Codirigida por: Leo Wanner y M. Teresa Cabré Castellví Programa de doctorado:

INSTITUT UNIVERSITARI DE LINGÜÍSTICA APLICADA

Hacia un modelo lingüístico de resumen automático de artículos médicos en español

1

Hacia un modelo lingüístico de resumen automático

de artículos médicos en español

Iria da Cunha Fanego 2008

Codirigida por: Leo Wanner y M. Teresa Cabré CastellvíPrograma de doctorado:

Ciències del Llenguatge i Lingüística Aplicada (2002-2004)Institut Universitari de Lingüística Aplicada

Universitat Pompeu Fabra



2

1. Introducción2. Estado de la cuestión3. El artículo médico4. Marco teórico5. Corpus6. Análisis del corpus7. Desarrollo del modelo de resumen8. Implementación del modelo9. Aplicación del modelo y resultados10. Evaluación11. Conclusiones 12. Líneas de trabajo futuro

Guión de la presentación



3

Tema de la tesis

En esta tesis se propone una metodología para desarrollar un modelo de resumen automático basado en información lingüística de varios tipos.

El modelo intenta “simular” la manera de resumir de los especialistas de un ámbito, en concreto, de la medicina.

Mediante este modelo pueden obtenerse resúmenes de diferentes longitudes y características, es decir, resúmenes adaptados según las necesidades de cada uno.

Introducción



4

Definición y parámetros de elaboración del resumen

Fuente Único documento / Varios documentos

Dominio específico / Ámbito general

Texto monolingüe / Texto multilingüe

Resultado Resumen por extracción / Resumen por abstracción

Resumen neutral / Resumen evaluativo

Propósito del resumen

Resumen informativo / Resumen indicativo

Necesidades del autor / Necesidades del usuario

Destinatario experto / Destinatario lego

Introducción

“a condensed version of a source document having a recognizable genre and a very specific purpose: to give the reader an exact and concise idea of the contents of the source” (Saggion y Lapalme 2002)

“an abbreviated, accurate representation of the contents of a document, preferably prepared by its author(s) for publication with it” (ANSI)



5

Objetivos de la tesis

1. Analizar los resúmenes que los profesionales de un dominio especializado realizan de sus textos e identificar las estrategias que emplean de cara a desarrollar un modelo de resumen por extracción que las aplique.

2. Formalizar las estrategias empleadas por los especialistas mediante alguna estructura lingüística.

3. Encontrar un modo de integración de estas estrategias.

4. Implementar una parte del modelo de resumen.

5. Desarrollar un método de anotación lingüística eficaz para compensar la parte del modelo que no se pueda implementar por completo.

6. Constatar que es necesario explotar diversas informaciones lingüísticas de los textos para llegar a un resumen adecuado.

Introducción



6

Hipótesis o ideas de partida

1. Los profesionales de un dominio emplean técnicas específicas para resumir sus textos especializados diferentes a las utilizadas para resumir discurso general.

1.1. Estas técnicas se pueden formalizar mediante reglas que formen parte de un modelo de resumen automático que las aplique.

2. La utilización de un solo tipo de información lingüística o solamente de la estadística no es suficiente para llegar a un resumen adecuado y deben integrarse informaciones lingüísticas de varios tipos para poder llegar a una completa representación de los textos y a un posterior resumen de los mismos: información textual, léxica, discursiva y sintáctico-comunicativa.

