Machine learningDeep learning / NLP / CV

Resumen de Texto Explicable

El resumen de texto explicable aumenta los modelos de resumen automático —extractivos o abstractivos— con métodos de explicación post-hoc o integrados que revelan qué oraciones, tokens o patrones de atención de la fuente impulsaron cada oración de salida. El objetivo es auditar la fidelidad, detectar alucinaciones y generar confianza en las salidas del modelo en entornos de alto riesgo, como la revisión de documentos médicos o legales.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). A diagnostic study of explainability techniques for text classification. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3256–3274. Association for Computational Linguistics. link
  2. Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906–1919. link

Cómo citar esta página

ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/es/deep-learning/explainable-text-summarization

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citado por

ScholarGateExplainable Text Summarization (Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization)). Recuperado el 2026-06-15 de https://scholargate.app/es/deep-learning/explainable-text-summarization · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026