대규모 언어 모델(LLM)을 사용한 회의록 요약은 여전히 오류가 발생하기 쉬우며, 환각, 누락 및 관련성 없는 내용이 포함되는 경우가 많습니다. 본 논문에서는 요약을 의미론적 강화 작업으로 재구성하는 모듈식 파이프라인인 FRAME을 제시합니다. FRAME은 중요한 사실을 추출하고 점수를 매기고, 주제별로 정리한 다음, 이를 사용하여 개요를 추상적 요약으로 강화합니다. 요약을 개인화하기 위해, 내용 선택 전에 모델이 9가지 질문에 답함으로써 추론 트레이스를 구축하는 Reason-out-loud 프로토콜인 SCOPE를 도입했습니다. 평가를 위해, 요약이 대상 독자에게 적합한지 평가하는 다차원, 참조 없는 평가 프레임워크인 P-MESA를 제안합니다. P-MESA는 오류 사례를 안정적으로 식별하여, 인간 주석에 대해 89% 이상의 균형 정확도를 달성하고 인간의 심각도 등급과 강력하게 일치합니다(r >= 0.70). QMSum 및 FAME에서 FRAME은 환각과 누락을 (MESA로 측정 시) 5점 만점에 2점 감소시키고, SCOPE는 프롬프트만 사용한 기본 모델보다 지식 적합성과 목표 정렬을 향상시킵니다. 본 연구 결과는 제어, 충실도 및 개인화를 개선하기 위해 요약을 재고할 것을 권장합니다.
