Tim dari New York University, dipimpin oleh Anasse Bari dengan rekan penulis Binxu Huang, mengembangkan kerangka algoritmik sebagai langkah pra-proses untuk model bahasa besar (LLM). Tujuannya memberi LLM masukan yang lebih ringkas, beragam, dan representatif sebelum menghasilkan ringkasan akhir.
Metode ini memandang setiap kalimat sebagai "burung virtual." Kalimat dibersihkan dengan mempertahankan kata benda, kata kerja, dan kata sifat, lalu diubah menjadi vektor numerik yang menggabungkan fitur leksikal, semantik, dan topikal. Kalimat diberi skor untuk sentralitas, pentingnya pada bagian, dan keselarasan dengan abstrak. Bagian penting seperti pendahuluan, hasil, dan kesimpulan mendapat dorongan khusus.
Setelah itu diterapkan pengelompokan berdasarkan kohesi, keselarasan, dan pemisahan. Dari setiap klaster dipilih kalimat dengan skor tertinggi sehingga redundansi berkurang namun cakupan materi tetap terjaga. Pengujian pada lebih dari 9,000 dokumen menunjukkan ringkasan lebih akurat bila kerangka ini digabungkan dengan LLM. Bari menegaskan kerangka ini dimaksudkan sebagai pra-proses, bukan pesaing LLM, dan penulis mencatat metode ini mengurangi risiko halusinasi tetapi tidak menghilangkannya.
Kata-kata sulit
- kerangka — struktur atau rancangan kerja untuk suatu metodekerangka algoritmik
- pra-proses — langkah awal sebelum proses utama dijalankan
- vektor — representasi angka dari informasi teksvektor numerik
- sentralitas — ukur seberapa penting suatu kalimat
- keselarasan — kecocokan antara kalimat dengan abstrak
- pengelompokan — pengaturan item ke dalam kelompok berdasarkan kesamaan
- redundansi — pengulangan informasi yang tidak perlu
- halusinasi — informasi palsu yang dibuat model
Tips: arahkan kursor, fokus, atau ketuk kata yang disorot di dalam teks untuk melihat definisi singkat sambil membaca atau mendengarkan.
Pertanyaan diskusi
- Apakah menurut Anda pra-proses seperti ini penting saat membuat ringkasan? Jelaskan pendapat singkat Anda.
- Bagian mana (pendahuluan, hasil, kesimpulan) yang menurut Anda paling penting untuk dimasukkan ke ringkasan, dan mengapa?
- Apa masalah yang mungkin muncul jika redundansi dikurangi terlalu banyak dalam sebuah ringkasan?
Artikel terkait
Studi: Ketakutan dan Kecemasan Umum pada Anjing Peliharaan
Analisis data yang dikumpulkan oleh pemilik melalui Dog Aging Project menunjukkan banyak anjing peliharaan mengalami tanda-tanda ketakutan atau kecemasan dalam situasi sehari-hari. Studi menyoroti perbedaan antara reaksi singkat dan ketakutan kronis serta dampaknya pada kesehatan.
Pengurangan Polusi di Asia Timur Mempercepat Pemanasan Global
Studi baru menghubungkan berkurangnya polusi aerosol di Asia Timur, terutama China, dengan percepatan pemanasan permukaan global sejak sekitar 2010. Penelitian dan laporan cuaca menunjukkan dampak regional dan kebutuhan dana untuk adaptasi.
Kecerdasan Buatan dan Ketimpangan Bahasa Online
Sebuah kajian menemukan banyak model bahasa besar berkinerja lebih baik dalam bahasa Inggris. Akibatnya, penutur bahasa lain sering mendapat keluaran yang kurang akurat atau tidak sesuai. Para ahli mendorong kerja sama dengan komunitas lokal dan validasi data multibahasa.
AI dan Respons Masyarakat Sipil
Seri Spotlight Global Voices (April 2026) dan studi oleh IRIS menunjukkan bagaimana kelompok masyarakat sipil di berbagai wilayah merespon AI melalui adopsi, perlawanan, dan inovasi. Studi menyorot pergeseran ke lokal, jaringan lintas batas, dan pentingnya fleksibilitas serta pendanaan.
