摘要

通俗化摘要（Lay summarization）至关重要但极具挑战性，其目的在于将复杂的科学信息简化为非专业人士易于理解的形式，帮助公众及时了解最新的科学进展。在2024年ACL会议举办的“生物医学研究论文通俗化摘要共享任务”（Shared Task: Lay Summarization of Biomedical Research Articles @ BioNLP Workshop，Goldsack et al., 2024）中，我们对大语言模型（Large Language Models, LLMs）在生物医学文献抽象摘要生成任务中的表现进行了全面评估。评估基于主办方提供的eLife和PLOS数据集，采用涵盖相关性、可读性和事实准确性三个维度的十项指标进行量化分析。为此，我们提出了一种两阶段的生物医学文献通俗化摘要生成框架。第一阶段，基于给定数据集对BART和PEGASUS两类大语言模型进行微调，生成初步摘要。第二阶段，将第一阶段生成的多个摘要进行融合，并输入至BioBART模型中，随后在相同数据集上对BioBART进行进一步微调。实验结果表明，结合通用领域与领域特定的大语言模型，能够显著提升通俗化摘要的质量与整体性能。