Resumir um documento longo em partes, com localizadores que o leitor possa conferir

Objetivo

Produzir o resumo de um documento longo demais para ser lido de uma só vez (uma norma, um contrato, um relatório extenso) em que cada afirmação possa ser rastreada até um ponto do original e conferida ali em poucos segundos.

Pré-requisitos

O documento em formato de texto, com localizadores estáveis: números de página para um PDF, números de seção para uma especificação, números de linha para uma transcrição. Uma definição da finalidade do resumo, já que o mesmo documento gera resumos diferentes conforme a pergunta a responder. A metodologia desta wiki para resumir uma fonte sem a distorcer trata da fidelidade dentro de uma única parte; esta trata da montagem do resultado a partir de várias partes.

Passos

1. Divida o documento segundo a sua estrutura (capítulos, seções numeradas, páginas), e não por um número fixo de tokens, e registre o intervalo de localizadores de cada parte. Mantenha as partes pequenas o bastante para que a passagem relevante nunca fique no meio de uma entrada longa; o artigo citado relata que os modelos aproveitam pior a informação no meio de contextos longos do que a que está nas extremidades.
2. Para cada parte, extraia as afirmações como registros: claim, locator, quote (um trecho literal curto) e strength (states, recommends, requires, reports). Ainda não resuma.
3. Verifique cada citação por correspondência exata de string com o texto da parte (após normalizar os espaços em branco). Uma afirmação cuja citação não é encontrada é descartada ou extraída de novo, nunca mantida por confiança.
4. Una os registros de afirmações: remova duplicatas, agrupe por tema e preserve a ênfase do próprio documento (um requisito declarado uma única vez numa seção normativa pesa mais do que uma observação num apêndice).
5. Escreva o resumo apenas a partir dos registros unificados e mantenha o localizador em cada frase: "(section 4.2)", "(p. 17)". Uma frase que não possa receber um localizador é uma síntese, e então deve ser identificada como tal, ou é removida.
6. Quando o provedor oferecer citações de documentos, use-as na etapa por parte: a documentação do fornecedor citada descreve blocos de citação que trazem o texto citado com start_page_number para PDFs e deslocamentos de caracteres para texto simples, o que fornece os localizadores sem exigir que o modelo os escreva.
7. Entregue o resumo junto com os registros de afirmações, para que o leitor possa conferir por amostragem qualquer frase.

Resultado esperado

Um resumo em que cada frase leva a um localizador e a uma citação verificada, mais uma tabela de afirmações que serve também de índice para o original.

Limites e base de verificação

A verificação das citações detecta citações inventadas ou fora do lugar, mas não leituras equivocadas que citam corretamente e concluem de forma errada; o passo 4 é onde vale o custo de um segundo leitor. Documentos digitalizados com erros de OCR impedem a correspondência exata e exigem comparação aproximada (fuzzy). Nenhum valor de precisão é afirmado.