論文の概要: No perspective, no perception!! Perspective-aware Healthcare Answer Summarization

• arxiv url: http://arxiv.org/abs/2406.08881v1
• Date: Thu, 13 Jun 2024 07:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 18:54:07.717300
• Title: No perspective, no perception!! Perspective-aware Healthcare Answer Summarization
• Title（参考訳）: 視点なし, 知覚なし! パースペクティブ・アウェア・ヘルスケア・アンサー・サマリゼーション
• Authors: Gauri Naik, Sharad Chandakacherla, Shweta Yadav, Md. Shad Akhtar,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.056550161714117
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Healthcare Community Question Answering (CQA) forums offer an accessible platform for individuals seeking information on various healthcare-related topics. People find such platforms suitable for self-disclosure, seeking medical opinions, finding simplified explanations for their medical conditions, and answering others' questions. However, answers on these forums are typically diverse and prone to off-topic discussions. It can be challenging for readers to sift through numerous answers and extract meaningful insights, making answer summarization a crucial task for CQA forums. While several efforts have been made to summarize the community answers, most of them are limited to the open domain and overlook the different perspectives offered by these answers. To address this problem, this paper proposes a novel task of perspective-specific answer summarization. We identify various perspectives, within healthcare-related responses and frame a perspective-driven abstractive summary covering all responses. To achieve this, we annotate 3167 CQA threads with 6193 perspective-aware summaries in our PUMA dataset. Further, we propose PLASMA, a prompt-driven controllable summarization model. To encapsulate the perspective-specific conditions, we design an energy-controlled loss function for the optimization. We also leverage the prefix tuner to learn the intricacies of the health-care perspective summarization. Our evaluation against five baselines suggests the superior performance of PLASMA by a margin of 1.5-21% improvement. We supplement our experiments with ablation and qualitative analysis.
• Abstract（参考訳）: 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。 人々は、自己開示に適したプラットフォームを見つけ、医学的意見を求め、医療状況の説明を単純化し、他人の質問に答える。 しかしながら、これらのフォーラムでの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抽出し、意味のある洞察を抽出することは、CQAフォーラムにとって重要なタスクである。 コミュニティの回答を要約するためにいくつかの努力がなされているが、そのほとんどはオープンドメインに限定されており、これらの回答によって提供される異なる視点を見落としている。 この問題に対処するため,本稿では,視点特異的回答要約という新たな課題を提案する。 我々は、医療関連反応の様々な視点を特定し、全ての反応を網羅した視点駆動の抽象的要約を作成する。 これを実現するため、PUMAデータセットに3167のCQAスレッドを6193の視点対応サマリで注釈付けした。 さらに,プロンプト駆動制御可能な要約モデルであるPLASMAを提案する。 パースペクティブ固有の条件をカプセル化するために,最適化のためのエネルギー制御損失関数を設計する。 また、プレフィックスチューナーを利用して、医療的視点の要約の複雑さを学習する。 評価の結果,PLASMAは1.5-21%の改善率で優れた性能を示した。 我々はアブレーションと定性的分析で実験を補足する。

関連論文リスト

• 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)
• Aspect-oriented Consumer Health Answer Summarization [2.298110639419913]
  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。
  論文  参考訳（メタデータ） (2024-05-10T07:52:43Z)
• 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)
• Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
  本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。 我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。 システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
  論文  参考訳（メタデータ） (2022-09-30T08:20:32Z)
• Medical Visual Question Answering: A Survey [55.53205317089564]
  VQA(Medicical Visual Question Answering)は、医療用人工知能と一般的なVQA課題の組み合わせである。 医療用VQAシステムは,医療用画像と自然言語による臨床的に関連性のある質問を前提として,妥当かつ説得力のある回答を予測することが期待されている。
  論文  参考訳（メタデータ） (2021-11-19T05:55:15Z)
• 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)
• 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)
• Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
  HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。 これらの質問は、現在のQAシステムにとって最も難しいものです。 知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。 市販の事前訓練モデルを完全に活用しようと努力しています。
  論文  参考訳（メタデータ） (2020-08-06T02:47:46Z)

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。