TESA: A task in entity semantic aggregation for abstractive automatic summarization
Bibliographic record
Abstract
Au cours des dernières années, la quantité croissante de données textuelles disponibles, associée au développement de nouvelles technologies d'apprentissage machine, a conduit à des progrès significatifs dans de nombreux domaines du traitement automatique des langues, tels que le résumé automatique de texte, qui permet désormais de générer des résumés de plus en plus proches des standards humains.Cependant, les textes d'origine humaine contiennent en général des généralisations et des aggrégations sémantiques de leur contenu.Par exemple, dans un document, un texte peut faire référence à une paire d'entités nommées comme 'Londres' et 'Paris' avec diverses expressions telles que "les villes majeures", "les capitales" ou "deux villes européennes".Cependant, la génération automatique de texte, et plus particulièrement les systèmes de résumé automatique abstractifs, se sont concentrés largement sur la paraphrase et la simplification du document source, en excluant de telles capacités d'abstraction sémantiques.Dans cette thèse, nous présentons une nouvelle base de données et une tâche, nommées TESA, visant à l'aggrégation sémantique d'entités.TESA contient 5.3K aggrégations d'entités, crowdsourcées à partir d'entités appartenant aux catégories de PERSONNE, OR-
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.017 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".