Introducción



7

Estado de la cuestión

Técnicas para resumen automático

Nivel superficial

Nivel medio

Nivel profundo

Combinación de técnicas lingüísticas

Frecuencias de palabrasTítulosPosición de fragmentosPalabras o frases claveTécnicas estadísticas Aprendizaje automático

Cadenas léxicasCorreferencia / detección de anáforasMáxima de Relevancia MarginalRhetorical Structure TheoryEstructura retórica no jerárquicaRasgos superficiales de la estructura discursivaSuperficialesSuperficiales + detección de anáforas + conectores discursivosCadenas léxicas + estructura retóricaPragmática + retórica



8

Resumen de textos especializados


Textos especializados en general

Textos médicos

Resumen manual

Resumen manual

Resumen automático

Resumen automático

Swales 1981Graetz 1985Fluck 1988Kaplan et al. 1994Ciapuscio 1998

Luhn 1959Lehmam 1995Saggion y Lapalme 2000 Pollock y Zamora 1975Abracos y Lopes 1997Teufel y Moens 2002Farzindar et al. 2004

Swales 1981Salager-Meyer 1990

Damianos et al. 2002Johnson et al. 2002Gaizauskas et al. 2001Lenci et al. 2002 Kan 2003



9

Estructura y contenido

Fundamento Pacientes y métodos

Resultados Discusión

Agradecimientos (opcional)

Bibliografía

Resumen en español

Palabras clave en español

Resumen en inglés (abstract)

Palabras clave en inglés (keywords)

Título del artículo

El artículo médico



10

Resumen del autor como punto de referencia

01101

01001

11111

10101

11110

01101

01001

11111

10101

11110

Vector Space Model

Plot of Comp 2 vs Comp 1

Comp 1

Com

p 2

Lectorautor ling1 A ling2 Ca ling3 Ro ling4 Am ling5 Ri ling6 Ro med1 Dan med2 Iri med3 Edu med4 Víc med5 Mar med6 Mº

-1,5 -1 -0,5 0 0,5 1 1,5-3,3

-2,3

-1,3

-0,3

0,7

1,7


Comp 1

Com

p 2


-1,5 -1 -0,5 0 0,5 1 1,5-3,3

-2,3

-1,3

-0,3

0,7

1,7

Proyección BidimensionalAutor

Dr. 1

Dr. 2

Dr. 3

Dr. 4

Dr. 5

Dr. 6

Ling. 1

Ling. 2

Ling. 3

Ling. 4

Ling. 5

Ling. 6

Resúmenes

DendrogramW ard's M ethod,Euclidean

Dis

tan

ce

0

2

4

6

8

10

au

tor

lin

g1

An

na

lin

g2

Ca

rme

lin

g3

Ro

ge

lin

g4

Am

or

lin

g5

Ric

ard

o

lin

g6

Ro

dri

me

d1

Da

ni

me

d2

Iria

me

d3

Ed

u

me

d4

Víc

to

me

d5

Ma

ria

me

d6

MºJ

A M1 M3 M2 M4 M5 M6 L1 L2 L3 L5 L4 L6

DendrogramW ard's M ethod,Euclidean

Dis

tan

ce

0

2

4

6

8

10

au

tor

lin

g1

An

na

lin

g2

Ca

rme

lin

g3

Ro

ge

lin

g4

Am

or

lin

g5

Ric

ard

o

lin

g6

Ro

dri

me

d1

Da

ni

me

d2

Iria

me

d3

Ed

u

me

d4

Víc

to

me

d5

Ma

ria

me

d6

MºJ

A M1 M3 M2 M4 M5 M6 L1 L2 L3 L5 L4 L6




11

Contenido A M1

M2

M3

M4

M5

M6

L1

L2

L3

L4

L5

L6

Entre el 20 y el 80% de las visitas a los servicios de urgencias hospitalarios son inapropiadas.

1 1 1 1 1 1 1 1 1 1 1 1 0

Se evaluaron las visitas a un servicio de urgencias hospitalarias mediante un Protocolo de Adecuación de Urgencias Hospitalarias, previamente validado.

1 1 1 1 1 1 1 1 1 1 1 1 0

El 37,9% de las visitas fueron inapropiadas

1 1 1 1 1 1 1 0 0 1 1 0 1

y más frecuentes en la población pediátrica.

1 1 1 1 1 1 1 1 1 1 1 1 1

Los pacientes enviados por un médico, con traumatismos o proceso quirúrgico visitaron las urgencias más adecuadamente.

