计算机科学 > 计算与语言
[提交于 2025年7月15日
]
标题: 现实世界摘要:当评估达到其极限时
标题: Real-World Summarization: When Evaluation Reaches Its Limits
摘要: 我们考察了在酒店亮点上下文中对输入数据的忠实性评估:简短的LLM生成摘要,这些摘要捕捉了住宿的独特特征。 通过涉及分类错误评估和跨度级别注释的人类评估活动,我们比较了传统指标、可训练方法和LLM作为裁判的方法。 我们的研究结果表明,简单的指标如词重叠与人类判断相关性出人意料地好(斯皮尔曼等级相关系数为0.63),在应用于领域外数据时,通常优于更复杂的方法。 我们进一步证明,虽然LLM可以生成高质量的亮点,但它们在评估方面不可靠,因为它们往往严重低估或高估注释。 我们对现实世界业务影响的分析显示,错误且无法验证的信息构成了最大的风险。 我们还强调了众包评估中的挑战。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.