GRASUM at BioLaySumm Task 1: Background Knowledge Grounding for Readable, Relevant, and Factual Biomedical Lay Summaries
Notice bibliographique
Résumé
Communication of scientific findings to the public is important for keeping non-experts informed of developments such as life-saving medical treatments.However, generating readable lay summaries from scientific documents is challenging, and currently, these summaries suffer from critical factual errors.One popular intervention for improving factuality is using additional external knowledge to provide factual grounding.However, it is unclear how these grounding sources should be retrieved, selected, or integrated, and how supplementary grounding documents might affect the readability or relevance of the generated summaries.We develop a simple method for selecting grounding sources and integrating them with source documents.We then use the Bio-LaySumm summarization dataset to evaluate the effects of different grounding sources on summary quality.We found that grounding source documents improves the relevance and readability of lay summaries but does not improve factuality of lay summaries.This continues to be true in zero-shot summarization settings where we hypothesized that grounding might be even more important for factual lay summaries 1 .Lay Summary: [Messenger RNAs carry the instructions necessary to synthesize proteins that do work for the cell]background In this work , we surveyed mRNA ends from 10 , 000 genes in immune cells from genetically distinct human individuals.Abstracts: Virtually all messenger RNAs (mRNAs) in eukaryotes are cleaved and polyadenylated at their 3 ends.UMLS: RNA is unique among biological macromolecules in that it can encode genetic information.Wiki Simple: Messenger RNA carries a genetic message from the DNA to the protein making machinery of the cell.Wikipedia: An mRNA molecule is transcribed from the DNA sequence and is later translated into protein.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».