Интерес к инновационным технологическим стратегиям и современным цифровым инструментам обработки информации значительно возрос в связи с необходимостью управления большими массивами неструктурированных данных. Автоматизированная суммаризация - важный инструмент в различных областях, требующих эффективного анализа и обработки больших объемов текстовой информации. В статье представлен обзор актуальных парадигм и сервисов автоматизированной суммаризации на основе междисциплинарных исследований в области лингвистики, компьютерных технологий и искусственного интеллекта. Особое внимание уделено синтаксическим и лексическим приемам, используемым нейросетевыми моделями для сжатия текста. В качестве примера рассмотрены сервисы QuillBot, Summate. it, WordTune, SciSummary, Scholarcy и OpenAI ChatGPT. Выявлено, что современные модели автоматизированной суммаризации успешно применяют экстрактивные и абстрактивные методы для создания резюме разного качества и объема. Экстрактивный подход основан на выделении наиболее значимых предложений в исходном тексте. Абстрактивные алгоритмы создают новые формулировки, сохраняя основную мысль оригинального текста. Автоматизированные суммаризаторы эффективно используют приемы сжатия текста (устранение избыточной информации, упрощение сложных конструкций и обобщение данных), присущие человеку в процессе обработки текстовой информации. Эти технологии обеспечивают высокую точность и связность генерируемых резюме, хотя каждая модель имеет свои ограничения. Для достижения оптимальных результатов важно учитывать специфику задачи и выбирать подходящую модель суммаризации: экстрактивную - для краткости и точности; абстрактивную - для более глубокой смысловой обработки текстовых данных.
Предпросмотр статьи
Идентификаторы и классификаторы
С ростом доступности интернет-ресурсов и цифровых технологий многократно увеличился и объем доступной информации, что вызывает некоторые сложности у исследователей в обновлении своих знаний. Информационный шум затрудняет обработку получаемых данных и выявление значимых исследований и создают проблему информационной перегрузки и принятия решения [Вертинова и др. 2022]. При этом важная и качественная информация часто теряется среди менее релевантных данных, что, как бы это ни было парадоксально, может приводить к изоляции от ключевых научных тенденций. Эпоха экспонентного развития технологий требует нового технологического подхода и новых цифровых инструментов при обработке огромного количества неструктурированной информации, которую представляют собой тексты и документы [Иванюкович и др. 2023; Малышева, Лычагина 2022].
Список литературы
1. Арефьева Е. С. Статья как основной жанр современного научного стиля. Современные лингвокоммуникативные практики, отв. ред. Д. А. Розеватов. Саратов, 2018. Вып. 1. С. 14-19. EDN: XVZOWD
2. Безлепкин Е. А., Зайкова А. С. Нейрофилософия, философия нейронаук и философия искусственного интеллекта: проблема различения. Философские науки. 2021. Т. 64. № 1. С. 71-87. DOI: 10.30727/0235-1188-2021-64-1-71-87 EDN: WSLGWI
3. Белов С. Д., Зрелова Д. П., Зрелов П. В., Кореньков В. В. Обзор методов автоматической обработки текстов на естественном языке. Системный анализ в науке и образовании. 2020. № 3. С. 8-22. DOI: 10.37005/2071-9612-2020-3-8-22 EDN: YJFAYK
4. Белякова А. Ю., Беляков Ю. Д. Обзор задачи автоматической суммаризации текста. Инженерный вестник Дона. 2020. № 10. С. 142-159. EDN: AYYYFQ
5. Вертинова А. А., Пашук Н. Р., Макогонова П. В., Кошелева А. И. Оценка влияния информационного шума на принятие решений. Лидерство и менеджмент. 2022. Т. 9. № 3. С. 877-890. DOI: 10.18334/lim.9.3.116218 EDN: PBTETG
6. Головизнина В. С. Автоматическое реферирование текстов. ИТНТ-2022: VIII Междунар. конф. (Самара, 23-27 мая 2022 г.) Самара: Самарский ун-т, 2022. Т. 4. EDN: EVSBXC
7. Горбачев А. Д., Синицын А. В. Сравнительный анализ алгоритмов суммаризации текста для проектирования и разработки программного комплекса. Развитие современной науки и технологий в условиях трансформационных процессов: XI Междунар. науч.-практ. конф. (Москва, 12 мая 2023 г.) СПб.: Печатный цех, 2023. С. 43-52. EDN: NONVJS
