Fugu-MT 論文翻訳(概要): Example-Guided Prompting for Document-Level Text Simplification

論文の概要: Example-Guided Prompting for Document-Level Text Simplification

arxiv url: http://arxiv.org/abs/2608.05447v1
Date: Wed, 05 Aug 2026 22:33:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.805231
Title: Example-Guided Prompting for Document-Level Text Simplification
Title（参考訳）: 文書レベルテキストの簡易化のためのサンプルガイドプロンプト
Abstract要約: 並列化コーパスから選択した例でプロンプトを増大させることにより,検索した文書の簡易化例が文書レベルの生成を改善することができるかどうかを検討する。複数の最先端 LLM を用いたOneStop English corpus の実験では、検索された例はプロンプトのみの生成よりも単純化品質を一貫して改善している。その結果,実例を効果的に活用することは,モデルが生成時にコンテキスト情報を統合できる能力に依存することが示唆された。
参考スコア（独自算出の注目度）: 5.110172066409178
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Document-level text simplification requires large language models (LLMs) to rewrite complex documents while preserving meaning, readability, and discourse coherence. Although prompt-based LLMs have shown promising performance, they often produce inconsistent simplifications because textual instructions alone provide limited guidance for complex document-level transformations. We investigate whether retrieved document-simplification examples can improve document-level generation by augmenting prompts with examples selected from a parallel simplification corpus. This example-guided prompting approach enables LLMs to exploit relevant simplification patterns without task-specific fine-tuning. Experiments on the OneStopEnglish corpus using multiple state-of-the-art LLMs show that incorporating retrieved examples consistently improves simplification quality over prompt-only generation and achieves competitive or superior performance compared with representative supervised (T5) and planning-based (PlanSimp) document simplification systems. Furthermore, we find that the benefits of example-guided prompting vary across LLMs, suggesting that effective use of retrieved examples depends on a model's ability to integrate contextual information during generation.
Abstract（参考訳）: 文書レベルのテキストの単純化は、意味、可読性、談話の一貫性を保ちながら複雑な文書を書き換えるために大きな言語モデル(LLM)を必要とする。プロンプトベースのLCMは有望な性能を示しているが、テキストによる命令だけで複雑な文書レベルの変換のガイダンスが限られているため、一貫性のない単純化がしばしば行われる。並列化コーパスから選択した例でプロンプトを増大させることにより,検索した文書の簡易化例が文書レベルの生成を改善することができるかどうかを検討する。この例誘導プロンプトアプローチにより、LLMはタスク固有の微調整なしで、関連する単純化パターンを活用できる。複数の最先端LLMを用いたOneStop Englishコーパスの実験では、抽出したサンプルを組み込むことで、プロンプトのみの生成よりも単純化品質が一貫して向上し、代表監督型(T5)や計画ベース(PlanSimp)の文書単純化システムと比較して、競争力や優れた性能が得られる。さらに, 実例を効果的に活用することは, 生成時の文脈情報の統合能力に依存することが示唆された。

