{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3338660"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3338660","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Document-Level Text Simplification","abstract":"Η απλοποίηση κειμένου αναγνωρίζεται ευρέως ως μια πολύτιμη τεχνική για την ενίσχυση της διάχυσης της γνώσης και της προσβασιμότητας της πληροφορίας. Μέσω της εξάλειψης της γλωσσικής πολυπλοκότητας σε ένα κείμενο, δίνεται στους αναγνώστες η δυνατότητα να κατανοήσουν καλύτερα το περιεχόμενό του. Παρά τις σημαντικές ερευνητικές προσπάθειες στην περιοχή της αυτόματης απλοποίησης κειμένου, η απλοποίηση κειμένου ως ολότητας αποτελεί ένα νέο πεδίο στον τομέα thw Επεξεργασίας Φυσικής Γλώσσας (NLP) που δεν έχει εξεταστεί επαρκώς. Η παρούσα εργασία προσεγγίζει την αυτόματη απλοποίηση κειμένου ως ολότητας με βάση τη διαγραφή προτάσεων. Η προτεινόμενη μέθοδος υλοποιεί αντιστοιχίσεις προτάσεων μεταξύ ζευγαριών συγκρίσιμων κειμένων (πρωτότυπο-απλοποιημένο κείμενο), για την αυτόματη μοντελοποίηση των τεχνικών απλοποίησης που έχουν προταθεί για κλίμακα κειμένου, συμπεριλαμβανομένης της διαγραφής προτάσεων, της προσθήκης προτάσεων, της συγχώνευσης προτάσεων, της διαίρεσης προτάσεων και της παράφρασης. Αναπτύχθηκαν συνολικά 8 μοντέλα αντιστοίχισης με χρήση Sentence Transformers Εmbeddings, εκ των οποίων το all-mpnet-base-v2 σε συνδυασμό με τον αλγόριθμο Itermax πέτυχε την βέλτιστη επίδοση στην πλειονότητα των κατηγοριών. Αξιοσημείωτο είναι ότι η διαγραφή αναδείχθηκε ως η πλέον κυρίαρχη κατηγορία, επιστρέφοντας τα πιο υψηλά σκορ αντιστοίχισης (micro P/R/F 90,0/82,62/86,15, macro P/R/F 87,33/81,21/84,16 και weighted macro P/R/F 92,58/82,62/87,32). Στη συνέχεια, το καλύτερο μοντέλο αντιστοίχισης εφαρμόστηκε σε ένα υποσύνολο του συνόλου δεδομένων «D-Wikipedia» για την αυτόματη δημιουργία ενός νέου μεγάλης κλίμακας συνόλου δεδομένων, το οποίο και χρησιμοποιήθηκε για την εκπαίδευση, παραμετροποίηση και αξιολόγηση 2 μοντέλων δυαδικής ταξινόμησης (binary classifier): το ένα αναπτύχθηκε με βάση τον αλγόριθμό SVM και το δεύτερο με βάση το BERT. Εκπαιδεύθηκαν ώστε να προβλέπουν τη διαγραφή προτάσεων για την απλοποίηση κειμένου ως ολότητας και παρήγαγαν σχεδόν τα ίδια αποτελέσματα (μοντέλο SVM: P/R/F 70,71/70,88/70,78, μοντέλο BERT: P/R/F 70,38/70,07/70,20). Από αυτές τις προβλέψεις προέκυψαν δύο σύνολα απλοποιημένων κειμένων. Για την αξιολόγηση της απόδοσης των εν λόγω μοντέλων απλοποίησης μέσω διαγραφής προτάσεων, αναπτύχθηκαν 6 μοντέλα baseline καθώς και ένα μοντέλο oracle και ως σύνολο κειμένων αναφοράς χρησιμοποιήθηκε το αντίστοιχο σύνολο απλοποιημένων κειμένων από το «D-Wikipedia». Τα αποτελέσματα απέδειξαν την υπεροχή του συστήματος απλοποίησης που βασίστηκε στο BERT ως προς τη μετρική D-SARI (25,64 έναντι 21,21 του SVM). Επιπλέον, η απόδοση του μοντέλου oracle επιβεβαίωσε την εγκυρότητα της προσέγγισης και επαλήθευσε την ερευνητική υπόθεση. Επισημάνθηκε επίσης ότι οι υφιστάμενες μετρικές αξιολόγησης συστημάτων απλοποίησης κειμένου ως ολότητας παρουσιάζουν σημαντικούς περιορισμούς.","abstract_html":"Η απλοποίηση κειμένου αναγνωρίζεται ευρέως ως μια πολύτιμη τεχνική για την ενίσχυση της διάχυσης της γνώσης και της προσβασιμότητας της πληροφορίας. Μέσω της εξάλειψης της γλωσσικής πολυπλοκότητας σε ένα κείμενο, δίνεται στους αναγνώστες η δυνατότητα να κατανοήσουν καλύτερα το περιεχόμενό του. Παρά τις σημαντικές ερευνητικές προσπάθειες στην περιοχή της αυτόματης απλοποίησης κειμένου, η απλοποίηση κειμένου ως ολότητας αποτελεί ένα νέο πεδίο στον τομέα thw Επεξεργασίας Φυσικής Γλώσσας (NLP) που δεν έχει εξεταστεί επαρκώς. Η παρούσα εργασία προσεγγίζει την αυτόματη απλοποίηση κειμένου ως ολότητας με βάση τη διαγραφή προτάσεων. Η προτεινόμενη μέθοδος υλοποιεί αντιστοιχίσεις προτάσεων μεταξύ ζευγαριών συγκρίσιμων κειμένων (πρωτότυπο-απλοποιημένο κείμενο), για την αυτόματη μοντελοποίηση των τεχνικών απλοποίησης που έχουν προταθεί για κλίμακα κειμένου, συμπεριλαμβανομένης της διαγραφής προτάσεων, της προσθήκης προτάσεων, της συγχώνευσης προτάσεων, της διαίρεσης προτάσεων και της παράφρασης. Αναπτύχθηκαν συνολικά 8 μοντέλα αντιστοίχισης με χρήση Sentence Transformers Εmbeddings, εκ των οποίων το all-mpnet-base-v2 σε συνδυασμό με τον αλγόριθμο Itermax πέτυχε την βέλτιστη επίδοση στην πλειονότητα των κατηγοριών. Αξιοσημείωτο είναι ότι η διαγραφή αναδείχθηκε ως η πλέον κυρίαρχη κατηγορία, επιστρέφοντας τα πιο υψηλά σκορ αντιστοίχισης (micro P/R/F 90,0/82,62/86,15, macro P/R/F 87,33/81,21/84,16 και weighted macro P/R/F 92,58/82,62/87,32). Στη συνέχεια, το καλύτερο μοντέλο αντιστοίχισης εφαρμόστηκε σε ένα υποσύνολο του συνόλου δεδομένων «D-Wikipedia» για την αυτόματη δημιουργία ενός νέου μεγάλης κλίμακας συνόλου δεδομένων, το οποίο και χρησιμοποιήθηκε για την εκπαίδευση, παραμετροποίηση και αξιολόγηση 2 μοντέλων δυαδικής ταξινόμησης (binary classifier): το ένα αναπτύχθηκε με βάση τον αλγόριθμό SVM και το δεύτερο με βάση το BERT. Εκπαιδεύθηκαν ώστε να προβλέπουν τη διαγραφή προτάσεων για την απλοποίηση κειμένου ως ολότητας και παρήγαγαν σχεδόν τα ίδια αποτελέσματα (μοντέλο SVM: P/R/F 70,71/70,88/70,78, μοντέλο BERT: P/R/F 70,38/70,07/70,20). Από αυτές τις προβλέψεις προέκυψαν δύο σύνολα απλοποιημένων κειμένων. Για την αξιολόγηση της απόδοσης των εν λόγω μοντέλων απλοποίησης μέσω διαγραφής προτάσεων, αναπτύχθηκαν 6 μοντέλα baseline καθώς και ένα μοντέλο oracle και ως σύνολο κειμένων αναφοράς χρησιμοποιήθηκε το αντίστοιχο σύνολο απλοποιημένων κειμένων από το «D-Wikipedia». Τα αποτελέσματα απέδειξαν την υπεροχή του συστήματος απλοποίησης που βασίστηκε στο BERT ως προς τη μετρική D-SARI (25,64 έναντι 21,21 του SVM). Επιπλέον, η απόδοση του μοντέλου oracle επιβεβαίωσε την εγκυρότητα της προσέγγισης και επαλήθευσε την ερευνητική υπόθεση. Επισημάνθηκε επίσης ότι οι υφιστάμενες μετρικές αξιολόγησης συστημάτων απλοποίησης κειμένου ως ολότητας παρουσιάζουν σημαντικούς περιορισμούς.","abstract_has_math":false,"creators":["Κοντοέ Δήμητρα","Kontoe Dimitra"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:00Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338660"],"render_values":[{"text":"uoadl:3338660","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338660","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338660","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3338660","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κοντοέ Δήμητρα","Kontoe Dimitra"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338660","https://pergamos.lib.uoa.gr/uoa/dl/object/3338660"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η απλοποίηση κειμένου αναγνωρίζεται ευρέως ως μια πολύτιμη τεχνική για την ενίσχυση της διάχυσης της γνώσης και της προσβασιμότητας της πληροφορίας. Μέσω της εξάλειψης της γλωσσικής πολυπλοκότητας σε ένα κείμενο, δίνεται στους αναγνώστες η δυνατότητα να κατανοήσουν καλύτερα το περιεχόμενό του. Παρά τις σημαντικές ερευνητικές προσπάθειες στην περιοχή της αυτόματης απλοποίησης κειμένου, η απλοποίηση κειμένου ως ολότητας αποτελεί ένα νέο πεδίο στον τομέα thw Επεξεργασίας Φυσικής Γλώσσας (NLP) που δεν έχει εξεταστεί επαρκώς. Η παρούσα εργασία προσεγγίζει την αυτόματη απλοποίηση κειμένου ως ολότητας με βάση τη διαγραφή προτάσεων. Η προτεινόμενη μέθοδος υλοποιεί αντιστοιχίσεις προτάσεων μεταξύ ζευγαριών συγκρίσιμων κειμένων (πρωτότυπο-απλοποιημένο κείμενο), για την αυτόματη μοντελοποίηση των τεχνικών απλοποίησης που έχουν προταθεί για κλίμακα κειμένου, συμπεριλαμβανομένης της διαγραφής προτάσεων, της προσθήκης προτάσεων, της συγχώνευσης προτάσεων, της διαίρεσης προτάσεων και της παράφρασης. Αναπτύχθηκαν συνολικά 8 μοντέλα αντιστοίχισης με χρήση Sentence Transformers Εmbeddings, εκ των οποίων το all-mpnet-base-v2 σε συνδυασμό με τον αλγόριθμο Itermax πέτυχε την βέλτιστη επίδοση στην πλειονότητα των κατηγοριών. Αξιοσημείωτο είναι ότι η διαγραφή αναδείχθηκε ως η πλέον κυρίαρχη κατηγορία, επιστρέφοντας τα πιο υψηλά σκορ αντιστοίχισης (micro P/R/F 90,0/82,62/86,15, macro P/R/F 87,33/81,21/84,16 και weighted macro P/R/F 92,58/82,62/87,32). Στη συνέχεια, το καλύτερο μοντέλο αντιστοίχισης εφαρμόστηκε σε ένα υποσύνολο του συνόλου δεδομένων «D-Wikipedia» για την αυτόματη δημιουργία ενός νέου μεγάλης κλίμακας συνόλου δεδομένων, το οποίο και χρησιμοποιήθηκε για την εκπαίδευση, παραμετροποίηση και αξιολόγηση 2 μοντέλων δυαδικής ταξινόμησης (binary classifier): το ένα αναπτύχθηκε με βάση τον αλγόριθμό SVM και το δεύτερο με βάση το BERT. Εκπαιδεύθηκαν ώστε να προβλέπουν τη διαγραφή προτάσεων για την απλοποίηση κειμένου ως ολότητας και παρήγαγαν σχεδόν τα ίδια αποτελέσματα (μοντέλο SVM: P/R/F 70,71/70,88/70,78, μοντέλο BERT: P/R/F 70,38/70,07/70,20). Από αυτές τις προβλέψεις προέκυψαν δύο σύνολα απλοποιημένων κειμένων. Για την αξιολόγηση της απόδοσης των εν λόγω μοντέλων απλοποίησης μέσω διαγραφής προτάσεων, αναπτύχθηκαν 6 μοντέλα baseline καθώς και ένα μοντέλο oracle και ως σύνολο κειμένων αναφοράς χρησιμοποιήθηκε το αντίστοιχο σύνολο απλοποιημένων κειμένων από το «D-Wikipedia». Τα αποτελέσματα απέδειξαν την υπεροχή του συστήματος απλοποίησης που βασίστηκε στο BERT ως προς τη μετρική D-SARI (25,64 έναντι 21,21 του SVM). Επιπλέον, η απόδοση του μοντέλου oracle επιβεβαίωσε την εγκυρότητα της προσέγγισης και επαλήθευσε την ερευνητική υπόθεση. Επισημάνθηκε επίσης ότι οι υφιστάμενες μετρικές αξιολόγησης συστημάτων απλοποίησης κειμένου ως ολότητας παρουσιάζουν σημαντικούς περιορισμούς.","Text simplification is widely recognized as a valuable technique for improving knowledge dissemination and enhancing information accessibility. By reducing the linguistic complexity of a text, it enables lay readers to better understand the content. While significant research efforts in NLP have been dedicated to automatic simplification methods, document-level text simplification (ADTS) remains a relatively new and underexplored area. This thesis addresses the task of ADTS by introducing a sentence deletion-driven approach. The proposed method aligns sentences between comparable source-simplified text pairs, revealing the transformation operations involved in simplifying a text, including sentence deletion, insertion, merging, splitting, and paraphrasing. A set of eight aligners utilizing Sentence Transformers embeddings were developed, among which \"all-mpnet-base-v2 with Itermax\" achieved the highest evaluation results in most of the operation categories. Notably, deletion emerged as the most prevalent and effectively captured operation, with micro P/R/F scores of 90.0/ 82.62/ 86.15, macro P/R/F scores of 87.33/ 81.21/ 84.16, and weighted macro P/R/F scores of 92.58/82.62/87.32. Subsequently, the aligner was utilized on a subset of the \"D-Wikipedia\" dataset to automatically generate a large-scale corpus, which served as training data for 2 binary classifiers: an SVM-based model and a BERT-based model. They were trained to predict sentence deletions for ADTS and achieved almost identical results (SVM-based: P/R/F 70.71/70.88/70.78, BERT-based: P/R/F 70.38/70.07/70.20). Derived from these predictions two sets of simplified texts was generated. For the assessment of these deletion-dependent simplifiers’ performance, 6 baselines were established alongside an oracle model, and the corresponding set of simplified texts from the \"D-Wikipedia\" dataset was used as the reference set. The findings indicated the superiority of the BERT-based simplifier over the SVM-based counterpart in terms of D-SARI (25.64 compared to 21.21). Furthermore, the performance of the oracle model affirmed the effectiveness of the deletion based ADTS approach. It was also highlighted that existing measures lack adequacy in comprehensively evaluating ADTS systems."]},{"key":"dc:title","label":"Title","values":["Document-Level Text Simplification"]}]}],"canonical_facts":{"dc:creator":["Κοντοέ Δήμητρα","Kontoe Dimitra"],"dc:date":["2023"],"dc:description":["Η απλοποίηση κειμένου αναγνωρίζεται ευρέως ως μια πολύτιμη τεχνική για την ενίσχυση της διάχυσης της γνώσης και της προσβασιμότητας της πληροφορίας. Μέσω της εξάλειψης της γλωσσικής πολυπλοκότητας σε ένα κείμενο, δίνεται στους αναγνώστες η δυνατότητα να κατανοήσουν καλύτερα το περιεχόμενό του. Παρά τις σημαντικές ερευνητικές προσπάθειες στην περιοχή της αυτόματης απλοποίησης κειμένου, η απλοποίηση κειμένου ως ολότητας αποτελεί ένα νέο πεδίο στον τομέα thw Επεξεργασίας Φυσικής Γλώσσας (NLP) που δεν έχει εξεταστεί επαρκώς. Η παρούσα εργασία προσεγγίζει την αυτόματη απλοποίηση κειμένου ως ολότητας με βάση τη διαγραφή προτάσεων. Η προτεινόμενη μέθοδος υλοποιεί αντιστοιχίσεις προτάσεων μεταξύ ζευγαριών συγκρίσιμων κειμένων (πρωτότυπο-απλοποιημένο κείμενο), για την αυτόματη μοντελοποίηση των τεχνικών απλοποίησης που έχουν προταθεί για κλίμακα κειμένου, συμπεριλαμβανομένης της διαγραφής προτάσεων, της προσθήκης προτάσεων, της συγχώνευσης προτάσεων, της διαίρεσης προτάσεων και της παράφρασης. Αναπτύχθηκαν συνολικά 8 μοντέλα αντιστοίχισης με χρήση Sentence Transformers Εmbeddings, εκ των οποίων το all-mpnet-base-v2 σε συνδυασμό με τον αλγόριθμο Itermax πέτυχε την βέλτιστη επίδοση στην πλειονότητα των κατηγοριών. Αξιοσημείωτο είναι ότι η διαγραφή αναδείχθηκε ως η πλέον κυρίαρχη κατηγορία, επιστρέφοντας τα πιο υψηλά σκορ αντιστοίχισης (micro P/R/F 90,0/82,62/86,15, macro P/R/F 87,33/81,21/84,16 και weighted macro P/R/F 92,58/82,62/87,32). Στη συνέχεια, το καλύτερο μοντέλο αντιστοίχισης εφαρμόστηκε σε ένα υποσύνολο του συνόλου δεδομένων «D-Wikipedia» για την αυτόματη δημιουργία ενός νέου μεγάλης κλίμακας συνόλου δεδομένων, το οποίο και χρησιμοποιήθηκε για την εκπαίδευση, παραμετροποίηση και αξιολόγηση 2 μοντέλων δυαδικής ταξινόμησης (binary classifier): το ένα αναπτύχθηκε με βάση τον αλγόριθμό SVM και το δεύτερο με βάση το BERT. Εκπαιδεύθηκαν ώστε να προβλέπουν τη διαγραφή