Peneliti Pakai Pola Kelompok Burung untuk Kurangi Halusinasi AI ^{CEFR B1}

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.