Automatisk tekstevaluering — BLEU, ROUGE, BERTScore

Automatisk tekstevaluering er en familie af referencebaserede metrikker, der bruges til at måle kvaliteten af maskingenereret tekst — såsom oversættelser, resuméer eller output fra naturlig sproggenerering (NLG) — ved at sammenligne dem med en eller flere menneskeskrevne referencetekster. Feltet, der blev pioneret af Papineni et al. med BLEU i 2002, er vokset til at omfatte n-gram overlap-metrikker (BLEU, ROUGE) og semantisk bevidste metrikker (BERTScore, MoverScore), der fanger mening ud over overfladiske ordmatches.