8. Гринев-Гриневич С. В., Сорокина Э. А., Молчанова М. А. Еще раз к вопросу об определении термина. Вестник Российского университета дружбы народов. Серия: Теория языка. Семиотика. Семантика. 2022. Т. 13. № 3. С. 710-729. DOI: 10.22363/2313-2299-2022-13-3-710-729 EDN: BOVCXP
9. Гурьева Н. Н. Этапы и аспекты изучения парцеллированных конструкций в отечественном языкознании. Вестник Тверского государственного университета. Серия: Филология. 2020. № 1. С. 109-114. EDN: XJLJUW
10. Дорош М., Райковский Д. И., Пугин К. В. Задача суммаризации текста. Инновации. Наука. Образование. 2022. № 49. С. 2036-2044. EDN: ZNZFHC
11. Жигалов А. Ю., Гришина Л. С., Болодурина И. П. Исследование моделей искусственного интеллекта для автоматического аннотирования и реферирования текстов. Цифровые технологии в образовании, науке, обществе: XVII Всерос. науч.-практ. конф. (Петрозаводск, 22-24 ноября 2023 г.) Петрозаводск: ПетрГУ, 2023. С. 36-38. EDN: TUGZPU
12. Ивановская О. И., Криводерева Л. В., Харченко В. А. Об одном из приемов сжатия текста. Вестник научных конференций. 2021. № 7-2. С. 57-58. EDN: HPTAXM
13. Иванюкович В. А., Борковский Н. Б., Лефанова И. В. Применение нейросетевых технологий при обработке неструктурированной информации. Управление информационными ресурсами: XIX Междунар. науч.-практ. конф. (Минск, 22 марта 2023 г.) Мн.: АУ РБ, 2023. С. 277-279. EDN: FUNMFV
14. Коротких Е. Г., Носенко Н. В. Семантико-прагматическая компрессия текста в обучении английскому языку для специальных целей. Современные проблемы науки и образования. 2021. № 2. DOI: 10.17513/spno.30665 EDN: QXWYXS
15. Ленкова Т. А. Лид - структурный элемент статьи и самодостаточный текст. Филология и человек. 2023. № 1. С. 179-191. EDN: ZXFPZG
16. Малышева Е. Ю., Лычагина В. А. Математические методы исследования лингвистики. Язык и культура в эпоху интеграции научного знания и профессионализации образования. 2022. № 3-1. С. 170-177. EDN: PXLQJX
17. Моисеенко И. М., Мальцева-Замковая Н. В., Чуйкина Н. В. Смысловое сжатие текста как компонент коммуникативной компетенции. Коммуникативные исследования. 2020. Т. 7. № 2. С. 439-458. DOI: 10.24147/2413-6182.2020.7(2).439-458 EDN: TDZHZW
18. Мусаев А. А., Григорьев Д. А. Обзор современных технологий извлечения знаний из текстовых сообщений. Компьютерные исследования и моделирование. 2021. Т. 13. № 6. С. 1291-1315. DOI: 10.20537/2076-7633-2021-13-6-1291-1315 EDN: HDOMZN
19. Пенцова М. М. Лингвосемиотика скандинавской топонимии Шотландии. Язык. Культура. Перевод. Коммуникация, науч. ред. В. З. Демьянков. М.: Тезаурус, 2015. С. 533-537. EDN: YNPDQD
20. Перелетов К. С. Обзор методов суммаризации текстов и области их применения. Высшая школа: научные исследования: Межвуз. Междунар. конгресс (Москва, 10 июня 2021 г.) М.: Инфинити, 2021. С. 147-156. EDN: XIPZOM
21. Полонский Д. А., Федосова А. О. Предобработка текста для решения NLP (Natural Language Processing). Мавлютовские чтения: XV Всерос. науч. конф. (Уфа, 26-28 октября 2021 г.) Уфа: УГАТУ, 2021. Т. 4. С. 798-802. EDN: AUTKFL
22. Полякова И. Н., Зайцев И. О. Модификация графового метода для задач автоматического реферирования с учетом синонимии. International Journal of Open Information Technologies. 2022. Т. 10. № 4. С. 45-54. EDN: CHVBAT
23. Соколова Ю. В., Чалова О. А. Особенности формирования и развития навыков самостоятельной работы на начальных этапах высшего профессионального образования. Мир науки. Педагогика и психология. 2020. Т. 8. № 2. DOI: 10.15862/81PDMN220 EDN: RCNUVE
24. Сорокина С. Г. Искусственный интеллект в контексте междисциплинарных исследований языка. Вестник Кемеровского государственного университета. Серия: Гуманитарные и общественные науки. 2023. Т. 7. № 3. С. 267-280. DOI: 10.21603/2542-1840-2023-7-3-267-280 EDN: FEIQKS
25. Сорокина С. Г. Использование рекуррентности как средства аргументации при построении текстов научного содержания: дис. … канд. филол. наук. М., 2016. 196 с. EDN: ZEJQEB
26. Сорокина С. Г. Особенности применения технологии автоматической суммаризации к научным публикациям. Три “Л” в парадигме современного гуманитарного знания: лингвистика, литературоведение, лингводидактика: Всерос. науч.-практ. конф. (Москва, 23 ноября 2023 г.) М.: Языки Народов Мира, 2024. С. 132-138. EDN: DUYDPI
27. Сорокина С. Г., Уланова К. Л. Имплементация категории тождества в названиях публицистических и научных текстов. Современное педагогическое образование. 2020. № 2. С. 202-207. EDN: AQCLZY
