Makine Öğrenimi Sistemi, Sizin Okurken Makaleyi Yeniden Yazıyor

Canada’dan yeni bir araştırmada, bir makaleyi okurken, Tinder benzeri ‘swipe’ veya okuyucunun makaledeki çeşitli içerik türleriyle etkileşimini pasif olarak gözlemleyerek otomatik olarak yeniden yazma yöntemi öneriliyor.

Sistem, Hone As You Read (HARE) olarak adlandırılıyor ve Ontario, Kanada’daki Western Üniversitesi’nden bir makale ve GitHub‘da bulunan Python kodu ile sunuluyor.

Projenin temel fikri, bir makalenin çeşitli içerik türlerini içerebileceği, başlıktan başlayarak daha fazla detaya doğru gelişebileceği. Makalenin daha sonraki kısımları, farklı türde destekleyici materyal, kullanım örnekleri, hipotezler veya haberin sonuçları hakkında varsayımlar içerebilir.

HARE altında, bu tür materyali beğenmezseniz, sistemi eğitirken paragraf paragraf oylayabilirsiniz, böylece aşağıya kaydırırken, ‘downvote’ladığınız materyale benzer içerik zaten kaldırılmış veya yeniden yazılmış olur. Aktif olarak sistemi eğitmek istemiyorsanız, HARE belgedeki pasif etkileşimlerinizi gözlemleyerek tercihlerinizi çıkarabilir.

Tinder Tarzında Hoş olmayan Cümleler için Oylama

Aşağıdaki resimde, kullanıcıların açık veya örtük davranışlarına dayalı olarak HARE için üç olası türde çıkarımlı kategorizasyon görüyoruz. İlk durumda (solda), kullanıcı aktif olarak ‘swipe left’ (veya sağ), hoşlanmadığı içerik, stil, karmaşıklık veya ton için Tinder benzeri bir oylama jesti yapıyor.

Kaynak: https://arxiv.org/pdf/2105.02923.pdf

İkinci durumda (ortada), sistem kullanıcı ilgisini ölçmek için durma süresini kullanıyor.

Üçüncü durumda (sağda), HARE görüntülenen belgelerin paragrafları boyunca gaze konumunun yolunu ve durma süresini tahmin etmek için akıllı telefon kamerasını kullanıyor.

Araştırmacılar, herhangi bir paragraf上的 artan durma süresinin kullanıcı ilgisini gösterdiğini iddia ediyor, mantıksal olarak bu, okuyucunun karmaşık veya sadece kötü yazılmış metni anlamaya çalıştığı durumlarda geçerli olmayabilir.

Kullanıcı geri bildirimi, görülmeyen makale kısımlarını etkili bir şekilde düzenler, yeniden yazar veya tamamen siler.

Kullanıcı Tercihlerine Göre İçerik Ön İşleme

Makale, HARE’nin bir makale başına kullanıcı deneyimini ele alıyor, ancak açıkça kullanıcıların belgelerle tarihi etkileşimleri, gelecekteki okuma deneyimlerini özelleştirmeye izin veriyor, böylece kullanıcı, yeni makalelere uygulanan şablonlu kullanıcı tercihlerini tanıyarak görüntülenen ‘istenmeyen’ içeriği azaltıyor.

HARE, bir özetleyici algoritma olarak karakterize ediliyor, görülmeyen içeriğin, stil veya yoğunluk bakımından yeniden yazılabileceği anlamına geliyor; ancak makale, kullanıcı geri bildirimi temelinde içeriği önceden kaldırabileceğini de belirtiyor.

Test amaçları için, sistem corpus olarak 11,222 Daily Mail gazetesinden makale kullandı ve Telegram sohbet uygulamasında bir test dağıtımı yoluyla değerlendirildi. On paragrafdan az olan makaleler deneme amaçları için atıldı.

Telegram HARE uygulaması, kullanıcılarla test aşamasında.

Araştırmacıların yöntemi, makalelerdeki K-Means clustering ve SBERT cümle gömme kullanarak, başlangıçta kavramlar için rastgele ağırlıklar kullanarak çalışıyor.

Geniş bir algoritma ve yaklaşım grubu arasında, HARE üç karşılaştırma modeli sunuyor, ilki (ORACLEGREEDY) önceden kullanıcı tercihlerine erişimi olan bir model, bu da algoritmanın makaleleri yüklerken önceden işleyebileceğini gösteriyor.

Diğer modeller, ORACLESORTED ve ORACLEUNIFORM, sırasıyla ilgi seviyesine veya makale boyunca rastgele cümleleri seçiyor.

İçerik Kaldırma ve Yeniden Yazma

Şaşırtıcı bir şekilde, ORACLEUNIFORM kontrol kümesini aşarak, önceden kullanıcı ilgilerine erişimi yok. Araştırmacılar, bunun nedeni tüm makaleyi bir defada ele alması ve sadece en ilginç cümleleri seçmesi olduğunu söylüyor. Araştırmacılar, bu durumun yalnızca en önemli kavramla ilgili cümleleri içeren içeriği sınırlayabileceğini, mantıksal olarak diğer metinlerin kaldırılmasına neden olabileceğini kabul ediyor.

HARE’de kullanılan çıkarıcı özetleyiciler, LexRank, SumBasic ve TextRank。

HARE, 13 gönüllü üzerinde 70 deneme ve çeşitli algoritmik yaklaşımlar boyunca test edildi ve 1.3 milisaniye ile 100ms arasında, tüketici sınıfı bir dizüstü bilgisayarda modele bağlı olarak güncellenen özetleri (yeniden yazılmış/silinmiş metin) sağladı. Sonuçlar, en çok metin kaldıran modellerin iyi performans göstermediğini gösterdi, çünkü bu kalıntı metnin tutarlılığını etkileyebilir.

Dinamik Makale Yeniden Yazmanın Etik Sonuçları

Araştırmacılar, bu tür teknolojiler etrafındaki etik endişeleri kabul ediyor:

‘HARE görevi, gelecekteki kullanıcı odaklı uygulamaların tasarımını amaçlıyor. Tasarım gereği, bu uygulamalar bir makaleden okuyucunun ne okuyabileceğini kontrol etme yeteneğine sahiptir. Bu araçlar, yeterli özen gösterilmeden dağıtıldığında, otomatik haber beslemeleri, arama sonuçları ve çevrimiçi topluluklar tarafından zaten üretilen “eko oda” etkisini artırabilir.’

Ancak, bu sistemin gelecekteki uygulamalarda, makalede最初 olarak mevcut olmayan alternatif görüşleri sunarak “eko oda” etkisini azaltmak için kullanılabileceğini de not ediyorlar. Gözlemlerine göre: ‘Bu faktörün ağırlığı, hem ilginç bir okuma deneyimi hem de fikir çeşitliliği sunmak için ayarlanabilir.’

Bu sistemden yararlanabilecek olanlar, bilgiyi alma süresini kısaltmak isteyen okuyucular ve içerik yayıncılarıdır.