An AI-Resilient Text Rendering Technique for Reading and Skimming Documents

读者之所以觉得文本难以消化，原因有很多。摘要可以解决其中一些问题，但也会引入其他问题，例如省略、歪曲或虚构信息，这些问题可能很难被读者注意到。解决这个问题的一种方法是改变原始文本的呈现方式，使重要信息更加突出。我们介绍了一种称为“语法保留文本显著性调节”（GP-TSM）的文本呈现方法，它有一种新颖的方法来确定哪些信息应该被降低重要性。具体而言，GP-TSM使用递归句子压缩方法来识别超出段落核心含义的连续细节层次，这些细节层次通过以逐渐浅但仍可读的灰色文本呈现单词的方式被降低重要性。在一项实验研究中（n=18），参与者更喜欢GP-TSM而不是现有的单词级文本呈现方法，并能更有效地回答GRE阅读理解问题。

论文旨在解决文本阅读中的困难，如信息过载和信息省略等问题。同时，也试图解决文本摘要方法带来的问题。

论文提出了一种文本渲染方法，即语法保留文本显著性调节（GP-TSM），通过递归句子压缩方法识别出文本核心含义以外的细节信息，并将其以逐渐浅色但仍可读的灰色文本呈现，以减弱这些信息的强度。

实验结果表明，与现有的单词级文本渲染方法相比，受试者更喜欢GP-TSM，并且能够更有效地回答GRE阅读理解问题。此外，该论文还提供了一个开源的数据集和代码。

近年来，文本摘要和渲染领域已有许多相关研究，如《TextRank: Bringing Order into Texts》和《A Neural Attention Model for Abstractive Sentence Summarization》等。