RAG-RLRC-LaySum at BioLaySumm: Integrating Retrieval-Augmented Generation and Readability Control for Layman Summarization of Biomedical Texts

要約

この論文では、高度な自然言語処理 (NLP) 技術を通じて複雑な生物医学研究を素人にも理解できるように設計された RAG-RLRC-LaySum フレームワークを紹介します。
再ランキング手法によって強化された当社の検索拡張生成 (RAG) ソリューションは、複数の知識ソースを利用して、一般的な要約の精度と適切性を保証します。
さらに、可読性制御のための強化学習 (RLRC) 戦略により可読性が向上し、専門家でなくても科学コンテンツが理解できるようになります。
公的にアクセス可能な PLOS および eLife データセットを使用した評価では、私たちの手法が Plain Gemini モデルを上回っており、可読性スコアが 20% 向上、ROUGE-2 関連性スコアが 15% 向上、事実精度が 10% 向上していることが示されています。
RAG-RLRC-LaySum フレームワークは科学知識を効果的に民主化し、生物医学的発見への国民の関与を強化します。

要約(オリジナル)

This paper introduces the RAG-RLRC-LaySum framework, designed to make complex biomedical research understandable to laymen through advanced Natural Language Processing (NLP) techniques. Our Retrieval Augmented Generation (RAG) solution, enhanced by a reranking method, utilizes multiple knowledge sources to ensure the precision and pertinence of lay summaries. Additionally, our Reinforcement Learning for Readability Control (RLRC) strategy improves readability, making scientific content comprehensible to non-specialists. Evaluations using the publicly accessible PLOS and eLife datasets show that our methods surpass Plain Gemini model, demonstrating a 20% increase in readability scores, a 15% improvement in ROUGE-2 relevance scores, and a 10% enhancement in factual accuracy. The RAG-RLRC-LaySum framework effectively democratizes scientific knowledge, enhancing public engagement with biomedical discoveries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google