Divide-Prompt-Refine: 생물 의학 초록 생성을 위한 훈련이 필요 없는 구조 인식 프레임워크

생물 의학 (Biomedical) 초록은 정보 검색 (Information Retrieval), 생물 큐레이션 (Biocuration), 생물 의학 지식 발견 (Biomedical Knowledge Discovery)과 같은 다운스트림 NLP 애플리케이션에서 중요한 역할을 합니다. 그러나 상당수의 생물 의학 논문에는 초록이 없으며, 이는 다운스트림 작업에서 해당 논문들의 유용성을 저하시킵니다. 본 연구에서는 초록은 없지만 전문 (Full-text)은 존재하는 생물 의학 논문을 위해, 일관성 있고 사실에 기반한 초록을 생성하는 훈련이 필요 없는 (Training-free) 제로샷 (Zero-shot) 프레임워크인 DPR-BAG (Divide, Prompt, and Refine for Biomedical Abstract Generation)를 제안합니다. DPR-BAG는 전문 문서를 Background-Objective-Methods-Results-Conclusions (BOMRC) 스키마에 따라 구조화된 수사적 측면 (Rhetorical facets)으로 분해하고, 각 측면에 대해 LLM 기반의 병렬 요약을 수행하며, 마지막으로 전역적 담화 일관성 (Global discourse coherence)을 복원하기 위한 최종 정제 (Refinement) 단계를 적용합니다. 46,309개의 생물 의학 논문으로 구성된 분포 정렬 데이터셋인 PMC-MAD에서, DPR-BAG는 사실적 일관성 (Factual consistency)을 유지하면서 강력한 추출적 (Extractive) 및 미세 조정된 (Fine-tuned) 베이스라인 모델들보다 추상적 참신성 (Abstractive novelty)을 향상시킵니다. 우리의 절제 연구 (Ablation study)는 직관에 반하는 발견을 보여줍니다. 즉, 프롬프트 복잡성을 높이거나 엔티티 수준 (Entity-level)의 가이드를 명시적으로 주입하는 것이 오히려 사실적 정렬 (Factual alignment)을 저해할 수 있으며, 이는 통제된 프롬프트 전략 (Controlled prompting strategies)의 중요성을 강조합니다. 이러한 결과는 자원이 부족한 환경에서 확장 가능한 생물 의학 초록 생성을 위한 훈련이 필요 없는 구조 인식 프레임워크의 잠재력을 뒷받침합니다. 우리의 데이터와 코드는 https://huggingface.co/datasets/pmc-mad/PMC-MAD 및 https://github.com/ScienceNLP-Lab/MultiTagger-v2/tree/main/DPR-BAG 에서 확인할 수 있습니다.