論文の概要: Abstracts or full text? Evaluating input scope and computational efficiency in biomedical lay summarization

• arxiv url: http://arxiv.org/abs/2610.21690v1
• Date: Thu, 15 Oct 2026 11:13:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.048741
• Title: Abstracts or full text? Evaluating input scope and computational efficiency in biomedical lay summarization
• Title（参考訳）: 要約か全文か? バイオメディカル・レイ・サマリゼーションにおける入力範囲と計算効率の評価
• Abstract要約: 自動化されたレイ・サマリゼーションは、生体医学的知識をより理解しやすくするための解決策となっている。 記事が長く、処理にコストがかかるため、フルテキストの記事からレイサマリーを生成するには、より多くの計算能力が必要です。 本研究は,(1)要約文が全文記事と同等の要約文を生成するのに十分な情報を含んでいるか,(2)少数ショット学習がタスク固有の微調整と同様に実行可能であるか,という2つの疑問を提起する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical research articles are mainly written for experts and often contain terms that are difficult for the general public to understand. Automated lay summarization has become a solution to make biomedical knowledge easier for patients and the public to understand. However, generating lay summaries from full-text articles requires more computing power because the articles are long and costly to process. Fine-tuning large language models for this task also requires substantial resources. This study asks two questions: (1) whether abstracts contain enough information to produce lay summaries as good as those based on full-text articles, and (2) whether few-shot learning performs as well as task-specific fine-tuning. The study used two public biomedical lay summarization datasets and two recent models, evaluated for readability, factual consistency, semantic similarity, and runtime efficiency. Results show that abstract-based summarization performs better overall. Across both datasets and models, abstract fine-tuning is 4.70 times faster, while abstract zero- and few-shot prompting is 5.31 times faster than full-text methods. These results show that abstract-based prompting reduces runtime cost while maintaining lay summary quality.
• Abstract（参考訳）: 医学的な研究論文は主に専門家のために書かれており、一般に理解が難しい用語を含んでいることが多い。 患者や一般市民にとって、バイオメディカルな知識をより理解しやすくするためのソリューションとなっている。 しかし、記事が長く、処理にコストがかかるため、フルテキストの記事からレイサマリーを生成するには、より多くの計算能力が必要である。 このタスクのための微調整された大きな言語モデルもまた、かなりのリソースを必要とします。 本研究は,(1)要約文が全文記事と同等の要約を生成できる十分な情報を含んでいるか,(2)少数ショット学習がタスク固有の微調整と同様に実行可能であるか,という2つの疑問を提起する。 この研究では、2つの公開バイオメディカルレイサマリゼーションデータセットと2つの最近のモデルを使用し、可読性、事実整合性、意味的類似性、実行効率を評価した。 その結果,抽象的な要約の方が総合的に優れていることがわかった。 データセットとモデルの両方で、抽象的な微調整は4.70倍、抽象的なゼロと少数ショットのプロンプトはフルテキストメソッドの5.31倍高速である。 これらの結果から,要約品質を維持しつつ,抽象的なプロンプトによって実行コストを削減できることが示唆された。

関連論文リスト

• Divide-Prompt-Refine: a Training-Free, Structure-Aware Framework for Biomedical Abstract Generation [0.8774270519266251]
  DPR-BAG (Divide, Prompt, Refine for Biomedical Abstract Generation) を提案する。 DPR-BAGは、全文文書をBOMRCスキーマに従って構造化された修辞面に分解する。 厳密な抽出と微調整のベースラインよりも抽象的ノベルティを向上し、事実整合性を維持している。
  論文  参考訳（メタデータ） (2026-05-20T02:25:21Z)
• Who Gets Cited Most? Benchmarking Long-Context Language Models on Scientific Articles [81.89404347890662]
  SciTrekは、科学論文を用いた大規模言語モデル(LLM)の長文推論能力を評価するために設計された、新しい質問応答ベンチマークである。 本分析により,モデルの基本的数値演算を行ない,特定の情報を長い文脈で正確に特定する能力において,系統的な欠点が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T11:36:09Z)
• Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
  大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。 ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。 LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• NeedleBench: Evaluating LLM Retrieval and Reasoning Across Varying Information Densities [51.07379913779232]
  NeedleBenchは、長いコンテキストタスクにおける検索と推論のパフォーマンスを評価するためのフレームワークである。 モデルの機能を厳格にテストするために、キーデータポイントをさまざまな深さに埋め込む。 実験の結果,Deep-R1やOpenAIのo3のような推論モデルは,情報密度シナリオにおける連続的な検索と推論に苦労していることがわかった。
  論文  参考訳（メタデータ） (2024-07-16T17:59:06Z)
• 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)
• Improving Primary Healthcare Workflow Using Extreme Summarization of Scientific Literature Based on Generative AI [8.901148687545103]
  本研究の目的は, 実践者が経験する認知負荷を低減させるための, 生成的人工知能の可能性を検討することである。 文献レビューにおける生成AIの利用は効率的かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T21:42:27Z)
• USB: A Unified Summarization Benchmark Across Tasks and Domains [68.82726887802856]
  ウィキペディア由来のベンチマークを導入し、クラウドソースアノテーションの豊富なセットを補完し、8ドルの相互関連タスクをサポートする。 このベンチマークで様々な手法を比較し、複数のタスクにおいて、中程度の大きさの微調整されたモデルが、より大きな数発の言語モデルよりも一貫して優れていることを発見した。
  論文  参考訳（メタデータ） (2023-05-23T17:39:54Z)
• Lay Text Summarisation Using Natural Language Processing: A Narrative Literature Review [1.8899300124593648]
  本研究の目的は, テキスト要約の手法を記述し, 比較することである。 私たちは82の記事をスクリーニングし、同じデータセットを使用して2020年から2021年の間に8つの関連論文を公開しました。 ハイブリッドアプローチにおける抽出的および抽象的要約法の組み合わせが最も有効であることが判明した。
  論文  参考訳（メタデータ） (2023-03-24T18:30:50Z)
• Automatic Text Summarization Methods: A Comprehensive Review [1.6114012813668934]
  本研究は,要約手法,使用する手法,標準データセット,評価指標,今後の研究範囲などのテキスト要約概念を詳細に分析する。
  論文  参考訳（メタデータ） (2022-03-03T10:45:00Z)
• Sectioning of Biomedical Abstracts: A Sequence of Sequence Classification Task [0.0]
  本研究では,SSN-4モデルと呼ぶ最先端のディープラーニングモデルについて検討する。 我々は、このモデルがRandomized Controlled Trials(RCT)データセット以外の新しいデータセットにどのように一般化するかを検討する。 その結果, SSN-4 モデルでは RCT データセットをはるかに超えた一般化は得られなかった。
  論文  参考訳（メタデータ） (2022-01-18T16:41:13Z)
• Few-Shot Learning for Opinion Summarization [117.70510762845338]
  オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。 本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。 提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
  論文  参考訳（メタデータ） (2020-04-30T15:37:38Z)

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。