォーラムは、様々な医療関連トピックに関する情報を求める個人に対して、アクセス可能なプラットフォームを提供する。 これらのフォーラムに対する回答は、典型的には多様であり、話題外の議論をしがちである。 読者が多くの回答を出し、意味のある洞察を抽出することは困難である。 本稿では,視点特異的回答要約の新しい課題を提案する。
  論文  参考訳（メタデータ） (2024-06-13T07:35:37Z)
• QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
  質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。 これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。 グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
  論文  参考訳（メタデータ） (2024-06-07T10:52:37Z)
• Concise Answers to Complex Questions: Summarization of Long-form Answers [27.190319030219285]
  我々は,最先端モデルから生成された要約された回答と,新たに提案した抽出・デコンテクライズ手法について,ユーザスタディを行った。 複雑で暗黙的な解答は圧縮が困難であるのに対し、少なくとも1つのシステムによって、大量の長文解答を適切に要約できることがわかった。 要約作業において,非コンテクスト化によって抽出された要約の質が向上し,その可能性を実証する。
  論文  参考訳（メタデータ） (2023-05-30T17:59:33Z)
• MQAG: Multiple-choice Question Answering and Generation for Assessing Information Consistency in Summarization [55.60306377044225]
  最先端の要約システムは高度に流動的な要約を生成することができる。 しかし、これらの要約には、情報源に存在しない事実上の矛盾や情報が含まれている可能性がある。 本稿では,ソース情報と要約情報を直接比較する,標準的な情報理論に基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T23:08:25Z)
• AnswerSumm: A Manually-Curated Dataset and Pipeline for Answer Summarization [73.91543616777064]
  Stack OverflowやYahoo!のようなコミュニティ質問回答(CQA)フォーラムには、幅広いコミュニティベースの質問に対する回答の豊富なリソースが含まれている。 回答の要約の1つのゴールは、回答の視点の範囲を反映した要約を作成することである。 本研究は,専門言語学者による解答要約のための4,631個のCQAスレッドからなる新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2021-11-11T21:48:02Z)
• Question-aware Transformer Models for Consumer Health Question Summarization [20.342580435464072]
  我々は,医療機関の認識を通じて質問の意味的解釈を活用する抽象的質問要約モデルを開発した。 MeQSumベンチマークコーパスで評価すると、我々のフレームワークは最先端の手法を10.2ROUGE-Lで上回りました。
  論文  参考訳（メタデータ） (2021-06-01T04:21:31Z)
• A Dataset of Information-Seeking Questions and Answers Anchored in Research Papers [66.11048565324468]
  1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。 各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。 他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
  論文  参考訳（メタデータ） (2021-05-07T00:12:34Z)
• GooAQ: Open Question Answering with Diverse Answer Types [63.06454855313667]
  さまざまな回答型を持つ大規模データセットであるGooAQを紹介する。 このデータセットには500万の質問と300万の回答が含まれている。
  論文  参考訳（メタデータ） (2021-04-18T05:40:39Z)
• Multi-Perspective Abstractive Answer Summarization [76.10437565615138]
  コミュニティ質問応答フォーラムには、幅広い質問に対する回答の豊富なリソースが含まれている。 マルチパースペクティブな回答要約の目標は、答えのすべての観点を含む要約を作成することである。 本研究は,多視点抽象要約を自動生成する新しいデータセット作成手法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T13:15:29Z)

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。