28. Степанюк Ю. В. К проблеме классификации способов лингводидактической адаптации иноязычных текстов. Язык и действительность. Научные чтения на кафедре романских языков им. В. Г. Гака: VI Междунар. конф. (Москва, 22-26 марта 2021 г.) М.: Спутник+, 2021. С. 411-417. EDN: HKLLET
29. Толстых О. М. Использование образовательной электронной среды Moodle для оптимизации образовательного процесса по иностранному языку студентов неязыковых специальностей. Омские научные чтения: Всерос. науч.-практ. конф. (Омск, 11-16 декабря 2017 г.) Омск: ОмГУ, 2017. С. 442-443. EDN: OTGRHL
30. Чернышкова Е. В., Родионова Т. В., Веретельникова Ю. Я. Особенности обучения студентов медицинского профиля реферированию и аннотированию иноязычных текстов по специальности. Педагогическое взаимодействие: возможности и перспективы: V Междунар. науч.-практ. конф. (Саратов, 28-29 апреля 2023 г.) Саратов: СГМУ, 2023. С. 231-241. EDN: TQWZLG
31. Abualigah L., Bashabsheh M. Q., Alabool H., Shehab M. Text summarization: A brief review. Recent advances in NLP: The case of arabic language, eds. Abd Elaziz M., Al-qaness M. A. A., Ewees A. A., Dahou A. Cham: Springer, 2020, 1-15. DOI: 10.1007/978-3-030-34614-0_1
32. Alam H., Kumar A., Nakamura M., Rahman F., Tarnikova Y., Wilcox Che. Structured and unstructured document summarization: Design of a commercial summarizer using Lexical chains. ICDAR’03: Proc. 7 Intern. Conf., Edinburgh, 6 Aug 2003. IEEE, 2003, 1147-1152. DOI: 10.1109/ICDAR.2003.1227836
33. Alami N., Mallahi M. E., Amakdouf H., Qjidaa H. Hybrid method for text summarization based on statistical and semantic treatment. Multimedia Tools and Applications, 2021, 80(13): 19567-19600. DOI: 10.1007/s11042-021-10613-9 EDN: IDXXOG
34. Al-Thanyyan S. S., Azmi A. M. Automated text simplification: A survey. ACM Computing Surveys, 2021, 54(2): 1-36. DOI: 10.1145/3442695
35. Arana-Catania M., Procter R., He Yu., Liakata M. Evaluation of abstractive summarisation models with machine translation in deliberative processes. Proceedings of the Third Workshop on New Frontiers in Summarization, online, 2021. Stroudsburg: ACL, 2021, 57-64. DOI: 10.18653/v1/2021.newsum-1.7
36. Aydın Ö., Karaarslan E. Is ChatGPT leading generative AI? What is beyond expectations? Academic Platform Journal of Engineering and Smart Systems, 2023, 11(3): 118-134. DOI: 10.2139/ssrn.4341500
37. Azaria A. ChatGPT: Usage and limitations. 2022. DOI: 10.31219/osf.io/5ue7n
38. Belwal R. C., Rai S., Gupta A. A new graph-based extractive text summarization using keywords or topic modeling. Journal of Ambient Intelligence and Humanized Computing, 2022, 12: 8975-8990. DOI: 10.1007/s12652-020-02591-x EDN: HHIZXA
39. Bhargava R., Sharma Ya. Deep extractive text summarization. Procedia Computer Science, 2020, 167: 138-146. DOI: 10.1016/j.procs.2020.03.191 EDN: YALOBL
40. Bhat I. K., Mohd M., Hashmy R. SumItUp: A hybrid single-document text summarizer. Soft computing: Theories and applications. Advances in intelligent systems and computing, eds. Pant M., Ray K., Sharma T., Rawat S., Bandyopadhyay A. Singapore: Springer, 2018, 619-634. DOI: 10.1007/978-981-10-5687-1_56
41. Cao M., Zhuge H. Automatic evaluation of text summarization based on semantic link network. SKG 2019: Proc. 15 Intern. Conf., Guangzhou, 17-18 Sep 2019. IEEE, 2020, 107-114. DOI: 10.1109/SKG49510.2019.00026
42. Chen D., Ma S., Harimoto K., Bao R., Su Q., Sun X. Group, extract and aggregate: Summarizing a large amount of finance news for forexmovement prediction. Proceedings of the Second Workshop on Economics and Natural Language Processing, Hong Kong, 2019. ACL, 2019, 41-50. DOI: 10.18653/v1/D19-5106
43. Dehru V., Tiwari P. K., Aggarwal G., Joshi B., Kartik P. Text summarization techniques and applications. ASCI 2020: Proc. Intern. Conf., Jaipur, 22-23 Dec 2020. IOP, 2021, vol. 1099. DOI: 10.1088/1757-899X/1099/1/012042
44. Dönicke T., Gödeke L., Varachkina H. Annotating quantified phenomena in complex sentence structures using the example of generalising statements in literary texts. Proceedings of the 17th Joint ACL-ISO Workshop on Interoperable Semantic Annotation, online, 2021. ACL, 2021, 20-32.