προτάσεων για την απλοποίηση κειμένου ως ολότητας και παρήγαγαν σχεδόν τα ίδια αποτελέσματα (μοντέλο SVM: P/R/F 70,71/70,88/70,78, μοντέλο BERT: P/R/F 70,38/70,07/70,20). Από αυτές τις προβλέψεις προέκυψαν δύο σύνολα απλοποιημένων κειμένων. Για την αξιολόγηση της απόδοσης των εν λόγω μοντέλων απλοποίησης μέσω διαγραφής προτάσεων, αναπτύχθηκαν 6 μοντέλα baseline καθώς και ένα μοντέλο oracle και ως σύνολο κειμένων αναφοράς χρησιμοποιήθηκε το αντίστοιχο σύνολο απλοποιημένων κειμένων από το «D-Wikipedia». Τα αποτελέσματα απέδειξαν την υπεροχή του συστήματος απλοποίησης που βασίστηκε στο BERT ως προς τη μετρική D-SARI (25,64 έναντι 21,21 του SVM). Επιπλέον, η απόδοση του μοντέλου oracle επιβεβαίωσε την εγκυρότητα της προσέγγισης και επαλήθευσε την ερευνητική υπόθεση. Επισημάνθηκε επίσης ότι οι υφιστάμενες μετρικές αξιολόγησης συστημάτων απλοποίησης κειμένου ως ολότητας παρουσιάζουν σημαντικούς περιορισμούς.","Text simplification is widely recognized as a valuable technique for improving knowledge dissemination and enhancing information accessibility. By reducing the linguistic complexity of a text, it enables lay readers to better understand the content. While significant research efforts in NLP have been dedicated to automatic simplification methods, document-level text simplification (ADTS) remains a relatively new and underexplored area. This thesis addresses the task of ADTS by introducing a sentence deletion-driven approach. The proposed method aligns sentences between comparable source-simplified text pairs, revealing the transformation operations involved in simplifying a text, including sentence deletion, insertion, merging, splitting, and paraphrasing. A set of eight aligners utilizing Sentence Transformers embeddings were developed, among which \"all-mpnet-base-v2 with Itermax\" achieved the highest evaluation results in most of the operation categories. Notably, deletion emerged as the most prevalent and effectively captured operation, with micro P/R/F scores of 90.0/ 82.62/ 86.15, macro P/R/F scores of 87.33/ 81.21/ 84.16, and weighted macro P/R/F scores of 92.58/82.62/87.32. Subsequently, the aligner was utilized on a subset of the \"D-Wikipedia\" dataset to automatically generate a large-scale corpus, which served as training data for 2 binary classifiers: an SVM-based model and a BERT-based model. They were trained to predict sentence deletions for ADTS and achieved almost identical results (SVM-based: P/R/F 70.71/70.88/70.78, BERT-based: P/R/F 70.38/70.07/70.20). Derived from these predictions two sets of simplified texts was generated. For the assessment of these deletion-dependent simplifiers’ performance, 6 baselines were established alongside an oracle model, and the corresponding set of simplified texts from the \"D-Wikipedia\" dataset was used as the reference set. The findings indicated the superiority of the BERT-based simplifier over the SVM-based counterpart in terms of D-SARI (25.64 compared to 21.21). Furthermore, the performance of the oracle model affirmed the effectiveness of the deletion based ADTS approach. It was also highlighted that existing measures lack adequacy in comprehensively evaluating ADTS systems."],"dc:identifier":["uoadl:3338660","https://pergamos.lib.uoa.gr/uoa/dl/object/3338660"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Document-Level Text Simplification"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:00Z"}