From Papers to Panoramas: Building Hierarchies of Scientific Literature at Scale
Texas A&M University(德克萨斯大学奥斯汀分校)
针对科学文献快速增长难以追踪学科进展与关联的问题,提出结合嵌入聚类与LLM提示的混合方法,构建多层级科学文献体系,在质量与速度权衡上优于重度LLM方法,提升了文献探索的可解释性。
2026-08-14 cs.CL
MIReAD: Simple Method for Learning High-quality Representations from Scientific Documents
University of Toronto(多伦多大学);Vector Institute(向量研究所)
MIReAD通过微调transformer模型基于摘要预测期刊类别,在50万篇PubMed和arXiv摘要上训练,生成高质量科学论文表示,在四项评估标准上优于六种现有模型,可用于论文检索、主题分类和文献搜索。
2023-05-07 cs.AI cs.CL
Drift Inspector: Exploring and Measuring Scientific Drift with Atomic Contribution Claims
Skoltech(斯科尔科沃科学技术学院);HSE University(高等经济大学);Lomonosov Moscow State University(莫斯科国立罗蒙诺索夫大学);ITMO University(ITMO大学);AIRI(AIRI人工智能研究所)
提出Drift Inspector系统,通过LLM提取原子贡献声明并聚类,测量研究领域随时间的变化,应用于EMNLP和ACL选集,揭示从经典NLP向LLM能力的漂移。
2026-10-01 cs.CL cs.DL
SciZoom: A Large-scale Benchmark for Hierarchical Scientific Summarization across the LLM Era
Seoul National University(首尔国立大学);Seoul National University Hospital(首尔国立大学医院);Seoul National University College of Medicine(首尔国立大学医学院)
针对LLM时代科学摘要的多粒度需求,构建了包含2020-2025年四大ML顶会44946篇论文的基准,提供摘要、贡献和TL;DR三层摘要,压缩比达600:1,并揭示LLM辅助写作导致短语模式剧变和修辞风格同质化。
2026-06-24 cs.CL
Mitigating Hallucinations in Zero-Shot Scientific Summarisation: A Pilot Study
Department of Chemical Engineering and Biotechnology(化学工程与生物技术系);University of Cambridge(剑桥大学)
本研究探讨提示工程方法对缓解零样本科学摘要中的幻觉效果,发现上下文重复和随机添加能显著提升摘要与原文的对齐度。
2025-11-30 cs.AI cs.CL
Instruct Large Language Models to Generate Scientific Literature Survey Step by Step
The Open University of China(国家开放大学);FloatMiracle;PLA Academy of Military Science(中国人民解放军军事科学院)
本研究设计分步提示词引导大语言模型生成科学文献综述,基于Qwen-long的方案在NLPCC 2024评测中获第三名,软标题召回率95.84%,单篇生成成本仅0.1元,兼具效果与实用性。
2024-08-15 cs.CL
War in the Abstract: The Rise and Consequences of Militarized Language in Scientific Communication
Department of Bioengineering, School of Engineering and Applied Science, University of Pennsylvania(宾夕法尼亚大学工程与应用科学学院生物工程系);Annenberg School of Communication, University of Pennsylvania(宾夕法尼亚大学安嫩伯格传播学院);Departments of Electrical & Systems Engineering and Physics & Astronomy, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系和物理与天文学系);Departments of Psychology and Biomedical Engineering, Yale University(耶鲁大学心理学系和生物医学工程系);Wu Tsai Institute, Yale University(耶鲁大学吴蔡研究所)
通过分析2140万篇论文摘要和一项受试者内实验,发现2010-2025年间军事化术语使用增长48%-32%,且与全球冲突同步;实验表明战争框架降低了可信度、资助意愿和政策支持。
2026-08-06 cs.AI cs.CL cs.CY
Neural Abstractive Text Summarization and Fake News Detection