45. Fabbri A. R., Kryściński W., McCann B., Xiong C., Socher R., Radev D. SummEval: Re-evaluating summarization evaluation. Transactions of the Association for Computational Linguistics, 2021, 9: 391-409. DOI: 10.1162/tacl_a_00373 EDN: RFVDUU
46. Ganesh A., Jaya A., Sunitha C. An overview of semantic based document summarization in different languages. ECS Transactions, 2022, 107(1): 6007-6017. DOI: 10.1149/10701.6007ecst EDN: LMCZYQ
47. Gao Y., Xu Y., Huang H., Liu Q., Wei L., Liu L. Jointly learning topics in sentence embedding for document summarization. IEEE Transactions on Knowledge and Data Engineering, ed. Chen L. Piscataway: IEEE, 2020, 32(4): 688-699. DOI: 10.1109/TKDE.2019.2892430
48. Gehrmann S., Deng Y., Rush A. M. Bottom-up abstractive summarization. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, Brussels, 31 Oct - 4 Nov 2018. ACL, 2018, 4098-4109. DOI: 10.18653/v1/D18-1443
49. Ghadimi A., Beigy H. Hybrid multi-document summarization using pre-trained language models. Expert Systems with Applications, 2022, 192. DOI: 10.1016/j.eswa.2021.116292
50. Ghodratnama S., Zakershahrak M., Sobhanmanesh F. Adaptive summaries: A personalized concept-based summa-rization approach by learning from users’ feedback, 2021. DOI: 10.48550/arXiv.2012.13387
51. Goldstein J., Mittal V., Carbonell J., Kantrowitz M. Multi-document summarization by sentence extraction. Proceedings of the 2000 NAACL-ANLP Workshop on Automatic summarization, Seattle, 30 Apr 2000. Stroudsburg: ACL, 2000, 4: 40-48. DOI: 10.3115/1117575.1117580
52. Guadalupe Ramos J., Navarro-Alatorre I., Flores Becerra G., Flores-Sánchez O. A formal technique for text summarization from web pages by using latent semantic analysis. Research in Computing Science, 2019, 148(3): 11-22. DOI: 10.13053/rcs-148-3-1
53. Gupta S., Gupta S. K. Abstractive summarization: An overview of the state of the art. Expert Systems with Applications, 2019, 121: 49-65. DOI: 10.1016/j.eswa.2018.12.011
54. Gupta H., Kottwani A., Gogia S., Chaudhari Sh. Text analysis and information retrieval of text data. WiSPNET 2016: Proc. Intern. Conf., Chennai, 23-25 Mar 2016. IEEE, 2016, 788-792. DOI: 10.1109/WiSPNET.2016.7566241
55. Gupta H., Patel M. Study of extractive text summarizer using the elmo embedding. I-SMAC 2020: Fourth Intern. Conf., Palladam, 7-9 Oct 2020. IEEE, 2020, 829-834. DOI: 10.1109/I-SMAC49090.2020.9243610
56. Gupta S., Sharaff A., Nagwani N. K. Frequent item-set mining and clustering based ranked biomedical text summarization. The Journal of Supercomputing, 2023, 79: 139-159. DOI: 10.1007/s11227-022-04578-1 EDN: YYFJZO
57. Hovy E., Lin Ch.-Y. Automated Text Summarization and the summarist system. Proceedings of a Workshop held at Baltimore, Baltimore, 13-15 Oct 1998. ACL, 1998, 197-214. DOI: 10.3115/1119089.1119121
58. Huang D., Cui L., Yang S., Bao G., Wang K., Xie J., Zhang Y. What have we achieved on text summarization? Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), online, 16-20 Nov 2020. ACL, 2020, 446-469. DOI: 10.18653/v1/2020.emnlp-main.33
59. Hupkes D., Dankers V., Mul M., Bruni E. Compositionality decomposed: How do neural networks generalise? Journal of Artificial Intelligence Research, 2020, 67: 757-795. DOI: 10.1613/jair.1.11674 EDN: KVSYEX
60. Jalil Z., Nasir J. A., Nasir M. Extractive multi-document summarization: A review of progress in the last decade. IEEE Access, 2021, 9: 130928-130946. DOI: 10.1109/ACCESS.2021.3112496 EDN: NEENVC
61. Jalilifard A., Caridá V. F., Mansano A. F., Cristo R. S., da Fonseca F. P. C. Semantic sensitive TF-IDF to determine word relevance in documents. Advances in Computing and Network Communications, eds. Thampi S. M., Gelenbe E., Atiquzzaman M., Chaudhary V., Li K. C. Singapore: Springer, 2021. DOI: 10.1007/978-981-33-6987-0_27
62. Ježek K., Steinberger J. Automatic summarizing (The state-of-the-art 2007 and new challenges). Znalosti, 2008, 1-12.
63. Khan A., Salim N., Kumar Y. J. A framework for multi-document abstractive summarization based on semantic role labelling. Applied Soft Computing, 2015, 30: 737-747. DOI: 10.1016/j.asoc.2015.01.070
64. Khurana D., Koli A., Khatter K., Singh S. Natural language processing: State of the art, current trends and challenges. Multimedia Tools and Applications, 2023, 82: 3713-3744. DOI: 10.1007/s11042-022-13428-4 EDN: OMUYAR
65. Kutlu M., Ciǧir C., Cicekli I. Generic text summarization for Turkish. The Computer Journal, 2010, 53(8): 1315-1323. DOI: 10.1093/comjnl/bxp124
66. Lamsiyah S., El Mahdaouy A., El Alaoui S. O., Espinasse B. A supervised method for extractive single document summarization based on sentence embeddings and neural networks. AI2SD’2019: Proc. Conf., Marrakech, 8-11 Jul 2019. Cham: Springer, 2020, 1105: 75-88. DOI: 10.1007/978-3-030-36674-2_8
67. Linhares Pontes E., Moreno J. G., Doucet A. Linking named entities across languages using multilingual word embeddings. JCDL’20: Proc. Conf., Wuhan, 1-5 Aug 2020. NY: ACL, 2020, 329-332. DOI: 10.1145/3383583.3398597
68. Lubis A. R., Nasution M. K., Sitompul O. S., Zamzami E. M. The effect of the TF-IDF algorithm in times series in forecasting word on social media. Indonesian Journal of Electrical Engineering and Computer Science, 2021, 22(2): 976-984. DOI: 10.11591/ijeecs.v22.i2.pp976-984 EDN: XVEQNX
69. Maddela M., Alva-Manchego F., Xu W. Controllable text simplification with explicit paraphrasing. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, online, 6-11 Jun 2021. ACL, 2021, 3536-3553. DOI: 10.18653/v1/2021.naacl-main.277
70. Mihalcea R. Graph-based ranking algorithms for sentence extraction, applied to text summarization. Proceedings of the ACL 2004 on Interactive poster and demonstration sessions, Barcelona, 21-26 Jul 2004. Stroudsburg: ACL, 2004. DOI: 10.3115/1219044.1219064
71. Mishra A. R., Naruka M. S., Tiwari S. Extraction techniques and evaluation measures for extractive text summari-sation. In: Sustainable Computing. Transforming Industry 4.0 to Society 5.0, eds. Awasthi S., Sanyal G., Travieso-Gonzalez C. M., Srivastava P. K., Singh D. K., Kant R. Cham: Springer, 2023, 279-290. DOI: 10.1007/978-3-031-13577-4_17
72. Mohammed Badry R., Sharaf Eldin A., Saad Elzanfally D. Text summarization within the latent semantic analysis framework: Comparative study. International Journal of Computer Applications, 2013, 81(11): 40-45. DOI: 10.5120/14060-2366
73. Mohan M. J., Sunitha C., Ganesh A., Jaya A. A study on ontology based abstractive summarization. Procedia Computer Science, 2016, 87: 32-37. DOI: 10.1016/j.procs.2016.05.122
74. Mutlu B., Sezer E. A., Ali Akcayol M. Multi-document extractive text summarization: A comparative assessment on features. Knowledge-Based Systems, 2019, 183. DOI: 10.1016/j.knosys.2019.07.019
75. Orăsan C., Pekar V., Hasler L. a comparison of summarisation methods based on term specificity estimation. Proceedings of the Fourth International Conference on Language Resources and Evaluation (LREC’04). Lisbon: ELRA, 2004, 1037-1040. URL: http://www.lrec-conf.org/proceedings/lrec2004/pdf/362.pdf (3 May 2024).
