Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Language Models
该论文通过系统分析 134 篇文献和 300 项评估指标，构建了大语言模型基于证据文本生成（涵盖引用、归因和摘录）的统一分类体系，旨在解决该领域术语不一致和评估碎片化的问题，并指出了未来的挑战与方向。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文就像是一份**“大语言模型（LLM）的‘有根有据’写作指南”**。
想象一下，你正在和一个超级聪明的机器人（大语言模型）聊天。以前，这个机器人虽然博学，但有时候会“一本正经地胡说八道”（也就是我们常说的幻觉），编造一些听起来很真但完全不存在的事实。
为了解决这个问题，研究人员开始教这个机器人：“说话要留证据，每句话都要能查到出处。”
这篇论文就是由三位来自德国和日本的学者（Tobias Schreieder, Tim Schopf, Michael Färber）写的，他们把市面上所有关于“让机器人说话带证据”的研究（一共看了134 篇论文）都翻了一遍，然后整理出了一套**“证据写作百科全书”**。
下面我用几个生动的比喻来解释这篇论文的核心内容：
1. 核心问题：机器人为什么需要“带证据”？
想象你在写论文，如果老师说：“你写的这句话，把出处标出来。”
- 以前的机器人：可能会随便编一个书名，或者根本不说出处，让你无法核实。
- 现在的目标：让机器人像一位严谨的记者或学者，每说一个观点，都要像**“在墙上贴便利贴”**一样，把来源（比如哪本书、哪张图表、哪段视频）指给你看。
这篇论文就是为了解决目前这个领域太混乱的问题。大家用的词不一样（有的叫“引用”，有的叫“归因”，有的叫“引用”），就像大家都在做“带证据的写作”，但每个人叫法不同，没法互相交流。
2. 他们做了什么？（三大贡献）
A. 画了一张“超级地图”（分类法）
他们把这一百多篇论文整理成了一张清晰的地图，把各种方法分门别类。这就好比把一堆杂乱无章的乐高积木，按颜色、形状和用途分好了类。
- 怎么找证据？
- 自带干粮（参数化）：机器人靠脑子里记的知识说话（但这容易记错）。
- 去图书馆查书（非参数化）：机器人说话前先上网查资料，或者把资料塞给它看。这是目前最主流的方法。
- 证据长什么样？
- 大部分是文字（96% 的研究都在用文字）。
- 但也开始尝试图片、表格、甚至图表（就像你不仅看文字报道，还看数据图表）。
- 怎么展示证据？
- 脚注式：在句子后面加个
[1]。 - 引用式：直接说“正如某某专家所说……"。
- 高亮式：把证据来源用颜色标出来，让你一眼看到。
- 脚注式：在句子后面加个
B. 整理了一套“评分标准”（评估指标）
如果机器人写了带证据的文章，我们怎么知道它写得好不好？
他们分析了300 种不同的评分方法。
- 就像考试打分：
- 归因分：它指出的出处是真的吗？
- 引用分：它引用的格式对吗？
- 正确性分：它说的话是真的吗？
- 语言分：读起来通顺吗？
- 现状：目前大家用的“尺子”五花八门，有的用人类专家打分，有的用另一个 AI 打分，有的用数学公式算。这篇论文呼吁大家统一标准，不然没法比较谁的方法更好。
C. 指出了未来的“坑”和“路”
- 坑（挑战）：
- 现在的机器人太依赖文字了，对于图片、视频、复杂表格的引用还很弱。
- 有些机器人虽然给了证据，但没解释为什么选这个证据（缺乏透明度）。
- 大家用的**测试题（数据集）**太少了，而且不统一。
- 路（未来方向）：
- 让机器人不仅能引用文字，还能引用图表、视频。
- 让机器人不仅能给出证据，还能解释推理过程（为什么选这个而不是那个）。
- 建立统一的**“考试标准”**，让所有模型都在同一套题目下考试。
3. 为什么这很重要？
这就好比我们在使用搜索引擎或 AI 助手时，如果它能**“言之有据”**：
- 医生可以用它查最新的医疗指南，并看到具体的研究数据，而不是听它瞎编。
- 记者可以用它整理新闻线索，并直接看到原始报道。
- 学生可以用它写作业，并直接看到参考文献，避免抄袭或错误。
总结
这篇论文就像是一位**“整理大师”，把大语言模型领域里关于“如何说话带证据”的混乱现状，梳理成了一套清晰的规则、地图和评分表**。
它的核心思想是：未来的 AI 不仅要聪明，还要诚实、透明，并且能随时拿出“证据”来证明它说的是真的。 只有这样，我们才能真正信任 AI 生成的内容。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。