ReLay：面向非专业读者的个性化 LLM 生成式 plain-language 摘要
计算与语言
2026-05-04 v1
摘要
Plain Language Summaries(PLS)旨在使科研信息更易于非专业读者理解，但通常以一种不考虑读者信息需求和理解差异的通用风格撰写。在健康情境中，这一局限尤为重要，因为误解科学信息可能影响实际决策。大型语言模型(LLM)为个性化 PLS 提供了新的机会，但仍不清楚个性化是否有效、哪些策略最有效以及如何在有效性与安全性之间取得平衡。我们引入ReLay，一个包含300个参与者-PLS配对的数据集，来自50名非专业参与者，分别来自静态(专家编写)和交互式(LLM个性化)两种情境。ReLay包括用户特征、健康信息需求、信息寻求行为、理解结果、交互日志和质量评分。我们使用ReLay评估了五种LLM在两种个性化方法下的表现。个性化可提高理解和感知质量，但也会强化用户偏见并引入幻觉，揭示了个性化与安全性之间的权衡。这些发现凸显了为多样化非专业受众开发既有效又可信的个性化方法的必要性。
关键词
引用
@article{arxiv.2605.00468,
title = {ReLay: Personalized LLM-Generated Plain-Language Summaries for Better Understanding, but at What Cost?},
author = {Joey Chan and Yikun Han and Jingyuan Chen and Samuel Fang and Lauren D. Gryboski and Alexandra Lee and Sheel Tanna and Qingqing Zhu and Zhiyong Lu and Lucy Lu Wang and Yue Guo},
journal= {arXiv preprint arXiv:2605.00468},
year = {2026}
}