自動要約・自動教材化百科

総合・百科・序論 — 自動要約・自動教材化百科 概要

総合・百科・序論分野の自動要約・自動教材化百科領域の概要と入門ガイド

抽出型自動要約

Luhnが1958年に提案した語頻度方式から、原文中の重要文を選び出す要約技術をたどる

生成型自動要約

Googleが2017年に発表したTransformerから、原文を言い換えて短い説明を生成する仕組みを学ぶ

見出し自動生成

Rushらが2015年に示したニューラル見出し生成で、記事本文から要点を表す標題を作成する

複数文書要約

DUCが2001年に開始した評価課題から、複数報道に共通する事実と相違点を一文書へ統合する

長文書の階層要約

GoogleのPEGASUSが2020年に示した事前学習で、長い報告書を章別と全体の二段階で縮約する

科学論文の自動要約

Allen InstituteのSciTLDRが2020年に整備したデータで、論文の目的と成果を一文へ圧縮する

法令文の平易化

米国政府が2010年に制定したPlain Writing Actを基準に、難解な法令説明を市民向けへ直す

ニュース要約

Yahoo!ニュースが2013年に導入した要点表示を例に、出来事の主体、時点、結果を短く提示する

会議内容の自動要約

Microsoft Teamsが2023年に導入したIntelligent Recapで、議論から決定事項と担当者を抽出する

対話履歴の要約

OpenAIが2022年に公開したChatGPT型対話を例に、長い応答履歴を文脈保持用の短文へ変換する

難易度別教材生成

Common European FrameworkのA1からC2を基準に、同じ百科項目を学習段階別に書き換える

学習目標の自動設計

Bloomが1956年に示した教育目標分類から、百科項目に対応する到達目標と課題を生成する

確認問題の自動生成

Duolingoが2012年から蓄積した練習形式を例に、説明文から選択式や穴埋め問題を作成する

誤答選択肢の生成

SATの選択問題を事例に、正解と意味的に近いが条件を外す選択肢を自動的に組み立てる

用語集の自動作成

Oxford Learner's Dictionariesの語義記述を参考に、教材中の専門語へ短い定義と用例を付す

前提知識の推定

Khan Academyが採用する知識マップを例に、百科項目の理解に必要な概念を逆向きに抽出する

概念地図の自動生成

Novakが1972年に考案した概念地図へ、説明文から概念と関係語を抽出して配置する

年表教材の生成

フランス革命の1789年から1799年を例に、百科記述から年月日と事件の因果順序を取り出す

人物相関図の生成

源氏物語の光源氏を中心例として、本文中の親族、婚姻、対立関係を図式教材へ変換する

自動フラッシュカード

Ankiが2006年に採用した間隔反復へ、百科項目から生成した質問と回答の組を組み込む

要約の事実整合性

Googleが2020年に提案したFACTCCを用い、生成要約が原文にない人物や数値を加えていないか測る

要約品質の自動評価

Linが2004年に提案したROUGEで、生成要約と模範要約の語句や系列の重なりを計測する

意味類似度による評価

Googleが2020年に発表したBLEURTで、表現が異なる要約同士の意味的な近さを判定する

引用付き要約

Perplexity AIが2022年に採用した出典表示を例に、要約文ごとに根拠ページを対応付ける

画像説明の教材化

MicrosoftのSeeing AIが2017年に実用化した画像説明から、図版を音声教材へ変換する

講義動画の章立て

YouTubeが2020年に導入した自動チャプターを例に、講義音声の話題転換点へ見出しを付ける

多言語教材への変換

DeepLが2017年に公開したニューラル翻訳を用い、要約教材を複数言語へ展開する手順を考える

個別最適化教材

Carnegie LearningのMATHiaを例に、学習履歴から説明量と問題難度を個人別に調整する

著作権と自動教材

米国の2023年Andy Warhol判決を手掛かりに、要約教材の変形性と原著作物利用を検討する

教師による検証工程

UNESCOが2023年に公表した生成AI教育指針から、自動教材を教師が点検する項目を整理する