76. Pramita Widyassari A., Rustad S., Fajar Shidik G., Noersasongko E., Syukur A., Affandy A., Rosal Ignatius Moses Setiadi D. Review of automatic text summarization techniques & methods. Journal of King Saud University - Computer and Information Sciences, 2022, 34(4): 1029-1046. DOI: 10.1016/j.jksuci.2020.05.006 EDN: ALUSWU
77. Puduppully R. S., Jain P., Chen N., Steedman M. Multi-document summarization with centroid-based pretraining. Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), Toronto, 9-14 Jul 2023. ACL, 2023, 128-138. DOI: 10.18653/v1/2023.acl-short.13
78. Saadany H., Orasan C. BLEU, METEOR, BERTScore: Evaluation of metrics performance in assessing critical translation errors in sentiment-oriented text. TRITON 2021: Proc. Conf., online, 5-7 Jul 2021. 2021, 48-56. DOI: 10.26615/978-954-452-071-7_006
79. Saggion H., Lapalme G. Generating indicative-informative summaries with SumUM. Computational Linguistics, 2002, 28(4): 497-526. DOI: 10.1162/089120102762671963
80. Sharma G., Sharma D. Automatic text summarization methods: A comprehensive review. SN Computer Science, 2022, 4(1). DOI: 10.1007/s42979-022-01446-w EDN: IUZIXG
81. Shinde M., Mhatre D., Marwal G. Techniques and research in text summarization - a survey. 2021 ICACITE: Proc. Intern. Conf., Greater Noida, 4-5 Mar 2021. IEEE, 2021, 260-263. DOI: 10.1109/ICACITE51222.2021.9404670
82. Sri S. H. B., Dutta S. R. A survey on automatic text summarization techniques. Journal of Physics: Conference Series, 2021, 2040(1). DOI: 10.1088/1742-6596/2040/1/012044
83. Supriyono, Wibawa A. P., Suyono, Kurniawan F. A survey of text summarization: Techniques, evaluation and challenges. Natural Language Processing Journal, 2024, 7. DOI: 10.1016/j.nlp.2024.100070
84. Thaiprayoon S., Unger H., Kubek M. Graph and centroid-based word clustering. NLPIR’20: Proc. 4 Intern. Conf., Seoul, 18-20 Dec 2020. NY: ACL, 2021, 163-168. DOI: 10.1145/3443279.3443290
85. Uçkan T., Karci A. Extractive multi-document text summarization based on graph independent sets. Egyptian Informatics Journal, 2020, 21(3): 145-157. DOI: 10.1016/j.eij.2019.12.002 EDN: XVSGCU
86. Wilber M., Timkey W., Van Schijndel M. To point or not to point: Understanding how abstractive summarizers paraphrase text. Findings of ACL: ACL-IJCNLP 2021, eds. Zong Ch., Xia F., Li W., Navigli R. Stroudsburg: ACL, 2021, 3362-3376. DOI: 10.18653/v1/2021.findings-acl.298
87. Wolhandler R., Cattan A., Ernst O., Dagan I. How “multi” is multi-document summarization? EMNLP 2022: Proc. Conf., Abu Dhabi, 7-11 Dec 2022. Stroudsburg: ACL, 2022, 5761-5769. DOI: 10.18653/v1/2022.emnlp-main.389
88. Xiao L., Wang L., He H., Jin Y. Copy or rewrite: Hybrid summarization with hierarchical reinforcement learning. AAAI-20: Proc. 34 Conf., New York, 7-12 Feb 2020. Palo Alto: AAAI Press, 2020, 34(5): 9306-9313. DOI: 10.1609/aaai.v34i05.6470 EDN: JKLXEK
89. Yadav D., Desai J., Yadav A. K. Automatic text summarization methods: A comprehensive review, 2022. DOI: 10.48550/arXiv.2204.01849
90. Yadav A. K., Maurya A. K., Ranvijay R. S., Yadav R. Sh. Extractive text summarization using recent approaches: A survey. International Information and Engineering Technology Association, 2021, 26(1): 109-121. DOI: 10.18280/isi.260112 EDN: AFIWEM
91. Yadav A. K., Ranvijay R. S., Yadav R. S., Maurya A. K. Graph-based extractive text summarization based on single document. Multimedia Tools and Applications, 2024, 83(7): 18987-19013. DOI: 10.1007/s11042-023-16199-8 EDN: UETXVD
92. Zhou H., Ren W., Liu G., Su B., Lu W. Entity-aware abstractive multi-document summarization. Findings of ACL: ACL-IJCNLP 2021, eds. Zong Ch., Xia F., Li W., Navigli R. Stroudsburg: ACL, 2021, 351-362. DOI: 10.18653/v1/2021.findings-acl.30
Выпуск
Другие статьи выпуска