1 1 1 1 1 1 1 1 1 1 0 1 1

La adecuación de las visitas al servicio de urgencias se relaciona con el tipo de enfermedad.

1 0 0 0 0 0 0 0 0 0 0 0 0




12


Comp 1

Com

p 2


-1,5 -1 -0,5 0 0,5 1 1,5-3,3

-2,3

-1,3

-0,3

0,7

1,7


Multidimensional Scaling



13

DendrogramWard's Method,Euclidean

Dis

tanc

e

0

2

4

6

8auto

r

ling1Anna

ling2C

arm

e

ling3R

oge

ling4Am

or

ling5R

icard

o

ling6R

odri

med1D

ani

med2Iria

med3Edu

med4Víc

to

med5M

aria

med6M

ºJA M5 M1 M2 M4 M3 M6 L1 L2 L3 L4 L5 L6


Clustering no supervisado



14

Conclusiones generales1. Los profesionales médicos adoptan estrategias diferentes en la

selección de los contenidos relevantes para sus resúmenes a las empleadas por profesionales de otros ámbitos.

2. Los profesionales de un colectivo tienden a seleccionar los mismos fragmentos de contenido para sus resúmenes.

3. Los resúmenes realizados por profesionales pueden emplearse para extraer criterios sobre cómo debe resumirse un texto especializado de un determinado ámbito y como punto de referencia para una posterior evaluación de un modelo de resumen.

Conclusiones específicas1. El resumen incluye información de los 4 apartados del artículo.2. El resumen suele incluir información numérica en los apartados

de Pacientes y métodos y Resultados.3. El resumen no incluye definiciones, datos históricos, o referencias

a trabajos previos o relacionados.4. El apartado de Discusión del resumen no es más extenso que los

otros.




15

Cómo obtener un resumen adecuado

El desarrollo de un modelo de resumen debe fundamentarse en diversos aspectos lingüísticos:

Estructura textual del documento

Unidades léxicas representativas

Estructura discursiva

Estructura sintácticaEstructura comunicativa

Marco teórico



16







Rhetorical Structure Theory (RST)

Marco teórico



17







Rhetorical Structure Theory (RST)

Teoría Sentido-Texto (TST)

Marco teórico



18

1. Rhetorical Structure Theory (Mann y Thompson 1988)

– Teoría discursiva de organización del texto.– Estructura jerárquica.– Patrones núcleo-satélites.– Relaciones discursivas: Elaboración, Evidencia, Propósito,

Condición, Contraste, etc.

Marco teórico



19

2. Teoría Sentido-Texto (Mel’cuk 1988, 2001)

– Estructura sintáctica profunda de dependencias (elementos actanciales, elementos atributivos, apenditivos y coordinativos).

– Estructura comunicativa (tema / rema).

TEMA

REMA

Marco teórico



20

Subcorpus de referencia– 50 artículos médicos + 50 resúmenes (Medicina Clínica / CT del

IULA).– 3 condiciones:

• artículos originales,• temas de actualidad (cáncer, sida, alcoholismo, anorexia,

etc.),• publicación entre 1992 y 2002.

Subcorpus de contraste– Subcorpus de contraste para la 1ª evaluación:

• 5 artículos originales, • 5 resúmenes de los autores,• 5 resúmenes por extracción realizados por 5 médicos.

– Subcorpus de contraste para la evaluación final:• 10 artículos originales,• 10 resúmenes de los autores,• 10 resúmenes por extracción realizados por 3 médicos,• 10 resúmenes por abstracción redactados por 3 médicos.

Corpus



21

Análisis de los artículos y los resúmenesdel corpus de referencia

I. Estructura textual.II. Unidades léxicas (indicadoras de relevancia o de no

relevancia).III. Estructura discursiva y sintáctico-comunicativa.

