MultiBanAbs: Mehrdomänen-Bangla-Datensatz für abstrakte Textzusammenfassung

In einer wegweisenden Veröffentlichung haben Wissenschaftler einen umfangreichen Datensatz für die abstrakte Zusammenfassung von Bangla-Texten vorgestellt. Der neue Korpus umfasst mehr als 54.000 Artikel und deren Kurzfassungen, die aus einer Vielzahl von Quellen stammen – von Blogs wie Cinegolpo über Zeitungen wie Samakal und The Business Standard bis hin zu Social‑Media‑Inhalten.

Der Datensatz hebt sich dadurch hervor, dass er nicht auf einen einzigen Themenbereich beschränkt ist. Stattdessen deckt er mehrere Domänen ab, was die Entwicklung von Zusammenfassungssystemen ermöglicht, die sich flexibel an unterschiedliche Schreibstile und Themen anpassen können. Diese Vielseitigkeit macht ihn besonders wertvoll für die Praxis, wo Bangla‑Texte in unzähligen Formaten und Kontexten auftauchen.

Um die Leistungsfähigkeit des Korpus zu demonstrieren, wurden mehrere moderne Modelle evaluiert. Dazu gehören klassische LSTM‑Netze sowie neuere Transfer‑Learning‑Ansätze wie BanglaT5‑small und MTS‑small. Die Ergebnisse zeigen, dass die Modelle mit dem MultiBanAbs‑Datensatz signifikante Fortschritte erzielen und damit einen soliden Ausgangspunkt für zukünftige Forschung bieten.

Der neue Datensatz stellt somit ein wichtiges Benchmark‑Tool dar, das die Entwicklung robuster Zusammenfassungssysteme fördert und gleichzeitig die NLP‑Ressourcen für ressourcenarme Sprachen wie Bangla erweitert. Forscher und Entwickler können ihn nutzen, um ihre Modelle zu testen, zu vergleichen und weiter zu verbessern.