University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）；Massachusetts General Hospital（麻省总医院）；Queen Mary University of London（伦敦玛丽女王大学）；Utrecht University（乌得勒支大学）
Iman Munire Bilal, Bo Wang, Adam Tsakalidis, Dong Nguyen, Rob Procter, Maria Liakata
We introduce the task of microblog opinion summarisation (MOS) and share a dataset of 3100 gold-standard opinion summaries to facilitate research in this domain. The dataset contains summaries of tweets spanning a 2-year period and covers more topics than any other public Twitter summarisation dataset. Summaries are abstractive in nature and have been created by journalists skilled in summarising news articles following a template separating factual information (main story) from author opinions. Our method differs from previous work on generating gold-standard summaries from social media, which usually involves selecting representative posts and thus favours extractive summarisation models. To showcase the dataset's utility and challenges, we benchmark a range of abstractive and extractive state-of-the-art summarisation models and achieve good performance, with the former outperforming the latter. We also show that fine-tuning is necessary to improve performance and investigate the benefits of using different sample sizes.
Deep learning and abstractive summarisation for radiological reports: an empirical study for adapting the PEGASUS models' family with scarce data
Institute of AI and Informatics in Medicine (AIIM) TUM University Hospital, Technical University of Munich, Munich, Germany（人工智能与医学信息学研究所（AIIM）慕尼黑技术大学医院，慕尼黑技术大学，慕尼黑，德国）；Chair of Medical Informatics, Institute of Artificial Intelligence and Informatics in Medicine (AIIM), TUM University Hospital, Technical University of Munich, Munich, Germany（医学信息学教授，人工智能与医学信息学研究所（AIIM），慕尼黑技术大学医院，慕尼黑技术大学，慕尼黑，德国）；Department of Biomedical Informatics, Research Group MIDorAI, Medical Faculty Mannheim, Heidelberg University, Mannheim, Germany（生物医学信息学系，MIDorAI研究组，海德堡大学曼海姆医学院，曼海姆，德国）
Discharge Summary Hospital Course Summarisation of In Patient Electronic Health Record Text with Clinical Concept Guided Deep Pre-Trained Transformer Models
King’s College London（伦敦国王学院）；King’s College Hospital NHS Foundation Trust（国王学院医院NHS基金会信托）；University College London（伦敦大学学院）
Lay Text Summarisation Using Natural Language Processing: A Narrative Literature Review
Glasgow Caledonian University（格拉斯哥卡里多尼亚大学）；University of the West of Scotland（西苏格兰大学）；Lay Summaries Ltd（Lay Summaries 有限公司）；University of Edinburgh（爱丁堡大学）
以浅白的语言总结研究结果，对促进公众了解研究结果至关重要。使用自然语言处理生成非专业摘要有可能减轻研究人员的工作量，并弥合科学与社会之间的差距。本叙述性文献综述的目的是描述和比较用于生成非专业摘要的不同文本摘要方法。我们检索了数据库Web of Science、Google Scholar、IEEE Xplore、Association for Computing Machinery数字图书馆和arXiv，查找截至2022年5月6日发表的文章。我们纳入了关于自动文本摘要方法的原始研究，以生成非专业摘要。我们筛选了82篇文章，并纳入了2020年至2021年期间发表的8篇相关论文，全部使用相同的数据集。结果表明，基于transformer的方法，如双向编码器表示从Transformers（BERT）和预训练提取的差距句子抽象摘要（PEGASUS）占主导地位的景观奠定文本摘要，所有的研究，但一个使用这些方法。在混合方法中，提取和抽象总结方法的组合被认为是最有效的。此外，输入文本的预处理方法（例如，应用提取摘要）或确定文本的哪些部分将被包括在内，显得至关重要。使用了不考虑可读性的评价指标，如面向回忆的替代评价（ROUGE）。总而言之，自动的文本摘要还没有得到充分的开发。未来的研究应考虑长文档的非专业文本摘要，包括临床试验报告，以及考虑非专业摘要可读性的评估指标的开发。
Generating Zero-shot Abstractive Explanations for Rumour Verification
University of Warwick（华威大学）；Mohammed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The Alan Turing Institute（阿兰·图灵研究所）；Queen Mary University of London（伦敦大学玛丽皇后学院）
Transformer-Assisted LLM-Based Source Code Summarisation: to Enable More Secure Software Development
School of Computing and Communications, Lancaster University, UK（兰卡斯特大学计算与通讯学院）；College of Engineering & Computer Science, VinUniversity（Vin大学工程与计算机科学学院）
