論文の概要: Controlled Attribute-Specific Summarization of Interrogative Dialogues

• arxiv url: http://arxiv.org/abs/2609.28004v1
• Date: Wed, 23 Sep 2026 12:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.017192
• Title: Controlled Attribute-Specific Summarization of Interrogative Dialogues
• Title（参考訳）: 制御された属性-対話の顕著な要約
• Abstract要約: CASPER(Chain-of-Thought Attribute-Specific Prompting for Evaluative Summarization framework)を紹介する。 我々は、構造化されたプロンプトと反復的な改善を用いて、尋問者-知性相互作用の高品質な要約を生成する。 我々の発見は、ハイテイクドメインにおける制御された要約の可能性を強調し、AI駆動の法医学的インテリジェンスへの道を開いた。
• 参考スコア（独自算出の注目度）: 12.676613150397323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective summarization of interrogative dialogues is a critical task in forensic and investigative settings, requiring high factual accuracy, coherence, and attribute-specific relevance. In this work, we introduce CASPER, a novel Chain-of-Thought Attribute-Specific Prompting for Evaluative Summarization framework that leverages structured prompting and iterative refinement to generate high-quality summaries of interrogator-witness interactions. We construct MINDSum, a dataset extending the MIND corpus, comprising 6,000 utterance pairs annotated with event details, factual statements, character descriptions, and fillers. CASPER employs RoleEval, a hierarchical evaluation mechanism where multiple roles (officer, inspector, senior inspector) iteratively assess summaries based on predefined criteria. By integrating entity extraction and structured feedback loops, CASPER significantly improves factual consistency and contextual completeness compared to existing baselines. Experimental results demonstrate that our framework outperforms standard summarization models on both lexical (ROUGE) and semantic (BERTScore) metrics, while human evaluation confirms its alignment with expert reasoning. Our findings underscore the potential of controlled summarization in high-stakes domains, paving the way for AI-driven forensic intelligence.
• Abstract（参考訳）: 疑似対話の効果的な要約は、法医学的および調査的な設定において重要な課題であり、高い事実的正確性、一貫性、属性固有の関連性を必要とする。 本研究では、構造化的プロンプトと反復的改善を活用して、質問者-知性相互作用の高品質な要約を生成する、新しい評価的要約フレームワークであるCASPERを紹介する。 我々は、MINDコーパスを拡張したデータセットであるMINDSumを構築し、イベントの詳細、事実記述、文字記述、フィラーを付加した6000の発話対を構築した。 CASPERは、複数の役割(オフィス、インスペクタ、上級インスペクタ)が予め定義された基準に基づいて要約を反復的に評価する階層的な評価メカニズムであるRoleEvalを採用している。 エンティティ抽出と構造化されたフィードバックループを統合することで、CASPERは既存のベースラインと比較して、現実の一貫性とコンテキストの完全性を大幅に改善する。 実験結果から,本フレームワークは語彙(ROUGE)と意味(BERTScore)の両方の基準要約モデルよりも優れており,人間の評価は専門家による推論との整合性を確認している。 我々の発見は、ハイテイクドメインにおける制御された要約の可能性を強調し、AIによる法医学的インテリジェンスへの道を開いた。

関連論文リスト

• Beyond Overlap Metrics: Rewarding Reasoning and Preferences for Faithful Multi-Role Dialogue Summarization [5.909152930998754]
  マルチロール対話要約では、複数の話者間の複雑な相互作用をモデル化する必要がある。 既存のほとんどのメソッドはROUGEやBERTScoreのような自動メトリクスに最適化されている。 報酬に基づく最適化と明示的な認知的推論を結合する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-19T01:27:41Z)
• Beyond Holistic Scores: Automatic Trait-Based Quality Scoring of Argumentative Essays [15.895792302323883]
  教育の文脈では、教師と学習者は解釈可能な特性レベルのフィードバックを必要とする。 本稿では,2つの相補的モデリングパラダイムを用いた特徴量に基づく自動弁別評価手法について検討する。 スコア・オーディナリティを明示的にモデル化することは、人間のレーダとの合意を著しく改善することを示します。
  論文  参考訳（メタデータ） (2026-02-04T14:30:52Z)
• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• Leveraging Hierarchical Organization for Medical Multi-document Summarization [9.907620975399185]
  医用多文書要約の入力に階層構造を組み込むことで、文書間で情報を整理・コンテキスト化するモデルの能力が向上するかどうかを検討する。 本研究は,人文要約よりもモデル生成要約を好むことを示す。
  論文  参考訳（メタデータ） (2025-10-27T08:18:02Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization [86.98098988779809]
  SummQは長期文書要約のための新しい逆多重エージェントフレームワークである。 提案手法では,包括的な要約を作成し,評価するために協調作業を行う要約ジェネレータとレビュアーを用いる。 広範に使用されている3つの文書要約ベンチマーク上でSummQを評価する。
  論文  参考訳（メタデータ） (2025-09-25T08:36:19Z)
• SNaC: Coherence Error Detection for Narrative Summarization [73.48220043216087]
  SNaCは長文の微粒化アノテーションに根ざした物語コヒーレンス評価フレームワークである。 本稿では,生成した物語要約におけるコヒーレンスエラーの分類法を開発し,150冊の本や映画の脚本要約にまたがる6.6k文のスパンレベルアノテーションを収集する。 我々の研究は、最先端の要約モデルによって生成されるコヒーレンスエラーの最初の特徴と、群衆アノテータからコヒーレンス判断を引き出すためのプロトコルを提供する。
  論文  参考訳（メタデータ） (2022-05-19T16:01:47Z)
• Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and Context-Aware Auto-Encoders [59.038157066874255]
  本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。 RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。 消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
  論文  参考訳（メタデータ） (2020-12-14T07:31:17Z)

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。