Эмотиконы являются ярким примером развития графической эмотиологии в виртуальном пространстве. Цель - исследовать проблему развития графической эмотиологии на примере использования эмотикона в виртуальной коммуникации. Актуальность подхода обусловлена междисциплинарным характером, что позволяет объединить лингвистику с точными и естественными науками, в том числе с вопросами развития эмоционального искусственного интеллекта. Многообразие форм эмотиконов требует их упорядочивания (классификации), что будет способствовать упрощению их восприятия и толкования, что, в свою очередь, подкрепляет актуальность нашего исследования. Приоритет коммуникационного взаимодействия в виртуальном пространстве актуализирует поиск средств передачи психоэмоциональных переживаний, в частности с помощью пиктографики эмоций, для более точного понимания эмотивного содержания в сообщении за счет использования ассоциативных связей между изображением конкретного психоэмоционального состояния и его восприятием носителем конкретной лингвокультуры. Несмотря на универсальный характер базовых эмоций и унификацию интерпретации эмотиконов носителями разных лингвокультур, обнаруживается ошибочность в декодировании из-за разницы восприятия экспрессии эмоции в том или ином эмотиконе в разных этноязыковых сообществах, что может служить маркером в определении коммуникантов на оси свой - чужой. Эмотиконы являются наглядным примером развития семантики графической эмотиологии. Интерпретация эмотиконов представляет собой интересную задачу в аспекте формализации графической эмотиологии как понимания детализации эмотивных состояний в виртуальной коммуникации с использованием новых способов передачи переживания эмоции. Результаты исследования показали, что эмотиконы представляют собой четко выверенный репертуар эмотивных состояний, апелляция к которым возможна в виртуальной коммуникации. В связи с этим авторы предлагают новое научное направление - графическую эмотиологию как разновидность лингвосемиотики. Метафоричность эмотикона как кодируемой эмоции с дополнительными оценочными оттенками раскрывается за счет принятых эмотивных норм речевого поведения в обществе в виде некоего унифицируемого изображения или комплекса знаков. Проведенные эксперименты показывают актуальность использования эмотиконов в условиях компрессии виртуальной коммуникации. Виртуальное общение между представителями разных этнолингвокультур способствует обогащению эмотиконов в лингвострановедческом аспекте, что развивает графическую эмотиологию в международном плане.
В работе нарратив рассматривается как средство самоидентификации; самопознания; возможность конструировать Я-концепцию, временную перспективу образа Я; отражение самовосприятия, самообъяснения и презентации личности в социальной сети ВКонтакте. Нарратив как интерпретационный процесс, разворачивающийся в истории нарратора, анализируется как способ наделения событий, эмоций, переживаний субъекта личностным смыслом. Цель - выявить специфику нарратива в виртуальной коммуникации в ходе изучения идентификационных процессов в социальных сетях на открытых личных страницах ВКонтакте. В личных историях, расположенных на страницах в социальных сетях, субъекты повествования демонстрируют ценности, убеждения, порой не до конца осознаваемые, проявляющиеся в элементах излагаемого текста и его модальности, позволяющие создать психологический портрет личности, определить триггеры, наличие напряженности, выявить механизмы идентификации творимых повествований, психологическую доминанту. Основой исследования является подход нарративной психологии, подчеркивающей конструктивную роль языка в формировании и структурировании самости. Человек понимает себя, мир и происходящие в нем события с помощью языка, устной, письменной речи. Анализируя систему значений и структурные элементы историй в социальной сети ВКонтакте, можно выявить матрицу идентификационных предпочтений субъекта рассказывания, которые позволяют создать базовую модель личностного конструкта. Наблюдение за тем, как человек интерпретирует свой опыт, позволяет раскрыть то, как работает его субъективность. Анализ нарратива помогает определить механизмы конструирования мира и то, как нарратор осмысляет его в категориях прошлого, настоящего, будущего времен. Изучение смыслообразования в нарративной психологии приближает к личности человека, временному аспекту человеческого опыта. Личностный опыт, облеченный в историю, раскрывает человека, оцельняет его жизнь, помогает работать со смыслом, осуществлять в слове жизненный проект, который, будучи оформленный в повествовательном конструкте, дает человеку возможность обнаруживать стратегии самоосуществления, адекватные настоящему психологическому ресурсному состоянию. В данном смысле не человек творит историю, а история формирует человека. В итоге, выявив средства создания субъективной языковой картины мира в историях на открытых личных страницах в социальной сети ВКонтакте, можно с высокой степенью вероятности с разными целями определить идентификационные основы нарраций авторов, психологические константы и доминанту личности.
