CoNST: Context-Aware Neural Method for Word Replacement and Sentence Simplification to Improve Text Accessibility
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A primary task in Natural Language Processing (NLP) is text simplification, which aims to create text that is more comprehensible and accessible to a broader audience. Lowering linguistic difficulty and restructuring sentences enhances readability, making it easier for individuals with varying literacy levels and skills. However, many unsupervised lexical simplification methods currently in use primarily focus on individual complex words without considering the surrounding context, which often results in inappropriate substitutions. In this work, we propose a neural-based sentence simplification approach called CoNST and compare it against a rule-based method and other baseline systems, and operate in three sequential stages. In the CoNST neural-based approach, complex word identification is performed using a Bi-LSTM sequential architecture, followed by substitute generation with a BERT model pre-trained for Masked Language Modeling (MLM). Finally, alternatives are ranked to deliver the simplest possible sentence. In contrast, the experimental results show that the neural-based approach achieves a SARI score of 40.24, outperforming the rule-based technique and other baselines.These results demonstrate the advantages of combining advanced neural models for context-aware word replacement with a structured evaluation model. In an era of information overload and diverse literacy needs, this work contributes a robust and effective method for improving linguistic clarity and accessibility.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle