Improving Health Literacy through Lay Summarization of Radiological Reports: An Evaluation of BioNER and Retrieval-Augmented Generation

• 类型：arxiv
• 标识：2609.02396
• 链接：http://arxiv.org/abs/2609.02396v1
• 主分类：rag
• 形态：benchmark
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This study investigates the extent to which Retrieval-Augmented Generation and Named Entity Recognition improve the quality, factual consistency, and readability of automatically generated lay summaries compared with standard LLM-based generation.
• OpenAlex ID：W7207877279
• OpenAlex DOI：10.48550/arxiv.2609.02396
• DOI：10.48550/arxiv.2609.02396
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2609.02396
• OpenAlex更新：2026-09-05
• 副分类：evaluation
• 待LLM分类：否
• 标题中文：通过放射学报告的大众化摘要提升健康素养：BioNER 与检索增强生成的评估
• TLDR中文：本研究探讨了相较于标准 LLM 生成方式，RAG 与命名实体识别在多大程度上能提升自动生成通俗摘要的质量、事实一致性及可读性。
• 来源文件：
• /inbox/tom/_candidates/2026-09-03-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]
• [S2 enrich]