Stanford University(斯坦福大学)
在这项工作中,我们研究抽象的文本摘要,探索不同的模型,如LSTM编码器解码器与注意,指针生成器网络,覆盖机制,和Transformers。经过广泛和仔细的超参数调整,我们比较了所提出的架构对彼此的抽象文本摘要任务。最后,作为我们工作的延伸,我们将我们的文本摘要模型作为假新闻检测任务的特征提取器,在该任务中,将对分类之前的新闻文章进行总结,并将结果与仅使用原始新闻文本的分类进行比较。关键词:LSTM,编码器-解码器,抽象文本摘要,指针生成器,覆盖机制,Transformers,假新闻检测
2019-12-12 cs.CL cs.LG stat.ML
Not too long do read: Evaluating LLM-generated extreme scientific summaries
Department of Data Science(数据科学系);City University of Hong Kong(香港城市大学)
本文提出BiomedTLDR数据集,评估LLM生成科学摘要的性能,发现LLM更倾向于提取而非抽象,且在词汇和修辞结构上更接近原文。
2025-12-29 cs.AI cs.CL
Detection of ChatGPT Fake Science with the xFakeSci Learning Algorithm
State University of New York at Binghamton(纽约州立大学宾汉姆顿分校);Sano Centre for Computational Medicine(萨诺计算医学中心);Hefei University of Technology(合肥工业大学);China Electronics Data Industry Group(中国电子数据产业集团)
本研究针对ChatGPT生成虚假科学内容的问题,提出融合校准与邻近距离启发式的xFakeSci学习算法,在三类疾病数据集上F1达80%-94%,显著优于经典数据挖掘算法,为打击虚假科学提供新方案。
2024-04-14 cs.CL cs.IR
Scalable Scientific Interest Profiling Using Large Language Models
New York University(纽约大学);Columbia University(哥伦比亚大学);University of California, Los Angeles(加州大学洛杉矶分校);Weill Cornell Medicine(威尔康奈尔医学院)
本文利用大语言模型生成科学兴趣画像,通过MeSH术语和摘要两种方法对比,发现MeSH基于的画像在可读性和准确性上表现更优,但与人类写作存在概念选择差异。
2026-01-05 cs.CL cs.DL cs.IR
Can Large Language Model Summarizers Adapt to Diverse Scientific Communication Goals?
Institute for Language, Cognition and Computation(语言、认知与计算研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
本研究探讨了LLMs在科学摘要任务中的可控性,发现未经微调的模型在审稿生成上优于人类,且基于关键词的无分类器引导能提升可控性,但模型在生成长摘要和高度抽象的通俗摘要方面仍存在局限,无需微调的精细内容控制仍是开放问题。
2024-06-27 cs.AI cs.CL
LLM or Human? Perceptions of Trust and Information Quality in Research Summaries
Microsoft(微软);Amazon AWS AI(亚马逊AWS人工智能)
研究探讨了读者对LLM生成摘要的信任与质量感知,发现尽管难以识别LLM内容,但读者的信念显著影响评估,且LLM编辑的摘要更受好评。
2026-01-22 cs.CL cs.CY
HGNet: Scalable Foundation Model for Automated Knowledge Graph Generation from Scientific Literature
BASIRA Lab, Imperial-X (I-X) and Department of Computing(BASIRA实验室、Imperial-X(I-X)和计算系);Imperial College London, London, United Kingdom(伦敦帝国理工学院,伦敦,英国)
本文提出HGNet框架,通过两阶段方法实现零样本科学知识图谱构建,引入OSD和TCQK机制提升实体识别与关系提取,结合可微分层次损失和CAF损失确保全局一致性,提升NER和RE性能。
2026-03-24 cs.CL cs.LG
Unveiling Intrinsic Dimension of Texts: from Academic Abstract to Creative Story
本研究针对大语言模型分析中文本内在维度的决定因素不明的问题,结合交叉编码器、语言学特征与稀疏自编码器开展分析,明确了内在维度的特性、体裁分层规律与因果影响特征,为内在维度的应用与解读提供指导。
2025-11-19 cs.AI cs.CL cs.LG
Overview of the SciHigh Track at FIRE 2025: Research Highlight Generation from Scientific Papers
