Metodo ispirato agli stormi migliora i riassunti dell'AI ^{CEFR B2}

Ricercatori della New York University, guidati da Anasse Bari con il coautore Binxu Huang, hanno sviluppato un quadro algoritmico descritto su Frontiers in Artificial Intelligence. L'approccio funge da fase di pre-elaborazione per i modelli linguistici di grandi dimensioni (LLM) e mira a ridurre le "allucinazioni" fornendo input più concisi, diversificati e rappresentativi prima della generazione del riassunto.

Il processo ha due fasi. Nella prima le frasi vengono pulite e si preservano nomi, verbi, aggettivi e i termini composti. Ogni frase è quindi convertita in un vettore numerico che fonde caratteristiche lessicali, semantiche e tematiche. Sul vettore vengono calcolati punteggi per la centralità a livello di documento, l'importanza nella specifica sezione e l'allineamento con l'abstract; il metodo attribuisce inoltre un incremento numerico a sezioni chiave come Introduction, Results e Conclusion.

Nella seconda fase il quadro applica i principi degli stormi — coesione, allineamento e separazione — così frasi con significati simili si radunano in gruppi. All'interno di ogni gruppo emergono leader e follower; da ogni stormo si selezionano solo le frasi con il punteggio più alto. Questa scelta riduce la ridondanza ma preserva la copertura di contesto, metodi, risultati e conclusioni. Le frasi selezionate vengono riordinate e passate a un LLM che sintetizza un riassunto fluido e ancorato al materiale sorgente.

I test su oltre 9,000 documenti hanno mostrato che la combinazione del quadro ispirato agli stormi con gli LLM produce riassunti con maggiore accuratezza fattuale rispetto agli LLM usati da soli. Bari precisa che il sistema è pensato come fase di pre-elaborazione e non come concorrente degli LLM, e gli autori osservano che il metodo può ridurre il rischio di allucinazioni ma non lo elimina.