Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.11508

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2507.11508 (cs)
[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

Authors:Patrícia Schmidtová, Ondřej Dušek, Saad Mahamood
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。
摘要: We examine evaluation of faithfulness to input data in the context of hotel highlights: brief LLM-generated summaries that capture unique features of accommodations. Through human evaluation campaigns involving categorical error assessment and span-level annotation, we compare traditional metrics, trainable methods, and LLM-as-a-judge approaches. Our findings reveal that simpler metrics like word overlap correlate surprisingly well with human judgments (Spearman correlation rank of 0.63), often outperforming more complex methods when applied to out-of-domain data. We further demonstrate that while LLMs can generate high-quality highlights, they prove unreliable for evaluation as they tend to severely under- or over-annotate. Our analysis of real-world business impacts shows incorrect and non-checkable information pose the greatest risks. We also highlight challenges in crowdsourced evaluations.
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2507.11508 [cs.CL]
  (或者 arXiv:2507.11508v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.11508
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Patrícia Schmidtová [查看电子邮件]
[v1] 星期二, 2025 年 7 月 15 日 17:23:56 UTC (36 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号