関連論文リスト

Fine-tuning MLLMs Without Forgetting Is Easier Than You Think [72.59321247529975]
分布内および分布外画像およびテキスト入力のモデル性能を評価するための2x2実験フレームワークを設計する。その結果、トレーニング可能なパラメータの数を制限したり、低学習率を採用するなど、適切な正規化が、アウト・オブ・ディストリビューション・イメージを扱う際の忘れを効果的に防止できることが示唆された。我々は、このことをタスク固有のオーバーフィッティングとみなし、データハイブリッドトレーニング戦略を導入することでこの問題に対処する。
論文参考訳（メタデータ） (2026-03-15T17:16:19Z)
DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。 dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
論文参考訳（メタデータ） (2026-02-13T02:18:14Z)
When Thoughts Meet Facts: Reusable Reasoning for Long-Context LMs [64.27273946787344]
最近のLong-Context Language Modelsは、1つのプロンプトで数十万のトークンを処理することができる。我々は、従来の問題解決トレースから導かれた再利用可能な思考キャッシュとして、推論をリキャストする。本稿では,自然言語フィードバックによって学習データから得られるテンプレートを反復的に洗練する更新戦略を提案する。
論文参考訳（メタデータ） (2025-10-08T19:52:35Z)
Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
論文参考訳（メタデータ） (2025-02-20T09:57:42Z)
Progressive Document-level Text Simplification via Large Language Models [19.57555397986868]
長い文書レベルの単純化(DS)はいまだに未調査である。本稿では,タスクを階層的に分解してプログレッシブ単純化手法(ProgDS)を提案する。
論文参考訳（メタデータ） (2025-01-07T15:14:37Z)
Simple is not Enough: Document-level Text Simplification using Readability and Coherence [20.613410797137036]
我々は,コヒーレンスなどの簡易性,可読性,談話性を考慮した簡易化モデルであるSimDocシステムを提案する。私たちは、シンプルさ、可読性、一貫性をすべて考慮し、トレーニング中に複数の目標を含みます。本稿では、文書レベルのTSコーパスを用いて、ゼロショット、少数ショット、微調整設定で提案したモデルを評価する。
論文参考訳（メタデータ） (2024-12-24T19:05:21Z)
Large Language Models are Pattern Matchers: Editing Semi-Structured and Structured Documents with ChatGPT [0.0]
本稿では,Large Language Models (LLM) を最小限の労力で構造化文書や半構造化文書の編集に適用できるかどうかを検討する。 ChatGPTは、注釈付きドキュメントの構造を認識し、処理する強力な能力を示している。
論文参考訳（メタデータ） (2024-09-12T03:41:39Z)
Ground Every Sentence: Improving Retrieval-Augmented LLMs with Interleaved Reference-Claim Generation [51.8188846284153]
分散テキスト生成(ATG)は,RAGシステムにおける信頼性と妥当性を高めるために提案される。本稿では,参照と回答を段階的に交互に生成する詳細なATG手法であるReClaimを提案する。広範囲な実験により,ReClaimの有効性が検証され,90%の引用精度が得られた。
論文参考訳（メタデータ） (2024-07-01T20:47:47Z)
R4: Reinforced Retriever-Reorder-Responder for Retrieval-Augmented Large Language Models [32.598670876662375]
Retrieval-augmented large language model (LLMs) は、情報検索システムによって取得された関連コンテンツを利用して正しい応答を生成する。既存のレトリバー・サプライヤ・メソッドは、テキスト生成タスクを実行するために LLM のプロンプトに関連文書を追加するのが一般的である。検索拡張LDMのための文書順序付けを学習するための新しいパイプライン"Reinforced Retriever-Reorder-Responder"を提案する。
論文参考訳（メタデータ） (2024-05-04T12:59:10Z)
Meta-Task Prompting Elicits Embeddings from Large Language Models [54.757445048329735]
本稿では,新しい教師なしテキスト埋め込み手法であるMeta-Task Prompting with Explicit One-Word Limitationを紹介する。モデル微調整を必要とせずに,大規模言語モデルから高品質な文埋め込みを生成する。提案法は,多種多様なシナリオにまたがって生成を組み込む汎用的で資源効率のよい手法を提供する。
論文参考訳（メタデータ） (2024-02-28T16:35:52Z)
Context-Aware Document Simplification [3.2880869992413237]
単純化プロセス自体で文書コンテキストを使用するシステムについて検討する。我々は,計画指導に頼らずとも,文書の簡略化作業における最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-05-10T16:06:36Z)
ASSET: A Dataset for Tuning and Evaluation of Sentence Simplification Models with Multiple Rewriting Transformations [97.27005783856285]
本稿では,英語で文の単純化を評価するための新しいデータセットであるASSETを紹介する。 ASSETの単純化は、タスクの他の標準評価データセットと比較して、単純さの特徴を捉えるのに優れていることを示す。
論文参考訳（メタデータ） (2020-05-01T16:44:54Z)

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。