論文の概要: Automatic Generation of Highlights for Academic Paper Via Prompt-based Learning
- arxiv url: http://arxiv.org/abs/2606.25253v1
- Date: Wed, 24 Jun 2026 00:21:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.170745
- Title: Automatic Generation of Highlights for Academic Paper Via Prompt-based Learning
- Title（参考訳）: プロンプト学習による学術論文のハイライトの自動生成
- Abstract要約: ハイライトは学術論文の主な貢献の簡潔な要約を提供する。
多くの雑誌はハイライトを提供しておらず、文献検索、テキストマイニング、書誌分析での使用を制限している。
本研究では,自動ハイライト生成のためのプロンプトベース学習について検討する。
- 参考スコア（独自算出の注目度）: 10.169203337521747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Highlights provide a concise summary of the main contributions of an academic paper and help readers quickly understand its focus. However, many journals do not provide highlights, which limits their use in literature retrieval, text mining, and bibliometric analysis. Existing studies have explored supervised learning methods for automatic highlight extraction, but these methods usually require large amounts of labeled training data. This study investigates prompt-based learning for automatic highlight generation. We design task-specific prompt templates and combine them with paper abstracts as model inputs. Several language models are evaluated, including locally deployed pre-trained models such as GPT-2 and T5, as well as ChatGPT accessed through an API. Experiments on three datasets show that ChatGPT with prompt templates achieves performance comparable to previous supervised methods without using task-specific training samples. When a small number of examples are added to the prompts, the model significantly outperforms state-of-the-art methods on two datasets. We further analyze how prompt design affects generation quality and find that, although ChatGPT has strong language modeling ability, its performance on this task is highly sensitive to the information provided in the prompt. Case studies also show that the generated highlights are generally coherent, informative, and close to author-written highlights. This study is among the first to apply prompt-based learning to academic highlight generation. The proposed method does not rely on domain-specific training corpora and can generate highlights for papers that lack such information, thereby supporting downstream text mining and bibliometric research.
- Abstract（参考訳）: ハイライトは、学術論文の主な貢献の簡潔な要約を提供し、読者がその焦点を素早く理解するのに役立つ。
しかし、多くの雑誌は、文献検索、テキストマイニング、書誌分析における使用を制限するハイライトを提供していない。
既存の研究では、自動ハイライト抽出のための教師付き学習手法が検討されているが、通常は大量のラベル付きトレーニングデータを必要とする。
本研究では,自動ハイライト生成のためのプロンプトベース学習について検討する。
タスク固有のプロンプトテンプレートを設計し、それらをモデル入力として紙抽象と組み合わせる。
GPT-2やT5といったローカルにデプロイされた事前訓練されたモデルや、API経由でアクセスされるChatGPTなど、いくつかの言語モデルが評価されている。
3つのデータセットの実験では、タスク固有のトレーニングサンプルを使わずに、プロンプトテンプレートを使用したChatGPTが、従来の教師付きメソッドに匹敵するパフォーマンスを実現している。
プロンプトに少数のサンプルを追加すると、このモデルは2つのデータセットで最先端のメソッドを大幅に上回る。
さらに、設計が生成品質にどのように影響するかを分析し、ChatGPTは言語モデリング能力が強いが、このタスクの性能はプロンプトで提供される情報に非常に敏感であることを示す。
ケーススタディでは、生成されたハイライトは概して一貫性があり、情報であり、著者によるハイライトに近いことが示されている。
本研究は,学術的ハイライト生成にプロンプトベースの学習を適用した最初の試みの一つである。
提案手法は,ドメイン固有の学習コーパスに頼らず,そのような情報を持たない論文のハイライトを生成し,下流のテキストマイニングと文献学研究を支援する。
関連論文リスト
- Overview of the SciHigh Track at FIRE 2025: Research Highlight Generation from Scientific Papers [7.474480823192324]
SciHigh: Research Highlight Generation from Scientific Papers」は、簡潔で情報的で意味のある弾頭ハイライトを自動的に生成するタスクに焦点を当てている。
トラックにはMixSubデータセット cite10172215 が使用されている。
すべての投稿は、ROUGE、METEOR、BERTScoreといった確立したメトリクスを使用して評価され、著者によるハイライトとの整合性と全体的な情報性の両方を測定した。
論文 参考訳（メタデータ） (2026-01-01T16:25:16Z) - Generative Compositor for Few-Shot Visual Information Extraction [60.663887314625164]
生成空間モデルとして生成空間モデル(Generative Generative Spacetor)を提案する。
ジェネレーティブジェネレーター(Generative Generative Spacetor)は、ソーステキストから単語を検索することでコンポジタの操作をエミュレートするハイブリッドポインタージェネレータネットワークである。
提案手法は,1ショット,5ショット,10ショットの設定において,ベースラインを上回りながら,フルサンプルトレーニングにおいて高い競争力を発揮する。
論文 参考訳（メタデータ） (2025-03-21T04:56:24Z) - Boosting Short Text Classification with Multi-Source Information Exploration and Dual-Level Contrastive Learning [12.377363857246602]
短文分類のためのMI-DELIGHTという新しいモデルを提案する。
まず、スパーシリティの問題を軽減するために、マルチソース情報探索を行う。
次に,短いテキストの表現を学習するために,グラフ学習アプローチを採用する。
論文 参考訳（メタデータ） (2025-01-16T00:26:15Z) - GPT Struct Me: Probing GPT Models on Narrative Entity Extraction [2.049592435988883]
我々は,2つの最先端言語モデル(GPT-3とGPT-3.5)の物語の抽出能力を評価する。
本研究はポルトガルの119のニュース記事を集めたText2Story Lusaデータセットを用いて行った。
論文 参考訳（メタデータ） (2023-11-24T16:19:04Z) - MetricPrompt: Prompting Model as a Relevance Metric for Few-shot Text
Classification [65.51149771074944]
MetricPromptは、数発のテキスト分類タスクをテキストペア関連性推定タスクに書き換えることで、言語設計の難易度を緩和する。
広範に使われている3つのテキスト分類データセットを4つのショット・セッティングで実験する。
結果から,MetricPromptは,手動弁証法や自動弁証法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-15T06:51:35Z) - Harnessing Explanations: LLM-to-LM Interpreter for Enhanced
Text-Attributed Graph Representation Learning [51.90524745663737]
重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。
提案手法は、確立されたTAGデータセットの最先端結果を実現する。
本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
論文 参考訳（メタデータ） (2023-05-31T03:18:03Z) - Automated Few-shot Classification with Instruction-Finetuned Language
Models [76.69064714392165]
我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。
AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
論文 参考訳（メタデータ） (2023-05-21T21:50:27Z) - Named Entity Recognition Based Automatic Generation of Research
Highlights [3.9410617513331863]
我々は,研究論文の異なるセクションを入力として,研究ハイライトを自動的に生成することを目指している。
入力に名前付きエンティティ認識を用いることで、生成したハイライトの品質が向上するかどうかを検討する。
論文 参考訳（メタデータ） (2023-02-25T16:33:03Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳（メタデータ） (2022-10-06T00:33:01Z) - Prompt-Learning for Fine-Grained Entity Typing [40.983849729537795]
完全教師付き,少数ショット,ゼロショットシナリオにおける微粒化エンティティタイピングに対するプロンプトラーニングの適用について検討する。
本稿では,エンティティタイプの情報を自動的に要約するために,プロンプトラーニングにおける分布レベルの最適化を行う自己教師型戦略を提案する。
論文 参考訳（メタデータ） (2021-08-24T09:39:35Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z)
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。