Jadavpur University(贾梵pur大学);Indian Association for the Cultivation of Science(印度科学培养协会);Techno India University(技术印度大学)
FIRE 2025 科学高跟踪旨在通过预训练语言模型等方法,从科学论文摘要中自动生成简洁的亮点,以提升文献阅读效率和学术资源检索质量。
2026-01-01 cs.AI cs.CL cs.CY
Large Language Model Turnover Undermines Screening for Artificial Intelligence-Assisted Scientific Writing
Tokyo Metropolitan University(东京都立大学);National Institute of Informatics(信息学研究所)
该研究量化了LLM版本更迭对科研写作筛查的影响,发现仅基于旧版本训练的检测器会在模型代际边界处失效,建议科研诚信政策需随LLM版本更新重新验证检测器准确性。
2026-10-09 cs.AI cs.CL cs.CY
Can Large Language Models Discern Evidence for Scientific Hypotheses? Case Studies in the Social Sciences
Pennsylvania State University(宾夕法尼亚州立大学);Old Dominion University(欧道明大学)
本文探索大型语言模型基于科学摘要辨别支持或反驳特定假设证据的能力,并发布了一个基于社会科学研究社区驱动标注的新颖数据集,通过与最先进基准比较揭示了未来研究机会。
2024-03-26 cs.AI cs.CL
Mapping Scientific Literature with Large Language Models and Topic Modeling
Department of Civil and Environmental Engineering(土木与环境工程系);University of Pittsburgh(匹兹堡大学)
提出基于大语言模型的两阶段分类框架,通过主题建模分析PNAS工程类文献,生成语义可解释主题并揭示跨主题关联,性能优于传统方法。
2026-06-11 cs.AI cs.CL cs.DL
GASP! Generating Abstracts of Scientific Papers from Abstracts of Cited Papers
University of Turin(都灵大学);University of Tuscia(图西亚大学)
创造力是人类的驱动力之一,因为它允许打破现有的理解来设想新的想法,这可能会彻底改变整个知识领域。科学研究提供了一个具有挑战性的环境,在那里学习创造性过程的模型。事实上,科学研究是在科学方法的正式背景下的创造性行为,这种创造性行为在文章中得到了描述。在本文中,我们敢于介绍新颖的,科学和具有挑战性的任务从引用论文摘要生成科学论文摘要(GASP)作为一个文本到文本的任务来调查科学创造力,为了促进在这个新颖的,具有挑战性的任务中的研究,我们通过使用解决版权问题的服务准备了一个数据集,因此,该数据集以其标准分割是公共可用的。最后,我们用两个普通的摘要系统进行了实验,以开始分析GASP任务的复杂性。
2020-02-28 cs.CL
Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration
Siebel School of Computing and Data Science(计算机与数据科学学院)
Idea-Catalyst通过系统识别跨学科见解,支持人类和大语言模型的创造性推理,提升科学发现的创新性和洞察力。
2026-03-12 cs.AI cs.CL
Combination of abstractive and extractive approaches for summarization of long scientific texts
ITMO University(圣彼得堡国立信息技术机械与光学大学);JetBrains(捷并思)
在这项研究工作中,我们提出了一种方法来生成长的科学文献的摘要,同时使用提取和抽象的方法的优点。在以抽象的方式生成摘要之前,我们执行提取步骤,然后将其用于调节抽象器模块。我们使用预训练的基于transformer的语言模型,用于提取器和抽象器。我们的实验表明,使用提取和抽象模型联合显着提高摘要结果和ROUGE分数。
2020-06-12 cs.CL
Unsupervised Scientific Abstract Segmentation with Normalized Mutual Information
Linguistic Research Infrastructure, University of Zurich(苏黎世大学语言研究基础设施)
针对非结构化科学摘要中结论位置隐含导致自动分割困难的问题,提出无监督方法GreedyCAS,通过贪婪优化前提与结论间的归一化互信息(NMI)分数来放置分割边界,在非结构化和结构化摘要上均优于基线方法。
2023-05-19 cs.CL
Cleaning English Abstracts of Scientific Publications
Max Planck Institute for Innovation and Competition(马克斯·普朗克创新与竞争研究所);Technical University Munich(慕尼黑技术大学)
