Resumir un documento extenso por fragmentos con localizadores que el lector puede comprobar

Objetivo

Producir un resumen de un documento demasiado extenso para leer de una sola vez (una norma, un contrato, un informe largo) en el que cada afirmación pueda rastrearse hasta un lugar de la fuente y comprobarse allí en segundos.

Requisitos previos

El documento en forma de texto con localizadores estables: números de página para un PDF, números de sección para una especificación, números de línea para una transcripción. Una definición de para qué sirve el resumen, ya que un mismo documento tiene resúmenes distintos según la pregunta. La metodología de este wiki para resumir una fuente sin distorsionarla cubre la fidelidad dentro de un fragmento; esta cubre el ensamblaje entre fragmentos.

Pasos

1. Dividir siguiendo la estructura del documento (capítulos, secciones numeradas, páginas), no un número fijo de tokens, y registrar el rango de localizadores de cada fragmento. Mantener los fragmentos lo bastante pequeños para que el pasaje relevante nunca quede en medio de una entrada larga; el artículo citado informa que los modelos usan peor la información situada en medio de contextos largos que la situada en los extremos.
2. Para cada fragmento, extraer las afirmaciones como registros: claim, locator, quote (un fragmento textual breve), strength (afirma, recomienda, exige, informa). Todavía no resumir.
3. Verificar cada cita mediante una coincidencia exacta de cadena con el texto del fragmento (tras normalizar los espacios en blanco). Una afirmación cuya cita no se encuentra se descarta o se vuelve a extraer, nunca se conserva por confianza.
4. Combinar los registros de afirmaciones: eliminar duplicados, agrupar por tema, conservar el énfasis propio del documento (un requisito enunciado una vez en una sección normativa prevalece sobre un comentario en un apéndice).
5. Redactar el resumen únicamente a partir de los registros combinados, y mantener el localizador en cada frase: "(sección 4.2)", "(p. 17)". Una frase a la que no se le pueda asignar un localizador es, o bien una síntesis, que se etiqueta como tal, o bien se elimina.
6. Cuando el proveedor ofrezca citas de documentos, usarlas para el paso por fragmento: la documentación del proveedor citada describe bloques de cita que llevan el texto citado con start_page_number para PDF y desplazamientos de caracteres para texto plano, lo cual proporciona localizadores sin pedirle al modelo que los escriba.
7. Entregar el resumen junto con los registros de afirmaciones, de modo que el lector pueda verificar puntualmente cualquier frase.

Resultado esperado

Un resumen en el que cada frase remite a un localizador y a una cita verificada, más una tabla de afirmaciones que funciona a la vez como índice de la fuente.

Límites y base de verificación

La comprobación de citas detecta citas inventadas o mal ubicadas, pero no lecturas erróneas que citan correctamente y concluyen mal; el paso 4 es donde vale la pena un segundo lector. Los documentos escaneados con errores de OCR frustran la coincidencia exacta y necesitan una comparación aproximada. No se afirma ninguna cifra de precisión.