論文の概要: DiSCo: Making Absence Visible in Intelligent Summarization Interfaces

• arxiv url: http://arxiv.org/abs/2601.07229v2
• Date: Tue, 13 Jan 2026 19:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 14:49:41.096654
• Title: DiSCo: Making Absence Visible in Intelligent Summarization Interfaces
• Title（参考訳）: DiSCo:Intelligent Summarization InterfacesにおけるAbsenceの可視化
• Authors: Eran Fainman, Hagit Ben Shoshan, Adir Solomon, Osnat Mokryn,
• Abstract要約: 本稿では、各エンティティのコンテンツとドメイントピックの期待値を比較することで、欠落を可視化する予測ベースの計算手法を提案する。 その結果、モデリング期待は存在バイアスを低減し、知的要約インタフェースにおける言語透明性と意思決定支援の両方を改善した。
• 参考スコア（独自算出の注目度）: 2.8940039408894225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intelligent interfaces increasingly use large language models to summarize user-generated content, yet these summaries emphasize what is mentioned while overlooking what is missing. This presence bias can mislead users who rely on summaries to make decisions. We present Domain Informed Summarization through Contrast (DiSCo), an expectation-based computational approach that makes absences visible by comparing each entity's content with domain topical expectations captured in reference distributions of aspects typically discussed in comparable accommodations. This comparison identifies aspects that are either unusually emphasized or missing relative to domain norms and integrates them into the generated text. In a user study across three accommodation domains, namely ski, beach, and city center, DiSCo summaries were rated as more detailed and useful for decision making than baseline large language model summaries, although slightly harder to read. The findings show that modeling expectations reduces presence bias and improves both transparency and decision support in intelligent summarization interfaces.
• Abstract（参考訳）: インテリジェントインターフェースは、ユーザ生成コンテンツを要約するために、大きな言語モデルを使用することが多いが、これらの要約は、不足しているものを見下ろしながら、言及されていることを強調している。 この存在バイアスは、決定を下すために要約に依存するユーザーを誤解させる可能性がある。 本稿では、コントラスト(DiSCo)によるドメインインフォームド・サマリゼーション(Domain Informed Summarization)を提案する。 この比較は、ドメインのノルムに対して異常に強調または欠落しているアスペクトを特定し、それらを生成されたテキストに統合する。 スキー、ビーチ、シティセンターという3つの居住領域のユーザスタディにおいて、DiSCoサマリーはベースラインの大規模言語モデルサマリーよりも詳細で、意思決定に役立つと評価されたが、読みにくい。 その結果、モデリング期待は存在バイアスを低減し、インテリジェントな要約インタフェースにおける透明性と意思決定支援の両方を改善していることがわかった。

関連論文リスト

• ContextualSHAP : Enhancing SHAP Explanations Through Contextual Language Generation [0.0]
  大規模言語モデル(LLM)と統合してSHAPを拡張するPythonパッケージを提案する。 この統合は、モデルコンテキストとユーザ視点の両方を説明するために、ユーザ定義パラメータによって導かれる。 結果: 生成した説明は視覚のみの出力よりも理解しやすく, 文脈的に適切であると考えられた。
  論文  参考訳（メタデータ） (2025-12-08T05:18:15Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• On Context Utilization in Summarization with Large Language Models [83.84459732796302]
  大きな言語モデル(LLM)は抽象的な要約タスクに優れ、流動的で関連する要約を提供する。 最近の進歩は、100kトークンを超える長期入力コンテキストを扱う能力を拡張している。 要約における文脈利用と位置バイアスに関する最初の総合的研究を行う。
  論文  参考訳（メタデータ） (2023-10-16T16:45:12Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• SWING: Balancing Coverage and Faithfulness for Dialogue Summarization [67.76393867114923]
  本稿では,自然言語推論(NLI)モデルを用いて,事実の不整合を回避し,カバレッジを向上させることを提案する。 我々は、NLIを用いて詳細なトレーニング信号を計算し、モデルがカバーされていない参照サマリーのコンテンツを生成することを奨励する。 DialogSumおよびSAMSumデータセットの実験により,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-01-25T09:33:11Z)
• Questioning the Validity of Summarization Datasets and Improving Their Factual Consistency [14.974996886744083]
  SummFCは,事実整合性を改善したフィルタされた要約データセットである。 我々は,データセットが要約システムの開発と評価のための有効なベンチマークとなるべきだと論じている。
  論文  参考訳（メタデータ） (2022-10-31T15:04:20Z)

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。