本文提出了一种开源语言模型,用于清理科学出版物中的英文摘要,通过自动去除冗余信息以提高文本分析的准确性与信息含量。
2025-12-30 cs.CL
Faithful to the Original: Fact Aware Neural Abstractive Summarization
The Hong Kong Polytechnic University(香港理工大学);Hong Kong Polytechnic University Shenzhen Research Institute(香港理工大学深圳研究院);Microsoft Research(微软研究院);Peking University(北京大学)
摘要与抽取式摘要不同,摘要必须融合源文本的不同部分,这倾向于创建虚假事实。我们的初步研究表明,来自最先进的神经摘要系统的近30%的输出都存在这个问题。虽然以前的摘要方法通常侧重于信息量的提高,我们认为,忠实性也是一个实用的摘要系统的重要前提。为了避免在摘要中生成虚假事实,我们利用开放的信息抽取和依赖解析技术从源文本中提取实际的事实描述。然后提出了双注意序列到序列框架,以迫使生成条件的源文本和提取的事实描述。在Gigaword基准数据集上的实验表明,我们的模型可以大大减少80%的虚假摘要。值得注意的是,事实描述也带来了显着的信息量的改善,因为他们往往浓缩的源文本的含义。
2017-11-13 cs.CL cs.IR
Hierarchical Neural Networks for Sequential Sentence Classification in Medical Scientific Abstracts
MIT(麻省理工学院)
基于人工神经网络(ANN)的句子分类模型通常孤立地对句子进行分类,而不考虑句子出现的上下文。这阻碍了传统的句子分类方法的顺序句子分类的问题,需要结构化的预测更好的整体分类性能。在这项工作中,我们提出了一个层次顺序标记网络,利用周围的句子中的上下文信息,以帮助分类当前的句子。我们的模型在两个基准数据集上的表现优于最先进的结果2%-3%,用于医学科学摘要中的顺序句子分类。
2018-08-19 cs.CL
Abstract, Rationale, Stance: A Joint Model for Scientific Claim Verification
Hangzhou Dianzi University(杭州电子科技大学);University of Yamanashi(山梨大学)
科学主张验证可以帮助研究者从大型语料库中轻松地找到具有给定主张的句子证据的目标科学论文。现有的一些工作提出了管道模型的三个任务的摘要检索,合理性选择和立场预测。这样的工作存在错误在流水线中的模块之间传播和模块之间缺乏共享有价值的信息的问题。因此,我们提出了一种方法,命名为ARSCoint,共同学习模块的三个任务与机器阅读理解框架,包括索赔信息。此外,我们提出了一个正则化项之间的句子注意力分数的抽象检索和理性选择的估计输出的任务,以加强信息交流和约束。在基准数据集SciFact上的实验结果表明,该方法的性能优于现有方法.
2021-09-13 cs.CL
NUTSHELL: A Dataset for Abstract Generation from Scientific Talks
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
本文提出NUTSHELL数据集,用于科学演讲摘要生成,通过建立基线模型和评估生成摘要质量,揭示SAG的挑战并促进改进模型和评估方法的发展。
2025-06-02 cs.CL
SciDTB: Discourse Dependency TreeBank for Scientific Abstracts
Key Laboratory of Computational Linguistics, Peking University, MOE, China(北京大学计算语言学重点实验室(教育部))
语篇关系标注语料库有利于机器翻译和问答等自然语言处理任务的实现。在本文中,我们提出了SciDTB,一个特定领域的话语树库标注的科学文章。与广泛使用的RST-DT和PDTB不同,SciDTB使用依存树来表示语篇结构,具有一定的灵活性和简化性,但不会牺牲结构的完整性。我们讨论了标签框架,注释工作流程和一些关于SciDTB的统计数据。此外,我们的树库是作为一个基准评估话语依赖分析器,我们提供了几个基线作为基础工作。
2018-06-10 cs.CL
Segmenting Scientific Abstracts into Discourse Categories: A Deep Learning-Based Approach for Sparse Labeled Data
National Digital Library(国家数字图书馆);Indian Institute of Technology(印度理工学院);Jadavpur University(贾达普大学)
科学论文的摘要将论文的内容提炼成一个简短的段落。在生物医学文献中,通常将摘要结构化为背景、目的、方法、结果和结论等话语类别,但这种分割在其他领域(如计算机科学)并不常见。显式类别可能有助于更细粒度的搜索和推荐,即话语级搜索和推荐。标记数据的稀疏性使得构造有监督的机器学习解决方案来自动分割非生物领域中的摘要具有挑战性。在本文中,我们使用迁移学习来解决这个问题。特别是,我们定义了三个语篇类别背景,技术,观察-为摘要,因为这三个类别是最常见的。我们在PubMed的结构化摘要上训练一个深度神经网络,然后在一个小型的手工标注的计算机科学论文语料库上对其进行微调。我们观察到的测试语料库的准确率为75%。我们进行了消融研究,以突出模型的不同部分的作用。我们的方法似乎是一个很有前途的解决方案,自动分割的摘要,标记的数据是稀疏的。