Análisis del corpus

Para averiguar las estrategias presumiblemente empleadas por los especialistas a la hora de resumir los textos de su ámbito.



22

I. Análisis de la estructura textual 1. Análisis de los subtítulos de los artículos médicos y de los resúmenes del subcorpus de referencia con el objetivo de constatar que ambos siguen la estructura IMRD (Swales 1981).

2. Análisis de la relevancia de determinados fragmentos teniendo en cuenta su posición dentro del texto (Edmunson 1969; Hovy y Lin 1997, 1999).


Apartado del artículo Selección basada en posición

Fundamento 3 últimas oraciones

Pacientes y métodos 2 primeras oraciones

Resultados 2 primeras oraciones

Discusión 3 primeras o 3 últimas oraciones



23

II. Análisis de unidades léxicas

Análisis de unidades léxicas indicadoras de relevancia1. Unidades léxicas nominales: objetivo, objeto, propósito…2. Unidades léxicas verbales: realizar, estudiar, presentar,

analizar…3. Unidades léxicas incluidas en el título del artículo (Luhn 1959).4. Formas verbales en 1ª persona del plural (Torii y Vijay-Shanker

2005).5. Unidades numéricas en Pacientes y métodos y Resultados.

Análisis de unidades léxicas indicadoras de no relevancia1. Unidades léxicas que ser refieran a datos estadísticos o

computacionales (Ejs. ELISA, SPSS, ANOVA…). 2. Unidades léxicas que ser refieran a tablas o figuras (Ejs. Tabla 1,

Figuras 7 y 8…).3. Unidades léxicas que ser refieran a definiciones (Ejs. se define

como, definición…).4. Unidades léxicas que ser refieran a trabajos previos o

relacionados (Ejs. et al, otros autores…).




24

III. Análisis de la estructura discursiva y sintáctico-comunicativa

1. Análisis de la estructura discursiva (RST).2. Análisis de la estructura sintáctica (TST).3. Análisis de la estructura comunicativa (TST).

Metodología de análisis:– analizar las estructuras discursivas, sintácticas y

comunicativas existentes en los artículos del subcorpus de referencia,

– observar qué fragmentos de los artículos originales incluyen los médicos en sus resúmenes,

– comprobar si en esas informaciones se dan regularidades en la estructura discursiva, sintáctica y/o comunicativa.




25

FUNDAMENTO (del artículo)[En la enfermedad isquémica coronaria (EIC) se han descrito diferentes alteraciones en la circulación sistémica del sistema hemostático, existiendo muy poca información de los posibles cambios que pueden acontecer en la circulación coronaria, cerca de la lesión trombótica y sus diferencias con las alteraciones encontradas a nivel periférico.]1 [La angioplastia transluminal percutánea coronaria (ATPC) ha supuesto un importante avance en el tratamiento de la EIC.]2 [La ATPC generalmente ocasiona una dilatación del diámetro coronario, bien por dilatación directa del fragmento arterial estenosado, o bien por fractura de la placa de ateroma.]3 [La alteración de la pared vascular ocasionada con este procedimiento puede exponer a la circulación nuevas superficies, como subendotelio, placa aterosclerótica o pared media vascular, aumentando el riesgo de formación de trombos.]4 [En este sentido, es conocido el riesgo de oclusión arterial aguda o tardía tras la ATPC,]5 [aunque existen pocos datos que documenten los cambios hemostáticos in situ ocasionados por esta técnica.]6[Nos planteamos este trabajo con el doble objetivo de investigar si en los enfermos con EIC existen diferencias en distintas variables hemostáticas al efectuar sus determinaciones en la sangre obtenida del seno coronario (SC) respecto a la obtenida de la circulación periférica (CP), así como los posibles cambios que la ATPC pudiera producir en la hemostasia en ambos lugares.]7

FUNDAMENTO (del resumen)Se comparan las variaciones hemostáticas en el seno coronario (SC) y en la circulación periférica (CP) en los pacientes con enfermedad isquémica coronaria (EIC), y se evalúa el efecto de la angioplastia transluminal percutánea (ATPC).

