Automatic Text Summarization: A Review of Approaches, Challenges, and Future Directions

• Autores: Zayed, Sara; Ezzat, Mostafa; Hefny, Hesham A.
• Año de publicación: 2025
• Idioma: inglés
• Tipo de recurso: artículo
• Materia: Ciencias Informáticas; Automatic Text Summarization; Text Summarization; Taxonomy; Transformers; LLMs; resumen automático de texto; resumen de texto; taxonomía; transformadores
• Institución: Universidad Nacional de La Plata

Automatic text summarization (ATS) is a vital area in natural language processing focused on condensing lengthy documents into concise, meaningful summaries. Manual summarization remains time-consuming and costly, motivating extensive research into extractive, abstractive, and hybrid methods. This review provides a comprehensive survey of ATS, covering traditional techniques alongside recent breakthroughs fueled by machine learning, deep learning, and transformerbased architectures, including large language models (LLMs) such as GPT-4, Claude, Falcon, and MPT. We introduce a novel multi-dimensional taxonomy that integrates classical methods, emerging paradigms, domain-specific and multimodal approaches, and instruction-tuned LLMs. Our survey analyzes the strengths and limitations of each approach and discusses evaluation methodologies, incorporating both established metrics like ROUGE and BLEU and newer ones. We further address key challenges including factual consistency, prompt sensitivity, explainability, ethical considerations, and computational efficiency. By bridging traditional summarization techniques with cutting-edge LLMbased models, this paper highlights current limitations, emerging opportunities, and future directions aimed at developing robust, reliable, and scalable summarization systems for diverse realworld applications.
El resumen automático de texto (ATS) es un área vital del procesamiento del lenguaje natural, centrada en condensar documentos extensos en resúmenes concisos y significativos. El resumen manual sigue siendo lento y costoso, lo que motiva una amplia investigación sobre métodos extractivos, abstractos e híbridos. Esta revisión ofrece un estudio exhaustivo de los ATS, que abarca las técnicas tradicionales junto con los avances recientes impulsados por el aprendizaje automático, el aprendizaje profundo y las arquitecturas basadas en transformadores, incluyendo grandes modelos de lenguaje (LLM) como GPT-4, Claude, Falcon y MPT. Presentamos una novedosa taxonomía multidimensional que integra métodos clásicos, paradigmas emergentes, enfoques multimodales y específicos de cada dominio, y LLM optimizados para instrucciones. Nuestro estudio analiza las fortalezas y limitaciones de cada enfoque y analiza las metodologías de evaluación, incorporando tanto métricas consolidadas como ROUGE y BLEU como otras más recientes. Además, abordamos desafíos clave como la coherencia fáctica, la sensibilidad inmediata, la explicabilidad, las consideraciones éticas y la eficiencia computacional. Al combinar las técnicas de resumen tradicionales con modelos de vanguardia basados en LLM, este documento destaca las limitaciones actuales, las oportunidades emergentes y las direcciones futuras destinadas a desarrollar sistemas de resumen sólidos, confiables y escalables para diversas aplicaciones del mundo real.
Facultad de Informática