论文转帖：基于交互式 LLM 驱动源导览的详细长文档压缩技术
人机交互
2025-04-28 v3
摘要
将长期且技术性的文档（例如 >10 页）压缩成较短的文章（例如 <2 页）对于向不同受众传播信息至关重要，例如科学研究论文的博客文章或密集法庭程序的简报。虽然大型语言模型（LLM）是压缩大量文本的强大工具，但当前与这些模型交互的界面缺乏对详细总结文章中包含何种内容的理解与控制支持。对于这种能力尤其重要，尤其是在细节和技术导向的领域，在这些领域中，对关键细节的战术性选择和连贯的合成对于有效地向目标受众进行沟通至关重要。为此，我们提出了交互式逆向源导览（interactive reverse source outlines）一种新型可控长篇总结机制，特点是带有自动点选择的提纲要点，用户可不断调整以获得所需内容覆盖的文章。我们在 Papers-to-Posts 系统中实现了该机制，这是一个新的 LLM 驱动的系统，用于编写研究论文博客文章。通过进行小规模实验室研究（n=20）和中大型部署研究（n=37 篇博客文章，26 名参与者），我们将 Papers-to-Posts 与提供 LLM 生成草稿并可访问自由形式提示的强基准工具进行比较。在时间受限的情况下，Papers-to-Posts 在博客文章质量上显著提高了作家满意度，尤其是关于内容覆盖方面。此外，定量结果显示，在使用 Papers-to-Posts 时，编辑效率（相对于时间或写作动作的文本更改量）有所提高，定性结果显示，参与者在使用 Papers-to-Posts 时更容易将关键研究论文见解融入他们的博客文章。
引用
@article{arxiv.2406.10370,
title = {Papers-to-Posts: Supporting Detailed Long-Document Summarization with an Interactive LLM-Powered Source Outline},
author = {Marissa Radensky and Daniel S. Weld and Joseph Chee Chang and Pao Siangliulue and Jonathan Bragg},
journal= {arXiv preprint arXiv:2406.10370},
year = {2025}
}
备注
Revised for clearer message