В современных учебных изданиях и научно-исследовательских работах достаточно распространенным объектом изучения является девиантное поведение. В статье рассматриваются междисциплинарные подходы к обоснованию его причин, видов, последствий среди разных возрастных групп, но особое внимание уделяется молодежи. В настоящее время актуализируется новое направление исследования проблемы девиантного поведения - конструктивная девиация, появление которой безусловно является теоретически и практически обоснованным: происходит постепенное фрагментарное рассмотрение отдельных аспектов конструктивной девиации молодежи, что требует систематизации и оформления концептуальных подходов в изучении данного явления. Также в связи с общественно-политическими изменениями, актуализацией определенных социально значимых ценностей, распространением практик помогающего поведения накапливаются социальные ресурсы, развивается социальный, интеллектуальный, гражданский потенциал молодых людей. Рассмотрены социальные и политические основания конструктивной девиации среди молодежи посредством изучения пользовательского массива студентов-первокурсников, обучающихся на базе высшего образования. К указанным основаниям относятся институциональные условия реализации государственной молодежной политики, молодежные инициативы, развитие у студентов практик помогающего поведения, формирование условий гипернормальности, демонстрация значимых ценностей (патриотизм, альтруизм) и пр. Анализ и социологическое понимание причин конструктивной девиации молодежи позволяют обосновать актуальные для молодых людей мобилизационные вызовы и направления их социальной консолидации. Особое внимание уделяется проявлениям конструктивной девиации студенческой молодежи в цифровом пространстве.
В статье представлены результаты исследования влияния цифровизации и автоматизации медиа на формирование потребительского поведения студенческой молодежи и молодых специалистов в журналистской и блогерской деятельности. Определены соответствующие стратегические векторы целенаправленности социальной конструкции потребительского поведения молодых людей. Теоретическая база исследования - работы по социальной конструкции реальности (П. Бергера и Т. Лукмана) и по реальности массмедиа (Н. Лумана). Основные методы эмпирических исследований: 1) обзор литературы и вторичный анализ исследований по данной теме, в том числе исследований цифрового маркетинга и его влияния на поведение потребителей; 2) наблюдение за поведением студенческой молодежи и молодых специалистов в онлайн-среде и его анализ. Выявлены специфические особенности потребительского поведения современной молодежи: социальная мобильность; жизненные перемены, инновационность, эксперимент; быстрая внушаемость и доверчивость. В результате исследования установлено, что молодежь активно использует современные медиа, ее привлекает развлекательный контент (видео, музыка, подкасты, игры и др.) и обучающие платформы. Рассмотрен и типологизирован базовый инструментарий работы создателей контента в условиях автоматизации медиа: работа с фотодокументами (обработка фото, создание коллажей, фоторепортажи, фотогалереи, слайд-шоу, аудио-слайд-шоу, панорамные фотографии, интерактивные 3D-панорамы и др.); работа с графикой (карикатуры, комиксы, демотиваторы и интернет-мемы, облака тегов, интерактивная графика, инфографика, элементы картографии; тайм-линии (таймлайны) и др.); работа с аудио (подкасты, аудиоверсии текста, аудиоиллюстрации и др); работа с видео (видеоиллюстрация, видеосюжет, видеоистории, видеотрансляция, интерактивное видео и др.); мультимедийная публикация (интервью, репортаж, очерк, новостное сообщение и др.). Выявлено возрастание существенных угроз и рисков, связанных с принципиальным отсутствием общественного контроля в цифровом поле, так как итоговый контент формируется автоматизированными процессами с применением искусственного интеллекта.
В статье рассматривается понятие цифровой репутации применительно к органу исполнительной власти и выявляются технологические и коммуникативные приемы формирования позитивной репутации и управления ей. Цифровая репутация органа государственного управления - поликритериальная оценка его деятельности, формирующаяся в медиапространстве и отражающая мнение социально активной части населения. На основе анализа современной научной литературы проводится сравнение цифровой репутации с цифровым имиджем и подчеркивается нетождественность этих понятий. Определены дискурсивные факторы, которые формируют стереотипные представления о государственном управлении: неопределенно широкий круг адресатов, не являющихся специалистами в вопросах административной деятельности; непредсказуемость и динамичность оценок; провокативное речевое поведение части интернет-пользователей и др. Материал исследования - посты Министерства науки и высшего образования Российской Федерации, размещенные в социальной сети ВКонтакте. Составлен рейтинг постов по коэффициенту вовлеченности пользователей (с помощью сервиса Popsters. ru). В результате дискурсивно-стилистического анализа постов с высоким коэффициентом вовлеченности выявлены эффективные инструменты управления цифровой репутацией органов власти: дистрибуция контента и его систематизация с помощью хэштегов; диалогическая и персонализированная подача информации; привлечение интерактивных форм коммуникации (голосование, опросы и проч.); своевременное реагирование на комментарии пользователей и др.
Сегодня создание учебных корпусов представляет большой интерес для многих лингвистов. В статье рассматривается значимость учебных корпусов в современной лингвистике и педагогике, их важность как инструмента для выявления типичных ошибок в речи на неродном языке, анализа проблем в освоении языка и создания эффективных методик обучения второму языку. В работе приводятся существующие обзоры на учебные корпусы, а также краткий обзор работ, посвященных классификации ошибок. Наше исследование посвящено созданию устного корпуса ошибок русскоязычных студентов, изучающих специализированный английский язык в сфере информационных технологий. Исследование проводится на материале 50 видеозаписей занятий, на которых студенты общаются с англоговорящими IT-специалистами и выполняют задания на английском языке в формате диалога. Цель создания корпуса - выявить основные трудности в использовании английского языка взрослыми, работающими в IT-сфере. В результате для разметки корпуса была разработана классификация самых частотных ошибок носителей русского языка в речи на английском языке и система тегов для них. Все ошибки делятся по уровню языка на морфологические, синтаксические, лексические и фонетические. Сделан вывод, что созданная в рамках работы классификация ошибок может быть использована для аннотации будущих учебных корпусов речи носителей русского языка на английском языке, а также для автоматизации тегирования ошибок.