2020-05-27 cs.CL
TA-DA: Topic-Aware Domain Adaptation for Scientific Keyphrase Identification and Classification (Student Abstract)
University Politehnica of Bucharest(布加勒斯特理工大学);National Institute for Research and Development in Informatics - ICI Bucharest(国家信息研究与开发研究所 - ICI布加勒斯特)
关键词识别和分类是一项自然语言处理和信息检索任务,涉及从与主要主题相关的给定文本中提取相关词组。在这项工作中,我们专注于从科学文献中提取关键词。我们介绍了TA-DA,一个主题感知的领域自适应框架的关键词提取,集成了多任务学习与对抗训练和领域自适应。我们的方法在F1分数的精确匹配中将基线模型的性能提高了5%。
2022-12-30 cs.CL
Transformers Go for the LOLs: Generating (Humourous) Titles from Scientific Abstracts End-to-End
University of Mannheim(曼海姆大学)
本研究探索端到端摘要生成标题,微调七个Transformer模型,并首次构建幽默标题数据集,发现最佳系统接近人类但幽默生成更难,ChatGPT无需微调即达最佳水平。
2023-12-26 cs.CL
QMUL-SDS at SCIVER: Step-by-Step Binary Classification for Scientific Claim Verification
Queen Mary University of London(伦敦玛丽女王大学)
科学声明验证是一个独特的挑战,正吸引越来越多的兴趣。SCIVER共享任务提供了一个基准场景,用于测试和比较参与团队的声明验证方法,包括三个步骤:相关摘要选择,理由选择和标签预测。在本文中,我们提出了团队QMUL-SDS的参与共享任务。我们提出了一种方法,通过逐步进行二进制分类来执行科学声明验证。我们训练了一个BioBERT大型分类器,根据每个<claim,title of the abstract>的成对相关性评估来选择摘要,并继续训练它,根据<claim,sentence>从每个检索到的摘要中选择理由。然后,我们提出了一个两步的标签预测设置,即首先预测“NOT_ENOUGH_INFO”或“ENOUGH_INFO”,然后将那些标记为“ENOUGH_INFO”的标签标记为“SUPPORT”或“SUPPORT DICT”。与基线系统相比,我们在开发集上实现了实质性的改进。结果,我们队是排行榜上的第四名。
2021-04-23 cs.CL
AINL-Eval 2025 Shared Task: Detection of AI-Generated Scientific Abstracts in Russian
A.P. Ershov Institute of Informatics Systems(A.P.埃尔绍夫信息系统研究所);Novosibirsk State University(新西伯利亚国立大学);ITMO University(ITMO大学)
本文介绍了AINL-Eval 2025共享任务,旨在检测俄语AI生成的科学摘要,提供了包含52,305个样本的大规模数据集,并评估了10个团队提交的检测系统在跨领域和跨模型泛化上的表现。
2025-08-13 cs.CL
Automatic evaluation of scientific abstracts through natural language processing
Universidade Federal de Alagoas(阿拉戈斯联邦大学)
这项工作提出了一个框架来分类和评估不同的研究摘要文本,重点是描述的过程及其应用。在此背景下,本文提出了自然语言处理算法来分类,分割和评估的科学工作的结果。首先,建议的框架分类的抽象文本到根据要解决的问题,采用文本分类方法。然后,将抽象文本分割为问题描述、方法和结果。最后,基于对摘要结果的情感分析,对摘要的方法论进行排序。所提出的框架使我们能够快速排名解决特定问题的最佳方法。为了验证所提出的框架,石油生产异常摘要进行了实验,并取得了可喜的成果。
2021-11-14 cs.CL cs.LG
Synthesizing Scientific Summaries: An Extractive and Abstractive Approach
本文提出一种结合抽取式与生成式的混合方法用于科学论文摘要,利用无监督模型提取关键发现并与引言配对,结合transformer语言模型生成摘要,发现特定超参数组合可使系统摘要抽象度超越人类。
2024-07-29 cs.CL
Citance-Contextualized Summarization of Scientific Papers
Leipzig University(莱比锡大学);University of Groningen(格罗宁根大学)
提出一种基于引文上下文的科学论文摘要方法,利用引文检索相关段落并生成针对性摘要,在包含54万篇论文和460万条引文的新数据集上评估。
2023-11-13 cs.CL
An Experimental Comparison of the Most Popular Approaches to Fake News Detection
