面向消费者健康查询的忠实摘要：基于 LLM 的跨语言框架
人工智能
2025-11-17 v1 计算复杂性
摘要
对消费者健康问题（CHQs）进行摘要可缓解医疗保健中的沟通困难，但不忠实的摘要会误表示医疗细节，构成严重风险。我们提出一种结合 TextRank 基于句子提取和医学命名实体识别与大语言模型（LLM）的框架，以提高医学文本摘要的忠实性。在实验中，我们在 MeQSum（英文）和 BanglaCHQ-Summ（孟加拉文）数据集上微调 LLaMA-2-7B 模型，实现了在质量（ROUGE、BERTScore、可读性）和忠实性（SummaC、AlignScore）指标上的一致性改进，优于零样本基线和先前系统。人类评估进一步表明，超过 80% 的生成摘要保留关键医疗信息。这些结果凸显忠实性是可靠医学摘要的关键维度，展示了该方法在医疗环境中更安全部署 LLM 的潜力。
引用
@article{arxiv.2511.10767,
title = {Structure-Aware Encodings of Argumentation Properties for Clique-width},
author = {Yasir Mahmood and Markus Hecher and Johanna Groven and Johannes K. Fichte},
journal= {arXiv preprint arXiv:2511.10767},
year = {2025}
}
备注
Technical report of paper accepted at AAAI 2026