Формирование коммуникативной компетентности на иностранных языках в современном электронно-цифровом обществе напрямую обусловлено достижениями компьютерной психолингвистики и нейролингводидактики, начиная от цифровой нейропедагогики, использующей естественный ландшафт для конструирования виртуальной окружающей среды с изменением речеповеденческого стандарта в условиях урбанистики и приоритета цифровой реальности. Цель - определить и обосновать методики использования цифровых образовательных ресурсов, поступательно формирующих коммуникативные компетенции путем погружения в виртуальную среду урбанистического общества. Гипотеза основана на понимании учащимися процесса обучения иностранным языкам с акцентуацией на специфике нейрокогнитивных связей при формировании коммуникативных компетенций с помощью компьютерно-опосредованных цифровых технологий дидактического характера на электронных образовательных ресурсах разного типа в ситуации сопоставления реального и виртуального урбанистического пространства. Материалом исследования стали разнообразные обучающие коммуникативные ситуации виртуальной урбанистики. Сам процесс обучения иностранному языку является объектом настоящего исследования: от аналоговых ситуаций реальной среды города до симуляционного моделирования виртуального урбанистического пространства. В работе уточнены понятия коммуникативная компетенция, виртуальная урбанистика, цифровые технологии с указанием параметров основных классификаций.
Настоящее исследование посвящено разработке авторского метода матрица когнитивных фильтров, который используется для моделирования процесса инферирования смысла лингвокреатем в мультимодальном онлайн-дискурсе. Цель - разработать концепции взаимодействия когнитивных механизмов, принимающих участие в порождении смыслов мультимодальных лингвокреатем при взаимовлиянии составляющих их разнокодовых элементов, а также выявить степень влияния компонентов различных модальностей и основных когнитивных механизмов на успешность процесса декодирования подобных феноменов в процессе виртуальной коммуникации в современном англоязычном цифровом интернет-дискурсе. Выявлены ключевые когнитивные механизмы порождения смысла креативных мультимодальных элементов: «баннерная слепота», оценочная категоризация и концептуализация, (де)компрессия информации и профилирование, концептуальная метафора, концептуальная метафтонимия и концептуальная интеграция. Мономодальные вербальные и мультимодальные лингвокреатемы (более 18000 единиц), составившие материал исследования, отбирались методом сплошной выборки из англоязычных интернет-ресурсов, визуальных и вербальных корпусов. Теоретический анализ показал, что этот метод может быть использован для моделирования общей когнитивной резонансности лингвокреатемы. Он позволяет получать данные о вероятностном прогнозировании уровня возможного когнитивного резонанса и диссонанса (положительного либо отрицательного) во время коммуникативного акта. Полученные во время проведения практического лингвокогнитивного эксперимента среди англоязычных респондентов эмпирические данные подтвердили теоретические результаты исследования. В лингвокогнитивном эксперименте приняли участие 335 англоговорящих респондентов из 11 стран. Респондентам были предложены несколько креативных мультимодальных элементов для поэтапного анализа процесса инферирования их общих смыслов при помощи матрицы когнитивных фильтров. Результаты показали, что метод матрицы когнитивных фильтров обладает высокой эффективностью для констатирования факта возникновения у адресата когнитивного резонанса или ментального напряжения (положительного либо отрицательного когнитивного диссонанса). Также метод может использоваться для получения дополнительных данных о реакциях адресата на лингвокреативные дискурсивные элементы.
Проанализировано, как дизайн-мышление и обучение, основанное на компьютерных технологиях, могут помочь междисциплинарным командам, работающим над творческими проектами в учреждениях высшего образования. Предложено интегрировать дизайн-мышление и технологии, основанные на искусственном интеллекте, в образовательную методологию для улучшения коммуникации, вовлеченности, персонализированного обучения и интерактивности студентов. Результаты исследования решают одну из задач учебных заведений высшего образования, заключающуюся в понимании учащимися процесса обучения и развитии у них творческих способностей, критического мышления, навыков решения проблем. Образовательный проект разработан в сотрудничестве с кафедрой промышленного дизайна и учебным центром Сиань Цзяотун-Ливерпульского университета. Методология включает: обзор литературы по дизайн-мышлению, опросники по сбору данных от студентов школы дизайна в Сиань Цзяотун-Ливерпульском университете и эксперименты с помощниками по искусственному интеллекту. Интеграция динамических инструментов, таких как Articulate Rise 360 и искусственного интеллекта, позволила визуализировать концепции и сформировать интерактивный контент для студентов. Представлены два прототипа образовательного проекта, которые привносят новую модель мышления в методологию дизайн-мышления и внедряют экспериментальные интерактивные технологические функции. Этот подход позволяет преподавателям создать среду, способствующую развитию навыков учащихся, необходимых в XXI в.
Издательство
- Издательство
- КемГУ
- Регион
- Россия, Кемерово
- Почтовый адрес
- 650000, Кемерово, Красная, 6,
- Юр. адрес
- 650000, Кемерово, Красная, 6,
- ФИО
- Просеков Александр Юрьевич (РЕКТОР)
- E-mail адрес
- rector@kemsu.ru
- Контактный телефон
- +7 (384) 2581226