Satélite de Background

Núcleo de Background




26

A) Se eliminan los satélites de Concesión, Reformulación, Resultado, Justificación y Circunstancia.

B) Se eliminan los núcleos de Interpretación y Evidencia.

C) No se separan los satélites de Condición y Resumen de sus núcleos.

D) No se separan los núcleos de Contraste, Unión, Lista y Secuencia.

E) Se eliminan los elementos apenditivos.

F) Se eliminan los satélites de Elaboración correspondientes a elementos atributivos (en concreto, explicativos).

G) Se eliminan los satélites de Elaboración referentes al tema de su núcleo.

H) No se eliminan los satélites de Elaboración referentes al rema de su núcleo.


Regularidades discursivas y sintáctico-comunicativas



27

Aplicación de reglas discursivo-sintáctico-comunicativas (DISICO): propuesta de oraciones y/o fragmentos de oraciones candidatos a ser eliminados

2) Nivel léxico

3) Nivel discursivo y sintáctico-comunicativo

Aplicación de reglas léxicas: puntuación de oraciones Aplicación de reglas léxicas: eliminación de oraciones (o fragmentos de oraciones)

Aplicación de reglas de puntuación de oraciones

Resumen

1) Nivel textual Aplicación de reglas textuales: división del texto en apartados y puntuación de oraciones

Texto original

Fase I

Fase II

Desarrollo del modelo de resumen



28

Formalización de reglas textualesIF sentence s is one of the 3 last sentences of the Introduction section

THEN s s s

Formalización de reglas basadas en unidades léxicasIF sentence s contains a verbal form in 1st person plural

THEN s s s

IF sentence s contains definition or introduction d of a new concept c THEN IF d appears in parentheses THEN ELIMINATE the parenthesis from s

ELSE IF |Secs.rem| > 1 ELIMINATE s from Secs.rem

Formalización de reglas DISICOIF S is satellite of a BACKGROUND relation B

THEN IF |SecSAT.rem| > 1 ELIMINATE S




29

Clasificación extraída de Amigó (2006).

Estado de la cuestón

Métodos de evaluación de resúmenes

Métodos intrínsecos

Métodos extrínsecos

Basados en la coherencia del resumen

Basados en la cobertura de contenidos

Cobertura sobre las fuentes originales

Cobertura sobre resúmenes modelo




30

Clasificación extraída de Amigó (2006).


Métodos de evaluación de resúmenes

Métodos intrínsecos

Métodos extrínsecos

Basados en la coherencia del resumen

Basados en la cobertura de contenidos

Cobertura sobre las fuentes originales

Cobertura sobre resúmenes modelo

ROUGE

Distancia Euclidiana




31

1ª evaluación del modelo

Comparación: 5 resúmenes de nuestro modelo + 5 resúmenes de los autores + 5 resúmenes de 3 médicos + 5 resúmenes baseline.

ROUGE

Distancia Euclidiana


Médico 1

Médico 3Vector 7:1

Autor

ModeloMédico 2

Vector 6:0

ROUGE (media) ROUGE-2 ROUGE-SU-4

nuestro modelo 0,6570 0,6321

baseline 0,2980 0,2646



32

Reglas textuales y léxicas: implementación en Perl.

Reglas DISICO

Problemas: carencia de analizadores discursivos y comunicativos, limitaciones de los analizadores sintácticos de dependencias.

Solución: ofrecer al resumidor los textos ya etiquetados.

1. Etiquetaje lingüístico oracional: resumen por extracción.• Uso de una base de datos. • Implementación de las reglas del modelo: SQL.

2. Etiquetaje lingüístico intraoracional: resumen por extracción + compresión.

• Diseño de un conjunto de etiquetas XML en 3 niveles.• Diseño de una DTD (Document Type Definition).• Implementación de las reglas del modelo: Perl.• Diseño de una interfaz de aplicación de las reglas.