Dipartimento di Ingegneria dell'Informazione, University of Pisa(比萨大学信息工程系);Dipartimento di Informatica, University of Pisa(比萨大学计算机科学系)
本文对比了12种主流虚假新闻检测方法,评估了不同数据集下的分类性能,发现领域内模型表现良好但泛化能力差,跨领域架构和LLM在零样本学习中表现突出。
2026-03-26 cs.CL
Studying Fake News Spreading, Polarisation Dynamics, and Manipulation by Bots: a Tale of Networks and Language
Università degli Studi di Torino(都灵大学);Utrecht University(乌得勒支大学);PRHLT Research Center(PRHLT研究中心);Universitat Politècnica de València(瓦伦西亚理工大学)
随着在线社交媒体的爆炸性增长,信息紊乱干扰新闻传播的古老问题已经浮出水面,并以新的强度威胁着我们的民主,公共卫生和新闻媒体的可信度。因此,在相对较短的时间内发表了数千篇科学论文,使不同学科的研究人员面临信息过载问题。本调查的目的有三个:(1)我们提出了基于网络的现有多学科文献的分析结果,以支持相关趋势和中心出版物的搜索;(2)我们描述了主要结果和必要的背景下,在计算的角度来解决这个问题;(3)我们以网络科学作为统一的框架,以计算语言学作为理解共享内容的工具,对所选的贡献进行了回顾。尽管研究计算语言学和网络的学者传统上属于不同的科学界,但我们希望那些对假新闻领域感兴趣的人应该了解这两个学科的关键方面。
2023-01-14 cs.CL cs.CY cs.SI
LSTM-based Deep Neural Network With A Focus on Sentence Representation for Sequential Sentence Classification in Medical Scientific Abstracts
Austrian Institute of Technology(奥地利技术研究院);FPT University(FPT大学);HCM University of Technology(胡志明市理工大学)
本文提出一种基于LSTM的深度网络以构建全面的句子表示,结合C-RNN与MLP处理医学摘要的序列化句子分类任务,在多个基准上显著提升了F1分数。
2024-05-31 cs.CL
Retrieval-Augmented Multimodal Model for Fake News Detection
University of International Business and Economics(国际商务经济大学);Peking University(北京大学);University of Southern California(南加州大学);Upstart Holdings, Inc.(Upstart Holdings公司)
本文提出RAMM模型,通过多模态大语言模型和抽象叙述对齐模块,解决虚假新闻检测中跨实例叙述一致性缺失和领域知识不足的问题,实验验证了其有效性。
2026-04-29 cs.CL cs.MM
SciEvent: Benchmarking Multi-domain Scientific Event Extraction
Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出多领域科学事件抽取基准SciEvent,通过统一事件模式标注500篇跨五领域摘要,将SciIE定义为分段与触发词论元抽取两阶段流水线,实验揭示现有模型在社科人文领域存在性能差距。
2025-09-19 cs.CL
RerrFact: Reduced Evidence Retrieval Representations for Scientific Claim Verification
University of Mannheim(曼海姆大学);Thapar Institute of Engineering & Technology(塔帕尔工程技术学院);Charles University(查理大学)
数字信息渠道的指数级增长和出版竞争使得科学错误信息比以往任何时候都更加普遍。然而,即使对研究人员来说,事实验证给定科学主张的任务也不是简单的。科学声明验证需要领域专家的深入知识和大量劳动,以证实来自可信科学来源的支持和反驳证据。SciFact数据集和相应的任务为社区提供了一个基准排行榜,通过从源摘要中提取和吸收相关的证据原理来开发自动科学声明验证系统。在这项工作中,我们提出了一种模块化方法,该方法可以像SciFact排行榜中那样对每个预测子任务依次进行二进制分类。我们简单的基于分类器的方法使用减少抽象表示检索相关的摘要。并进一步用于训练相应的理性选择模型。最后,我们进行了两步的立场预测,首先区分不相关的理由,然后确定支持或反驳的理由为给定的索赔。实验上,我们的系统RerrFact没有微调,简单的设计,和一小部分模型参数公平竞争的领先地位,对大规模,模块化和联合建模方法。我们在https://github.com/ashishrana160796/RerrFact上提供代码库。
2022-04-18 cs.CL
Do Linguistic Style and Readability of Scientific Abstracts affect their Virality?
