Sumarização de Texto Explicável
A Sumarização de Texto Explicável aprimora modelos de sumarização automática — extrativos ou abstrativos — com métodos de explicação post-hoc ou embutidos que revelam quais sentenças-fonte, tokens ou padrões de atenção impulsionaram cada sentença de saída. O objetivo é auditar a fidelidade, detectar alucinações e construir confiança nas saídas do modelo em contextos de alto risco, como revisão de documentos médicos ou legais.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/pt/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.
- Classificação Explicável Baseada em BERTAprendizado profundo↔ compare
- Reconhecimento de Entidades Nomeadas ExplicávelAprendizado profundo↔ compare
- Transformer ExplicávelAprendizado profundo↔ compare
- Sumarização de Texto AjustadaAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
- Transfer Learning com Sumarização de TextoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →