ACLApr, 2021

医疗文本的段落级简化

PDF
TL;DR本研究探讨了如何应用语言模型来改进医学文本的简化，提出了一种基于似然分数的新度量标准，并对编码器解码器模型的新方法进行了评估，同时建立了一些语料库。
发现论文，激发创造
  • 医学文本的多语言简化

    本研究介绍了 MultiCochrane 数据集，并评估了跨多语言的医学简化文本模型，尽管该模型能够生成可行的简化文本，但我们也发现了仍未解决的挑战。

    May, 2023

  • 生物医学科学评论的自动化普通语言摘要

    本文介绍了一个新的自动生成生物医学科学综述文献简化版的任务，并通过分析各种挑战，实验和评估，展示了使用现代神经架构自动生成的简化版摘要可以达到良好的质量和可读性。

    Dec, 2020

  • 医疗文本简化：通过不太可能的训练和重新排序的束搜索解码来优化可读性

    本文研究了在医学领域中进一步提高文本简化可读性的方法，通过提出新的非概然性损失函数和重新排序的束搜索解码方法，在三个数据集上取得了更好的可读性指标表现，这些研究结果为改善医学领域的文本简化提供了有希望的途径。

    Oct, 2023

  • 生物医学小白指南：规划大型语言模型

    使用大型语言模型改进自动化文档摘要，尤其在简化复杂技术文件、生成背景知识、评估文本中起到了重要作用，并在医学文章的简化和评估方面做出了创新性的工作。

    Feb, 2024

  • 针对生物医学文本自动处理的有效句子简化

    本文提出了一个名为 bioSimplify 的文本简化方法，试图减少医学文献中的句子复杂度，从而提高句法分析器的性能。经测试，在使用简化后的句子进行分析时，Charniak-McClosky 句法分析器的性能提高了 2.90%，Link Grammar 句法分析器的性能提高了 4.23%。

    Jan, 2010

  • AutoMeTS：医学文本简化自动补全

    本研究研究了预训练神经语言模型在医疗领域文本简化中的应用，引入了一个包含对齐的英文维基百科与简单英文维基百科句子的新的平行医学数据集，并比较了四个 PNLM（BERT，RoBERTa，XLNet 和 GPT-2），并演示了如何将待简化的句子的附加上下文合并以实现更好的结果（相对最佳单独模型提高 6.17% 的绝对值）。同时，我们介绍了一个组合模型，它结合了四个 PNLM，并且比最佳单独模型表现出 2.1% 的优越性，使得整体单词预测准确率达到 64.52%。

    Oct, 2020

  • 科学文本简化用于非专业读者

    科学摘要简化是为非专家出版物提供核心信息的重要任务，包括使用简化模型和聊天 GPT 进行摘要。

    Jul, 2023

  • NapSS：通过叙述提示和句子匹配摘要实现段落级医学文本简化

    该研究提出了一种名为 NapSS 的自动文本简化方法，采用基于句子匹配的摘要生成和提取式摘要相结合的策略来帮助医学领域的非专业人士更好地理解专业文献，相对于基准策略，在保持原始叙述连贯性的同时提高了文本简化的词汇和语义相似性，实验结果表明该方法可以更有效地提高非专业人士的阅读效率。

    Feb, 2023

  • 基于预训练语言模型的医学文本摘要综述

    本文系统总结了使用预训练语言模型（ Pre-trained language models）的生物医学文本摘要的最新进展、挑战问题和未来方向，帮助我们更好地理解该领域的最新进展和使用预训练语言模型在生物信息学中的应用。

    Apr, 2023

  • 大型语言模型和控制机制改善生物医学摘要的文本可读性

    将最先进的大型语言模型应用于生物医学摘要简化的任务，通过领域微调、基于提示学习、控制令牌机制等方法进行了评估，发现 BART-Large with Control Token 机制在简单性得分上优于 T5-Base，而 T5-Base 在信息保留得分上优于 BART-Large with Control Token。

    Sep, 2023