Trento-Rise(特伦托崛起研究所);Center for Astrophysics(天体物理学中心);Harvard University(哈佛大学);Media Lab(媒体实验室);Massachusetts Institute of Technology(麻省理工学院)
对在线社交网络中发布的文本内容的反应显示出不同的动态,这取决于提交内容的语言风格和可读性。对科学文章的反应是否存在类似的动力?我们的直觉得到了先前研究的支持,表明一篇科学文章的成功取决于它的内容,而不是它的语言风格。在这篇文章中,我们研究了一个科学摘要语料库和三种形式的相关反应:文章下载,引用和书签。通过基于类的心理语言学分析和可读性指数测试,我们表明,一定的风格和可读性的特点,摘要明确同意在确定成功和病毒能力的科学文章。
2012-03-19 cs.CL cs.DL cs.SI
Model Generalization on COVID-19 Fake News Detection
The Hong Kong University of Science and Technology(香港科技大学)
在COVID-19大流行期间,世界正面临前所未有的信息泛滥,虚假和真实信息都在扩散。考虑到COVID-19假新闻带来的问题性后果,科学界一直在努力解决它。为了有助于这场对抗信息流行病的斗争,我们的目标是为CONSTRAINT 2021提出的COVID-19假新闻检测任务实现一个强大的模型(FakeNews-19)通过采取两种不同的方法:1)用鲁棒的损失函数微调基于Transformers的语言模型,2)通过影响计算去除有害的训练实例。我们通过评估不同的COVID-19错误信息测试集(Tweets-19)来进一步评估我们模型的鲁棒性,以了解模型的泛化能力。对于第一种方法,我们在共享任务上实现了98.13%的加权F1得分(W-F1),而在Tweets-19上实现了38.18%的W-F1最高。相反,通过执行影响力数据清洗,我们的模型具有99%的清洗百分比,可以在Tweets-19上实现54.33%的W-F1得分。通过在两个COVID-19假新闻测试集上评估我们的模型,我们提出了模型泛化能力在这项任务中的重要性,以进一步解决在线社交媒体平台中的COVID-19假新闻问题。
2021-01-11 cs.AI cs.CL
Data-driven Summarization of Scientific Articles
Institute of Neuroinformatics, University of Z \"u rich
数据驱动的方法序列到序列建模已成功地应用于新闻文章的短文本摘要。这样的模型通常在仅由单个或几个句子组成的输入-摘要对上训练,部分地由于多句子训练数据的有限可用性。在这里,我们建议使用科学文章作为文本摘要的一个新里程碑:大规模的训练数据几乎是免费的,有两种不同级别的高质量摘要-标题和摘要。我们从科学文章中生成两个新的多句摘要数据集,并测试了现有的各种基于提取和抽象神经网络的摘要方法的适用性。我们的分析表明,科学论文适合数据驱动的文本摘要。我们的研究结果可以作为有价值的基准扩展序列到序列模型非常长的序列。
2018-04-24 cs.CL
Originality in scientific titles and abstracts can predict citation count
GESIS – Leibniz Institute for the Social Sciences(GESIS——莱布尼茨社会科学研究所);Technion - Israel Institute of Technology(以色列理工学院)
本文将发散语义整合(DSI)应用于Web of Science的99,557篇科学标题和摘要,发现DSI在学科间存在显著差异且随时间略升,并与5年后被引次数的对数呈显著正相关(调整后$R^2$为0.13)。
2025-02-03 cs.CL cs.DL
Improving Primary Healthcare Workflow Using Extreme Summarization of Scientific Literature Based on Generative AI
IBM Thomas J. Watson Research(IBM托马斯·J·沃森研究院);Amazon Science(亚马逊科学研究院)
该研究利用基于大规模语言模型的生成式AI对科学文献摘要进行极限摘要,发现该方法能显著减少初级保健人员文献阅读时间,但在无完整摘要时知识提取准确性会降低。
2023-07-24 cs.AI cs.CL
LDKP: A Dataset for Identifying Keyphrases from Long Scientific Documents
Moody’s Analytics(穆迪分析);IIIT-Delhi(德里英迪拉·甘地信息技术学院);IIT-Dhanbad(印度理工学院丹巴德分校);NYU(纽约大学);Adobe Media Data Science Research(奥多比媒体数据科学研究院);UT Austin(德克萨斯大学奥斯汀分校)
