論文の概要: Leveraging Large Language Models for Zero-shot Lay Summarisation in Biomedicine and Beyond

• arxiv url: http://arxiv.org/abs/2501.05224v1
• Date: Thu, 09 Jan 2025 13:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:59:32.004492
• Title: Leveraging Large Language Models for Zero-shot Lay Summarisation in Biomedicine and Beyond
• Title（参考訳）: 生物医学におけるゼロショットレイ要約のための大規模言語モデルの活用
• Authors: Tomas Goldsack, Carolina Scarton, Chenghua Lin,
• Abstract要約: 本稿では,現実のプロセスに基づくレイ要約のための新しいフレームワークを提案する。 この手法により生成された要約は、より大規模なモデルに対して、人間の判断によってますます好まれることが分かる。
• 参考スコア（独自算出の注目度）: 17.28087328236589
• License:
• Abstract: In this work, we explore the application of Large Language Models to zero-shot Lay Summarisation. We propose a novel two-stage framework for Lay Summarisation based on real-life processes, and find that summaries generated with this method are increasingly preferred by human judges for larger models. To help establish best practices for employing LLMs in zero-shot settings, we also assess the ability of LLMs as judges, finding that they are able to replicate the preferences of human judges. Finally, we take the initial steps towards Lay Summarisation for Natural Language Processing (NLP) articles, finding that LLMs are able to generalise to this new domain, and further highlighting the greater utility of summaries generated by our proposed approach via an in-depth human evaluation.
• Abstract（参考訳）: 本研究では,ゼロショットレイ要約へのLarge Language Modelsの適用について検討する。 本稿では,現実のプロセスに基づくレイ要約のための新しい2段階のフレームワークを提案し,この手法により生成された要約が,より大規模なモデルに対して人間の判断によってますます好まれることを見出した。 ゼロショット環境でのLLMのベストプラクティスの確立を支援するため、審査員としてLLMの能力を評価し、人間の審査員の選好を再現できることを見出した。 最後に,NLP(Lay Summarisation for Natural Language Processing)記事への最初のステップとして,LLMがこの新しい領域に一般化可能であること,さらに詳細な人間による評価を通じて提案手法によって生成された要約の有用性を強調した。

関連論文リスト

• Large Language Models Can Self-Improve in Long-context Reasoning [100.52886241070907]
  大規模言語モデル(LLM)は、長いコンテキストの処理においてかなりの進歩を遂げているが、それでも長いコンテキストの推論に苦慮している。 我々はこの目的のために特別に設計されたアプローチである我々の提案する。 人類の専門家や 先進的なモデルによるデータに依存する 従来のアプローチと比べて 優れたパフォーマンスを達成しています
  論文  参考訳（メタデータ） (2024-11-12T19:53:00Z)
• The Lay Person's Guide to Biomedicine: Orchestrating Large Language Models [38.8292168447796]
  大規模言語モデル(LLM)は、テキストの単純化、背景情報生成、テキスト評価において顕著な能力を示した。 我々は,LLMを利用して高品質なバックグラウンド知識を生成する,新しいtextitExplain-then-Summarise LSフレームワークを提案する。 また,複数の視点からレイネスを評価する2つの新しいLS評価指標を提案する。
  論文  参考訳（メタデータ） (2024-02-21T03:21:14Z)
• Large Language Models: A Survey [69.72787936480394]
  大規模言語モデル(LLM)は、広範囲の自然言語タスクにおける強力なパフォーマンスのために、多くの注目を集めている。 LLMの汎用言語理解と生成能力は、膨大なテキストデータに基づいて数十億のモデルのパラメータを訓練することで得られる。
  論文  参考訳（メタデータ） (2024-02-09T05:37:09Z)
• Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
  大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。 自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。 本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
  論文  参考訳（メタデータ） (2023-12-26T07:24:46Z)
• Summarization is (Almost) Dead [49.360752383801305]
  我々は,大規模言語モデル(LLM)のゼロショット生成能力を評価するため,新しいデータセットを開発し,人間による評価実験を行う。 本研究は, 微調整モデルにより生成した要約や要約よりも, LLM生成要約に対する人間の評価において, 明らかな優位性を示した。
  論文  参考訳（メタデータ） (2023-09-18T08:13:01Z)
• On Learning to Summarize with Large Language Models as References [101.79795027550959]
  大型言語モデル (LLM) は、一般的な要約データセットにおける元の参照要約よりも人間のアノテーションに好まれる。 より小さなテキスト要約モデルに対するLLM-as-reference学習設定について検討し,その性能が大幅に向上するかどうかを検討する。
  論文  参考訳（メタデータ） (2023-05-23T16:56:04Z)
• PALR: Personalization Aware LLMs for Recommendation [7.407353565043918]
  PALRは、ユーザ履歴の振る舞い(クリック、購入、評価など)と大きな言語モデル(LLM)を組み合わせることで、ユーザの好むアイテムを生成することを目的としている。 我々のソリューションは、様々なシーケンシャルなレコメンデーションタスクにおいて最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-05-12T17:21:33Z)
• Benchmarking Large Language Models for News Summarization [79.37850439866938]
  大規模言語モデル(LLM)は自動要約を約束しているが、その成功の背景にある理由はよく分かっていない。 LLMのゼロショット要約能力の鍵は、モデルサイズではなく、命令チューニングにある。
  論文  参考訳（メタデータ） (2023-01-31T18:46:19Z)

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。