ISQA：面向科学摘要的信息性事实性反馈
计算与语言
2024-04-23 v1
摘要
我们提出基于信息性科学问答（ISQA）反馈的迭代事实性精炼方法，该方法遵循人类学习理论，采用包含正面和负面信息的模型生成反馈。通过对摘要进行迭代精炼，它探究陈述的潜在理由，以增强科学摘要的事实性。ISQA以细粒度的方式实现这一点，要求摘要智能体在正面反馈中强化已验证的陈述，并在负面反馈中修正错误的陈述。我们的研究结果表明，ISQA反馈机制显著提高了各种开源大语言模型在摘要任务上的事实性，这一点在多个科学数据集上的评估中得到验证。
引用
@article{arxiv.2404.13246,
title = {ISQA: Informative Factuality Feedback for Scientific Summarization},
author = {Zekai Li and Yanxia Qin and Qian Liu and Min-Yen Kan},
journal= {arXiv preprint arXiv:2404.13246},
year = {2024}
}
备注
18 pages, 4 figures