University of Edinburgh（爱丁堡大学）

Exploration of Augmentation Strategies in Multi-modal Retrieval-Augmented Generation for the Biomedical Domain: A Case Study Evaluating Question Answering in Glycobiology

多模态检索增强生成在生物医学领域中的增强策略探索：一项评估糖生物学问答的案例研究

Primož Kocbek, Azra Frkatović-Hodžić, Dora Lalić, Vivian Hui, Gordan Lauc, Gregor Štiglic

机构 * University of Maribor, Faculty of Health Sciences（莫拉维亚大学健康科学学院） ； University of Ljubljana, Medical Factory（卢布尔雅那大学医疗工厂） ； Genos Ltd（基因公司） ； Center for Smart Health, School of Nursing The Hong Kong Polytechnic University（智能健康中心护理学院香港理工大学） ； University of Zagreb, Faculty of Pharmacy（扎格雷布大学药学院） ； Usher Institute University of Edinburgh（埃德蒙顿大学usher研究所） 纠错

AI总结 本文研究了多模态检索增强生成在生物医学领域中的增强策略，通过实验发现多模态转换和视觉检索在不同模型中均能提升问答准确率。

Comments Will be published in IEEE BigData 2025 proceedings. Contains 10 pages, 1 figure, 5 tables

UM_FHS at the CLEF 2025 SimpleText Track: Comparing No-Context and Fine-Tune Approaches for GPT-4.1 Models in Sentence and Document-Level Text Simplification

UM_FHS在CLEF 2025 SimpleText赛道上的表现：比较GPT-4.1模型在句子和文档级文本简化中的无上下文与微调方法

Primoz Kocbek, Gregor Stiglic

机构 * University of Maribor, Faculty of Health Science（马里博大学健康科学学院） ； University of Ljubljana, Faculty of Medicine（卢布尔雅那大学医学院） ； University of Edinburgh, Usher Institute（爱丁堡大学usher研究所） 纠错

AI总结 UM_FHS在CLEF 2025 SimpleText赛道上比较了GPT-4.1模型在句子和文档级文本简化中的无上下文与微调方法，发现无上下文方法在两个层级上表现稳健，而微调方法在文档级简化中表现突出。

Comments 10 pages, 3 tables. CLEF 2025 Working Notes, 9 to 12 September 2025, Madrid, Spain