Implementación del modelo



33

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

-------------- --------------------------------------- ----------------- ----------------------------- --------------------

Texto original

Resumen por

extracción

Resumen por

extracción +

compresión




34




35




36


score.pl: puntuación de oraciones eliminacion.pl: eliminación de oraciones

segmentador_medico.pl: división del texto en 4 apartados

segmentador oracional IULA lematizador TreeTagger

PhpMyAdmin: etiquetaje discursivo semiautomático a nivel oracional

oralingmod.pl: resumen por extracción mediante reglas DISICO

Interfaz web DISICO / sumcompleto.pl: resumen por compresión mediante reglas DISICO

Oxygen XML Editor: etiquetaje discursivo semiautomático a nivel intraoracional

Determinación del número de oraciones de cada apartado:

se emplea la puntuación de oraciones (obtenida por score.pl)

pro

cesaF

ullE

Sc

ore

.sh

Texto origin

al

Resumen



37

Anotadores* Etiquetaje discursivo oracional de los 10 textos del subcorpus de contraste: realizado por 5 personas. * Anotación XML intraoracional de los 10 resúmenes por extracción

previamente obtenidos: realizada por nosotros.

Características de los resúmenes a)Resúmenes de 11 oraciones (DISICO_1a: extracción / DISICO_1b:

extracción + compresión).– Nº de oraciones por cada apartado: Fundamento: 2 or. Pacientes y métodos: 3 or. Resultados: 4 or. Discusión: 2 or.

b) Resúmenes de 11 oraciones como máximo (DISICO_2a: extracción / DISICO_2b: extracción + compresión).

– Oraciones obtenidas por las reglas de eliminación y las DISICO.– Si el nº de oraciones obtenidas en algún apartado es mayor que el establecido se aplican las reglas de puntuación hasta llegar al nº de oraciones establecidas en ese apartado.

Aplicación del modelo y resultados



38

Evaluación con ROUGE

Resúmenes candidatos: 1. resúmenes de nuestro modelo (DISICO_1a, DISICO_1b, DISICO_2a,

DISICO_2b),

2. resúmenes baseline, 3. resúmenes Ms-Word

Autosummarize.

Resúmenes de referencia:1. resúmenes de los autores de los

artículos, 2. resúmenes por extracción de 3

médicos,3. resúmenes por abstracción de 3

médicos.

ROUGE (media)

ROUGE ROUGE-2 ROUGE-4

DISICO_1a 0,6680 0,6483

DISICO_1b 0,6503 0,6272

DISICO_2a 0,6427 0,6209

DISICO_2b 0,6257 0,6016

baseline 0,1965 0,1988

Ms-Word 0,2579 0,2614

ROUGE Jackknife (media)

ROUGE ROUGE-2 ROUGE-4

DISICO_1a 0,6650 0,6463

DISICO_1b 0,6523 0,6270

DISICO_2a 0,6469 0,6253

DISICO_2b 0,6272 0,6028

baseline 0,1976 0,2000

Ms-Word 0,2600 0,2637

Evaluación del modelo



39

Evaluación del modelo

DendrogramaMétodo Ward,Euclidean

Dis

tan

cia

0

1

2

3

4

5

Au

tor

Ba

selin

e

Mé

dic

o 1

Mé

dic

o 2

Mé

dic

o 3

Nu

est

ro m

od

elo

Wo

rd

DendrogramaMétodo Ward,Euclidean

Dis

tan

cia

0

1

2

3

4

5

Aut

or

Bas

elin

e

Méd

ico

1

Méd

ico

2

Méd

ico

3

Nue

stro

mod

elo

Wor

d

Resúmenes DISICO_1a (11 oraciones por extracción)

Resúmenes DISICO_2a (máx. 11 oraciones por

extracción)

Evaluación con la Distancia Euclidiana

Comparación entre: 1.resúmenes DISICO_1a /

DISICO_2a,2.resúmenes de los

autores de los artículos, 3.resúmenes por

extracción de 3 médicos,4.resúmenes baseline, 5.resúmenes del Ms-Word

Autosummarize.

