Controlled Attribute-Specific Summarization of Interrogative Dialogues

📄 arXiv: 2609.28004v1 📥 PDF

作者: A Aditya Bhardwaj, Arjit Singh Arora, Md Shad Akhtar

分类: cs.CL, cs.AI

发布日期: 2026-09-23

💡 一句话要点

提出CASPER框架以解决审问对话的特定属性摘要问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 审问对话 摘要生成 属性特定 法医智能 结构化提示 迭代优化 角色评估 数据集构建

📋 核心要点

  1. 现有的审问对话摘要方法在事实准确性和上下文完整性方面存在不足，难以满足法医调查的需求。
  2. CASPER框架通过结构化提示和迭代优化，专注于生成与特定属性相关的高质量摘要，提升了摘要的准确性和一致性。
  3. 实验结果显示，CASPER在ROUGE和BERTScore指标上均显著优于传统摘要模型，且人类评估结果与专家推理高度一致。

📝 摘要（中文）

有效的审问对话摘要在法医和调查环境中至关重要，要求高事实准确性、一致性和特定属性相关性。本文提出CASPER，一个新颖的链式思维属性特定提示评估摘要框架，利用结构化提示和迭代优化生成高质量的审问-证人互动摘要。我们构建了MINDSum数据集，扩展了MIND语料库，包含6000对带有事件细节、事实陈述、角色描述和填充词的发言对。CASPER采用RoleEval，一个分层评估机制，多个角色（警官、检查员、高级检查员）根据预定义标准迭代评估摘要。通过集成实体提取和结构化反馈循环，CASPER显著提高了事实一致性和上下文完整性。实验结果表明，我们的框架在词汇（ROUGE）和语义（BERTScore）指标上均优于现有基线，同时人类评估确认其与专家推理的一致性。我们的研究结果强调了在高风险领域中受控摘要的潜力，为AI驱动的法医智能铺平了道路。

🔬 方法详解

问题定义：本文旨在解决审问对话的摘要生成问题，现有方法在事实准确性和上下文完整性方面存在不足，难以满足高风险领域的需求。

核心思路：CASPER框架通过链式思维的属性特定提示，结合结构化反馈和迭代评估，旨在生成高质量的审问-证人互动摘要，确保摘要的准确性和相关性。

技术框架：CASPER的整体架构包括数据集构建（MINDSum）、角色评估机制（RoleEval）和摘要生成模块。数据集提供了丰富的上下文信息，角色评估机制确保多角色的反馈和迭代优化。

关键创新：CASPER的主要创新在于引入了角色评估机制和结构化反馈循环，这与现有方法的单一评估方式形成鲜明对比，从而显著提高了摘要的质量。

关键设计：在设计中，CASPER采用了多层次的角色评估标准，结合实体提取技术，确保生成的摘要在事实一致性和上下文完整性方面达到较高水平。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，CASPER在ROUGE和BERTScore指标上分别比现有基线提高了显著的性能，具体提升幅度未知。同时，人类评估结果显示，CASPER生成的摘要与专家推理高度一致，验证了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括法医调查、法律审查和智能客服等高风险场景。通过提供高质量的审问对话摘要，CASPER能够帮助调查人员快速获取关键信息，提高工作效率，降低误判风险。未来，该技术还可能扩展到其他需要高准确性和一致性的对话系统中。

📄 摘要（原文）

Effective summarization of interrogative dialogues is a critical task in forensic and investigative settings, requiring high factual accuracy, coherence, and attribute-specific relevance. In this work, we introduce CASPER, a novel Chain-of-Thought Attribute-Specific Prompting for Evaluative Summarization framework that leverages structured prompting and iterative refinement to generate high-quality summaries of interrogator-witness interactions. We construct MINDSum, a dataset extending the MIND corpus, comprising 6,000 utterance pairs annotated with event details, factual statements, character descriptions, and fillers. CASPER employs RoleEval, a hierarchical evaluation mechanism where multiple roles (officer, inspector, senior inspector) iteratively assess summaries based on predefined criteria. By integrating entity extraction and structured feedback loops, CASPER significantly improves factual consistency and contextual completeness compared to existing baselines. Experimental results demonstrate that our framework outperforms standard summarization models on both lexical (ROUGE) and semantic (BERTScore) metrics, while human evaluation confirms its alignment with expert reasoning. Our findings underscore the potential of controlled summarization in high-stakes domains, paving the way for AI-driven forensic intelligence.