重塑会议摘要的 SCOPE：基于事实的摘要与通过提问实现个性化
计算与语言
2025-11-17 v2 人工智能
摘要
使用大型语言模型 (LLM) 进行会议摘要仍然容易出错，常产生带有幻觉、遗漏和不相关内容的输出。我们提出了 FRAME，一个将摘要重构为语义富集任务的模块化流水线。FRAME 提取并对显著事实进行评分，按主题组织它们，并利用这些事实将大纲富集为抽象式摘要。为了实现摘要的个性化，我们引入了 SCOPE，一种“大声思考”协议，要求模型在内容选择前通过回答九个问题来构建推理轨迹。在评估方面，我们提出了 P-MESA，一个多维无参考评估框架，用于评估摘要是否适合目标读者。P-MESA 可靠地识别错误实例，对人工标注取得 >= 89% 的平衡准确率，并与人工严重性评级高度一致 (r >= 0.70)。在 QMSum 和 FAME 上，FRAME 将幻觉和遗漏减少了 5 分制中的 2 分（使用 MESA 测量），而 SCOPE 相比仅使用提示的基线提升了知识契合度与目标一致性。我们的发现提倡重新思考摘要生成，以改善可控性、忠实度与个性化。
引用
@article{arxiv.2509.15901,
title = {Re-FRAME the Meeting Summarization SCOPE: Fact-Based Summarization and Personalization via Questions},
author = {Frederic Kirstein and Sonu Kumar and Terry Ruas and Bela Gipp},
journal= {arXiv preprint arXiv:2509.15901},
year = {2025}
}
备注
Accepted at EMNLP 2025