本文提出了一个文本编辑器，使用自动文本摘要为用户提供不断更新的逐段摘要，以边缘注释的方式帮助用户规划、结构化和反思写作过程。通过两个用户研究，作者发现这个系统为用户提供了一个外部的视角来帮助他们修改段落的内容和范围，并且帮助用户快速了解文本的总体情况和开发一些集成自动摘要中得到的见解的策略。通过探究和强调设计 AI 工具以帮助写作的价值，这项工作突显了自然语言处理 (NLP) 能够超越直接的文本生成和纠正。

Aug, 2022

本论文旨在构建一个端到端的文本修订系统，该系统可以通过显式检测可编辑范围及其对应的编辑意图并指导修订模型来迭代生成有用的编辑，从而更准确地模拟迭代文本修订的过程，并在我们的文本修订任务和其他标准文本修订任务上显著优于以前的基线，包括语法错误修正、文本简化、句子融合和风格转换。

Dec, 2022

本文介绍了一种人机交互的迭代文本修订系统 (R3)，该系统可提供高质量的文本修改建议，通过人机交互实现文档的迭代修订，从而使大语言模型在文本修订任务中发挥更大作用。

Apr, 2022

现有研究表明，代码摘要有助于开发人员理解和维护源代码。然而，软件项目中的这些摘要通常缺失或过时。本文提出了一种名为 EditSum 的新型检索编辑方法，用于代码摘要，旨在自动生成源代码的自然语言描述。实验结果表明，EditSum 在预测模式化单词和关键词方面表现出色，而且人工评估也证明了 EditSum 生成的摘要更具信息量和实用性。

Aug, 2023

这项研究描述了 IteraTeR：第一个大规模、多领域、编辑意图注释的迭代修订文本语料库，包括了新框架和注释后的编辑意图，提高了自动生成模型的评价，从而更好地理解文本修订过程，使得编辑意图和写作质量之间可以建立重要联系，并促进迭代修订文本的计算模型的多样性语料库的创建。

Mar, 2022

通过人类反馈范式学习的大型语言模型以及人类编辑和模型生成数据结合的新技术 Sequence Alignment (un) Likelihood Training (SALT) 在医学领域自动文摘中展示了有效性。

Oct, 2023

本文提出了一种基于大型语言模型的迭代式文本摘要框架 SummIt，它通过自我评估和反馈，利用上下文学习和主题提取器的支持，以人类起草和修订摘要的迭代过程近似地重新精炼生成的摘要，同时解决了一步摘要所存在的内容缺失和虚构问题，并通过三个基准摘要数据集的经验和质性分析以及人类评估验证了该框架的有效性和可能出现的超校正问题。

May, 2023

本文介绍了迭代文本摘要（ITS），一种基于迭代的模型，用于监督的提取式文本摘要。通过迭代模型多次读取文档来提高文档表示，同时提出了选择性阅读机制，用以更准确地确定每个句子被更新的程度，在 CNN / DailyMail 和 DUC2002 数据集上进行实验，并证明我们的模型在被机器和人类评估时都显著优于现有系统。

Sep, 2018

本文提供了一个完整的计算框架，对科学写作中的文本修订进行了研究，通过构建一个新的带有金标准句子对齐的带注释语料库来揭示了科研人员修订论文的常见策略，并利用自动方法在文档、句子和单词级别上提取修订内容。

Oct, 2022

SummHelper 是一个 2 阶段的摘要化助手，旨在促进人机协作，通过内容选择和内容整合两个阶段，平衡自动化指导和个人输入的机会，并生成一份凝练有序的摘要。

Aug, 2023