Example-Guided Prompting for Document-Level Text Simplification
Cet article démontre que l'augmentation des prompts par des exemples de simplification de documents récupérés améliore considérablement la qualité de la simplification de textes au niveau du document dans les grands modèles de langage, atteignant des performances comparables ou supérieures à celles des systèmes supervisés spécialisés sans nécessiter de réglage fin spécifique à la tâche.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez d'apprendre à un robot comment réécrire une histoire compliquée pour qu'un jeune enfant puisse la comprendre. C'est le monde de la simplification de texte, un domaine où les informaticiens apprennent aux machines à prendre des écrits denses, de niveau adulte, et à les transformer en quelque chose de clair et de facile à lire, sans perdre le sens original. Pendant longtemps, la meilleure façon de faire cela consistait à entraîner le robot sur des milliers d'exemples spécifiques jusqu'à ce qu'il mémorise les règles. Mais récemment, un nouveau genre de robot super intelligent appelé Grand Modèle de Langage (LLM) est arrivé. Ces modèles sont comme des étudiants brillants capables de suivre des instructions et d'apprendre de nouveaux tours simplement en lisant une consigne, sans avoir besoin d'être réentraînés de zéro. Cependant, même ces robots intelligents se perdent parfois lorsqu'on leur demande de réécrire un livre ou un article entier d'un seul coup. Ils peuvent changer le sens, perdre le fil de l'histoire, ou rendre le texte trop simple par endroits et trop difficile par d'autres. La grande question que se posent les chercheurs est la suivante : comment donner à ces robots les meilleures directives possibles pour qu'ils fassent un travail parfait ?
Ce document présente une solution ingénieuse appelée Prompting Guidé par l'Exemple (EGP). Voyez cela ainsi : si vous demandiez à un étudiant de rédiger le résumé d'un article scientifique complexe, vous pourriez simplement lui donner un ensemble de règles écrites (un « prompt »). Mais et si, au lieu de cela, vous lui donniez aussi quelques exemples de la manière dont d'autres étudiants ont simplifié avec succès des articles similaires ? Les chercheurs ont découvert que donner au robot ces « fiches de référence » d'exemples du monde réel fait des merveilles. Ils ont testé cette idée en utilisant une collection d'articles d'actualité éducatifs appelée le corpus OneStopEnglish. Ils ont pris des documents complexes et ont demandé à cinq robots différents, de pointe, de les simplifier. Dans un groupe, les robots n'ont reçu que les instructions écrites. Dans l'autre groupe, les robots ont reçu les instructions plus trois exemples similaires de documents qui avaient déjà été correctement simplifiés.
Les résultats ont été très révélateurs. Lorsque les robots étaient confrontés à ces exemples, ils faisaient généralement un bien meilleur travail. Plus précisément, le robot nommé Claude Haiku 4.5 a vu son score de performance bondir de 40,78 à 44,84, et il a également mieux préservé le sens original du texte qu'auparavant. D'autres robots comme Gemini 2.0 Flash et Sonar se sont également nettement améliorés. En fait, cette astuce simple consistant à montrer des exemples a permis à ces robots de battre ou d'égaler la performance d'anciens systèmes spécialisés qui avaient été entraînés spécifiquement pour cette tâche pendant des années. Cependant, l'article a également découvert que cette astuce ne fonctionne pas pour tous les robots. Un modèle, Llama 3.2, a en fait régressé lorsqu'on lui a montré les exemples, suggérant que tous les robots ne savent pas utiliser efficacement une « fiche de référence ». L'étude suggère que, si le fait de montrer des exemples aide les robots à rester fidèles au sens original, cela rend parfois le texte légèrement moins « facile à lire » que s'ils avaient simplement deviné par eux-mêmes, créant ainsi un équilibre délicat entre le maintien de l'exactitude de l'histoire et la simplification. En fin de compte, les auteurs démontrent que pour beaucoup de robots puissants, observer comment d'autres ont résolu des problèmes similaires est un meilleur professeur que la simple lecture d'une liste de règles.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.