自然言語処理において、大規模な要約データセットには通常クエリが含まれておらず、クエリ指向要約（Query-Focused Summarization, QFS）タスクへの適用が制限されている。この問題に対し、カナダのレスブリッジ大学のYllias Chali氏とDeen Abdullah氏は、クエリなしデータセットから自動的に証拠ベースのクエリキーワードを生成するモデルを提案した。
本研究では二つの研究課題に取り組む：クエリなしデータセットから証拠に基づくクエリキーワードを自動生成できるか？そして、証拠ベースのクエリ生成がQFSタスクを支援するか？著者らは、文書と要約のペアから重要な証拠断片を抽出し、それに基づいてクエリを生成する枠組みを設計した。
内在的評価では、二つの既存QFSデータセットの元クエリと生成クエリの意味的類似度を比較した。外在的評価では、BERTやT5などの複数の事前学習モデルと最新のQFSモデルを用いて要約タスクを実行し、証拠クエリと元クエリで生成された要約の質を比較した。実験結果は、内在的類似度と外在的ROUGEスコアの両方で、証拠クエリが元クエリと競合する結果を示し、提案手法の有効性を実証した。さらに、異なるタイプのデータセットにおける証拠クエリの汎化能力も分析されている。
この研究は、既存のクエリなしデータセットを活用してQFSリソースを拡張する新たな道を開き、要約生成研究の進展に貢献する。論文は7ページ、1図から構成され、arXiv（番号2605.05392）で公開されている。今後の課題として、証拠抽出ステップの最適化や多言語への拡張が挙げられる。