Towards Fine-Grained Citation Evaluation in Generated Text: A Comparative Analysis of Faithfulness Metrics

要約

大規模言語モデル (LLM) は、「幻覚」として知られる、サポートされていないコンテンツや検証できないコンテンツを生成することがよくあります。
これを軽減するために、検索拡張 LLM には引用が組み込まれ、検証可能な情報源に基づいたコンテンツが提供されます。
このような発展にもかかわらず、引用が関連する記述をどの程度裏付けているかを手動で評価することは依然として大きな課題です。
これまでの研究では、忠実度メトリクスを使用して引用サポートを自動的に推定していましたが、バイナリ分類に限定されており、実際のシナリオにおけるきめ細かい引用サポートが見落とされていました。
きめの細かいシナリオでの忠実度指標の有効性を調査するために、完全、部分的、およびサポートなしの 3 つのカテゴリのサポート レベル間の引用を区別する際の指標の有効性を評価する比較評価フレームワークを提案します。
私たちのフレームワークでは、相関分析、分類評価、検索評価を採用し、メトリクススコアと人間の判断との整合性を総合的に測定します。
私たちの結果は、すべての評価にわたって一貫して優れている単一の指標がないことを示しており、きめ細かいサポートを評価することの複雑さを明らかにしています。
調査結果に基づいて、より効果的な指標を開発するための実践的な推奨事項を提供します。

要約(オリジナル)

Large language models (LLMs) often produce unsupported or unverifiable content, known as ‘hallucinations.’ To mitigate this, retrieval-augmented LLMs incorporate citations, grounding the content in verifiable sources. Despite such developments, manually assessing how well a citation supports the associated statement remains a major challenge. Previous studies use faithfulness metrics to estimate citation support automatically but are limited to binary classification, overlooking fine-grained citation support in practical scenarios. To investigate the effectiveness of faithfulness metrics in fine-grained scenarios, we propose a comparative evaluation framework that assesses the metric effectiveness in distinguishing citations between three-category support levels: full, partial, and no support. Our framework employs correlation analysis, classification evaluation, and retrieval evaluation to measure the alignment between metric scores and human judgments comprehensively. Our results show no single metric consistently excels across all evaluations, revealing the complexity of assessing fine-grained support. Based on the findings, we provide practical recommendations for developing more effective metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google