Summarization Algorithms for Extracting Assertions from Texts

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00372836" target="_blank" >RIV/68407700:21230/23:00372836 - isvavai.cz</a>

Result on the web

<a href="https://fsv.cuni.cz/en/news/central-european-digital-media-observatory-cedmo-will-be-located-faculty-social-sciences" target="_blank" >https://fsv.cuni.cz/en/news/central-european-digital-media-observatory-cedmo-will-be-located-faculty-social-sciences</a>

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Algoritmy sumarizačních modelů pro extrakci tvrzení z textů

Original language description

Funkční vzorek je soubor software algoritmů, které umožňují: Mediálním domům a žurnalistům pořizovat automatizované shrnutí textů, výběr podstatných informací, a tedy lepší orientaci ve vstupech s možností dodávat jako službu čtenářům. Pracovníkům v oblasti ověřování zpráv pak sumarizace umožní efektivnější výběr zpráv, které jsou vhodné pro následné ověřování. Pracovník nemusí pročítat veškerý text, dostane shrnutí, na základě kterého se rozhoduje o výběru zprávy pro ověřování. Zároveň umožní automaticky dohledat již existující zprávy, které vstupní tvrzení potvrzují nebo vyvrací. Což znovu zjednoduší práci novinářů a profesionálů v oblasti ověřování zpráv. Pokud bude nástroje používat běžný občan, může postupovat stejným způsobem, může si z velkých vstupních textů pořídit shrnutí, které mu umožní lepší orientaci v podstatě vstupního textu. Vstupním textem nemusí být nutně pouze zpravodajský článek, ale také smlouva, či jiný text, který člověk v každodenní praxi zpracovává.

Czech name

Algoritmy sumarizačních modelů pro extrakci tvrzení z textů

Czech description

Funkční vzorek je soubor software algoritmů, které umožňují: Mediálním domům a žurnalistům pořizovat automatizované shrnutí textů, výběr podstatných informací, a tedy lepší orientaci ve vstupech s možností dodávat jako službu čtenářům. Pracovníkům v oblasti ověřování zpráv pak sumarizace umožní efektivnější výběr zpráv, které jsou vhodné pro následné ověřování. Pracovník nemusí pročítat veškerý text, dostane shrnutí, na základě kterého se rozhoduje o výběru zprávy pro ověřování. Zároveň umožní automaticky dohledat již existující zprávy, které vstupní tvrzení potvrzují nebo vyvrací. Což znovu zjednoduší práci novinářů a profesionálů v oblasti ověřování zpráv. Pokud bude nástroje používat běžný občan, může postupovat stejným způsobem, může si z velkých vstupních textů pořídit shrnutí, které mu umožní lepší orientaci v podstatě vstupního textu. Vstupním textem nemusí být nutně pouze zpravodajský článek, ale také smlouva, či jiný text, který člověk v každodenní praxi zpracovává.

Type

G_funk - Functional sample

CEP classification

—

OECD FORD branch

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Project

—

Continuities

V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Publication year

2023

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Internal product ID

Z220312000000-Sumarizace_M3.4

Numerical identification

Z220312000000-Sumarizace_M3.4

Technical parameters

Pro řešení této úlohy je veřejně k dispozici řada předtrénovaných modelů; z nich jsme pro vícejazyčné úlohy vybrali mBART a mT5 a pro anglické experimenty DistilBart, BART, PEGASUS a T5. Tyto modely byly dále laděny na rozsáhlých datových sadách: - FEVER (založeno na 50 tisících nejnavštěvovanějších článků Wikipedie), v adaptaci pro extrakci tvrzení FEVERSum, - XSum a XL-Sum vytvořené z veřejně dostupného archivu zpráv BBC, s každou zprávou shrnutou do jediné věcné věty profesionálním novinářem v jazycích zemí, kde BBC publikuje, - českou sadu SumeCzech – více než milion zpravodajských článků shrnutých do krátkého textového abstraktu a jednořádkového titulku, obojí psané česky mluvícím novinářem, - podobný soubor zpravodajských dat SME-Sum – 100 tisíc článků na sme.sk ve slovenštině, - vlastní dataset CTKFacts, který byl shromážděn na ČVUT v rámci dřívějšího projektu, a soubor nových anotací, které jsme provedli s českými studenty žurnalistiky s využitím podobného, upraveného rozhraní, nyní obsahuje celkem 4095 kontrolně hodnotných tvrzení extrahovaných anotátory přímo z článků ČTK. Pro interakci bylo vytvořeno webové uživatelské rozhraní “claim extractor”.

Economical parameters

Licenci je možno udělit jako bezúplatnou pro nekomerční účely. V případě udělení licence pro komerční využití, byl stanoven odhad ceny poskytnuté licence jako licence časově omezená, a to za poplatek 3 000,- Kč na měsíc, nebo 20 000,- Kč za rok. Vlastník ČVUT 80%, UK FSV 20%.

Application category by cost

—

Owner IČO

68407700

Owner name

České vysoké učení technické v Praze

Owner country

CZ - CZECH REPUBLIC

Usage type

V - Výsledek je využíván vlastníkem

Licence fee requirement

Z - Poskytovatel licence na výsledek nepožaduje v některých případech licenční poplatek

Web page

https://fsv.cuni.cz/en/news/central-european-digital-media-observatory-cedmo-will-be-located-faculty-social-sciences