从文本中识别关键词是自然语言处理和信息检索中的一项基本任务。绝大多数用于此任务的基准数据集来自仅包含文档标题和摘要信息的科学领域。这限制了关键短语提取(KPE)和关键短语生成(KPG)算法从通常非常短(大约8句)的人类书面摘要中识别关键短语。这对现实世界的应用程序提出了三个挑战:大多数文档都无法使用人类编写的摘要,文档几乎总是很长,并且很高比例的KP可以在标题和摘要的有限上下文之外直接找到。因此,我们发布了两个广泛的语料库,映射了约130万和约10万科学文章的KP,以及它们的完整提取文本和额外的元数据,包括出版地点、年份、作者、研究领域和引文,以促进对这个现实世界问题的研究。
2022-04-01 cs.CL
TSTR: Too Short to Represent, Summarize with Details! Intro-Guided Extended Summary Generation
Georgetown University(乔治城大学)
许多科学论文,如arXiv和PubMed数据汇集中的论文,其摘要长度在50-1000个单词之间,平均长度约为200个单词,较长的摘要通常传达更多关于源论文的信息。到目前为止,科学摘要研究通常集中在生成简短的,抽象的摘要后,现有的数据集用于科学摘要。在源文本相对较长的领域中,例如在科学文献中,这样的摘要不能超越一般和粗略的概述,并提供来自源文档的突出信息。最近对解决这个问题的兴趣激发了科学数据集arXiv-Long和PubMed-Long的管理,其中包含400-600字的人类书面摘要,因此,为生成长/扩展摘要的研究提供了场所。扩展摘要有助于更快的阅读,同时提供超出粗略信息的详细信息。在本文中,我们提出了TSTR,一个提取摘要,利用文件的介绍性信息作为指针,其显着的信息。对两个现有的大规模扩展摘要数据集的评估表明,与强大的基线和最先进的技术相比,Rouge和平均Rouge(F1)得分(除了一种情况)在统计上有显着的改善。全面的人类评估有利于我们生成的扩展摘要的内聚性和完整性。
2022-06-02 cs.CL
Fact or Fiction: Verifying Scientific Claims
University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
我们介绍了科学声明验证,一个新的任务,选择摘要从研究文献中包含的证据,支持或拒绝一个给定的科学主张,并确定理由证明每个决定。为了研究这项任务,我们构建了SciFact,这是一个由1.4K专家撰写的科学声明组成的数据集,其中包含带有标签和理由的包含证据的摘要。我们为SciFact开发了基线模型,并证明了与在维基百科或政治新闻上训练的模型相比,简单的领域自适应技术大大提高了性能。我们表明,我们的系统能够通过从CORD-19语料库中识别证据来验证与COVID-19相关的声明。我们的实验表明,SciFact将为开发旨在检索和推理包含专业领域知识的语料库的新系统提供一个具有挑战性的测试平台。这个新任务的数据和代码可以在https://github.com/allenai/scifact上公开获得。排行榜和COVID-19事实核查演示可在https://scifact.apps.allenai.org上获得。
2020-10-03 cs.CL
How scientific literature has been evolving over the time? A novel statistical approach using tracking verbal-based methods
Centro Mexicano de Estudios Económicos y Sociales(墨西哥经济与社会研究中心);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文以文章摘要为起点,提供了与系统性红斑狼疮(SLE)相关的科学出版物的全球视野。随着时间的推移,摘要已经朝着使用术语的更高复杂性发展,这使得有必要使用复杂的统计方法和回答问题,包括:词汇如何随着时间的推移而发展?哪些文章最有影响力?哪些文章介绍了新的术语和词汇?为了回答这些问题,我们分析了一个由506个摘要组成的数据集,并从115种不同的期刊下载,覆盖了18年的时间。
2016-02-05 cs.CL cs.DL
Automatic Detection of Research Values from Scientific Abstracts Across Computer Science Subfields
Allen Institute for AI(艾伦人工智能研究所)
本文提出包含十个研究价值的标注方案,构建分类器对32个子领域、86个场所的22.6万篇摘要进行自动检测,系统揭示了CS社区的研究价值取向。
2025-02-26 cs.CL cs.DL
LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection
提出一种结合AMR语义与传播动态的自监督假新闻检测框架,利用LLM对比损失和多视图掩码自编码器,在少量标注下超越现有方法。
2025-08-26 cs.CL cs.SI