39



40

Restrictions of the model

1. General restriction: costly adaptation to other areas (although feasible).

2. Restriction with regard to coherence: it does not include anaphora resolution.

3. Restrictions of the rules of the model (*we carry out 2 tasks): a. We count and analyze the sentences from the DISICO_1a summaries

that are not selected at least by 3 doctors: 5 sentences.– 4 of these errors are solved in DISICO_2a summaries.

b. We count and analyze the sentences from the DISICO_1a summaries

that are selected at least by 3 doctors, but not by our model: 7 sentences.

– In general: isolated cases that we do not consider relevant.– Exception: multinuclear relation of List.

Mechanisms that are not inherent to the rhetorical structure of the text are

needed in order to explain why one nucleus of a multinuclear relation is considered important by humans. (Marcu 2000)

Model Evaluation



41

Conclusions linked with the hypothesis

Hypothesis 1. Professionals from a domain use specific techniques to summarize specialized texts that are different to the ones used to summarize general speech.

Confirmed by the doctor-linguist experiment and by the final evaluation with Euclidean Distance.

Hypothesis 1.1. These techniques can be formalized in the form of rules that are part of a model of automatic summarization applying them.

Confirmed by the analysis of the strategies used by authors when writing their summaries and by their later formalisation in the rules included in the proposed summarization model.

Hypothesis 2. The use of a single type of linguistic information is not enough to obtain an adequate summary, so linguistic information of several types must be integrated [...].

Confirmed by the linguistic analysis of the articles and the summaries of the specialists, and by finding that there are regularities in the textual structure, in the use of certain lexical units, and in the discourse and syntactic-communicative structure.

Conclusions



42

General conclusions

The linguistic model of summarization that we suggest in the thesis is valid because it obtains good results in its evaluation =>

our work provides a relevant contribution to the state of the art on automatic summarization in Spanish, specifically, on specialized texts.

The summaries written by specialists of an area (in our case, medicine) can be taken as a point of reference for the development and the evaluation of a model of automatic summarization.

In short, all goals formulated at the beginning of the thesis have been fulfilled.

Conclusions



43

Conclusions beyond the thesis … However, is linguistics enough to provide the best summaries?

experiments (da Cunha et al. 2007) show that a combination of linguistic and statistical techniques further optimizes the quality of the summaries.

We designed an hybrid summarizer that includes 3 summarizers:- CORTEX (Torres-Moreno et al. 2002): based on Vector Space

Model.- ENERTEX (Fernández et al. 2007): based on statistical physics.- DISICOSUM: based on linguistics.

We evaluated it with ROUGE and we observed that the results of this hybrid summarizer are better than the results of any of the other 3 summarizers.

Conclusions



44

1. Application of the summarization model to a higher quantity of medical articles.

2. Adaptation of the summarization model to other genres of the medical domain and to other specialized domains.

3. Development of a discourse parser to integrate it in our summarizer (using machine learning techniques).

4. Continuation with the research about the benefits of the combination of statistical and linguistic techniques.

Lines of Future Work



45

Hacia un modelo lingüístico de resumen automático

de artículos médicos en español

Iria da Cunha Fanego 2008

Codirigida por: Leo Wanner y M. Teresa Cabré CastellvíPrograma de doctorado:

Ciencias del Lenguaje y Lingüística Aplicada (2002-2004)Institut Universitari de Lingüística Aplicada

Universitat Pompeu Fabra

Codirigida por: Leo Wanner y M. Teresa Cabré Castellví Programa de doctorado:

Documents

Transcript of Codirigida por: Leo Wanner y M. Teresa Cabré Castellví Programa de doctorado: