Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Language Models¶

会议: ACL 2026
arXiv: 2508.15396
代码: https://github.com/faerber-lab/AttributeCiteQuote
领域: 综述/NLP
关键词: 证据基础文本生成, 引用归因, LLM可信性, 评估框架, RAG

一句话总结¶

本文系统综述了 134 篇关于 LLM 证据基础文本生成的论文，首次提出统一分类学（归因方式 × 引用特征 × 任务），分析了 300 个评估指标并归纳为七大维度六种方法，为该碎片化领域提供了全景式参考框架。

研究背景与动机¶

领域现状：LLM 面临幻觉生成和知识局限等可信性挑战，越来越多研究关注"证据基础文本生成"——让 LLM 输出可追溯到支撑证据。但该领域高度碎片化：有的叫"引用"（citation, 75% 论文使用），有的叫"归因"（attribution, 62%），有的叫"引述"（quotation, 13%），且各自评估实践孤立。

现有痛点：(1) 缺乏统一术语和分类体系，研究者难以定位自己的工作；(2) 评估标准不一致——300 个指标但仅 2 个框架（ALCE、G-Eval）被多篇论文复用；(3) RAG 虽然流行但仅是七种相关方法之一，过度聚焦 RAG 会遗漏其他重要方法。

核心矛盾：快速增长的研究兴趣（2024 年论文数是 2023 年的 3.4 倍，75% 论文发表在 2023 年之后）vs. 缺乏统一视角来整合和比较不同方法。

本文目标：提供第一个专门针对 LLM 证据基础文本生成的系统性综述，建立统一分类学，分析评估实践，识别研究趋势和未来方向。

切入角度：采用 PRISMA 协议进行系统映射研究，从 805 篇去重论文中筛选出 134 篇相关论文，使用多面分类方法构建分类学。

核心 idea：将"引用"、"归因"和"引述"统一为"证据基础文本生成"范式，通过三维分类学和七维评估框架为碎片化领域提供系统化视角。

方法详解¶

整体框架¶

本文按 PRISMA 协议做系统映射研究：从 805 篇去重论文中筛出 134 篇相关工作，再用多面（faceted）分类方法逐篇编码。核心产物是一套三维独立分类学——把"归因方式（内容如何关联到证据）× 引用特征（证据以何种形态呈现）× 任务（应用场景）"三个正交维度组合起来，任何一篇证据基础文本生成工作都能被定位到这个立方体里；在此之上再叠加一层 LLM 集成方式（训练 vs. 提示）的横切视角，回答"模型用什么手段获得归因能力"。

关键设计¶

1. 归因方式：参数式 vs. 非参数式的二分再细分。 这一维刻画 LLM 把生成内容关联到支撑证据的根本路径，是分类学最核心的一面。参数式（25 篇）让证据进入模型权重，再细分为纯 LLM（直接利用既有能力，占参数式的 72%）、模型中心（改架构/改训练）、数据中心（策划/增强数据）三支；非参数式（126 篇）让证据停在权重之外，按检索发生的时机切成后检索（58%，RAG 为代表）、后生成（18%，先生成再回头找证据）、生成中（4%，模型动态判断当下是否需要检索）、上下文内（20%，用户直接把证据塞进 prompt）。这套三分法比此前简单的"RAG / 非 RAG"更精细，并直接暴露出领域的失衡：参数式整体被严重忽视，而生成中归因（如 Self-RAG）虽仅占 4%，却代表检索与生成更紧密耦合的前沿方向。

2. 引用特征：五个子面刻画证据的"长相"。 同样的证据可以有完全不同的呈现方式，本维用五个子面把它拆开——引用模态（文本 96%，图/表/视觉几乎空白）、证据级别（文档级 43%、段落级 40%、句子级 12%、token 级 2%）、引用样式（行内引用 62%，以及引用报告、段落展示、叙述性引用、高亮梯度、引述等）、可见性（最终回复 91% vs. 中间文本）、频率（多重引用 64% vs. 单一引用）。把这些子面并列后能一眼看出两个结构性空白：非文本模态严重未开发（仅 4%），而句子级/token 级这类细粒度证据虽占比小却增长最快，提示更精细的可追溯性正在成为趋势。

3. 任务：六类应用场景的版图。 第三维映射工作落在什么任务上，发现 QA 与接地文本生成是两大主导任务，摘要、事实验证居中，引用文本生成与相关工作生成属新兴任务。这一面的价值在于揭示评估范式的路径依赖：现有指标几乎都是围着 QA 长出来的，搬到新兴任务（如引用文本生成更需要对"为何选这条引用"的推理做评估）时未必适用。

此外，分类学叠加了一层 LLM 集成方式 的横切视角：训练（45% 论文，以监督微调改善归因行为为主，预训练较少）与提示（78% 论文，以零/少样本为主，并发展出 chain-of-citation、chain-of-quote、conflict-aware 等针对引用行为的专用提示策略），回答的是"模型靠什么手段获得归因能力"这一与上述三维正交的问题。

实验关键数据¶

文献分析/覆盖范围¶

评估指标体系¶

300 个指标按七大评估维度分类

评估维度	何时使用	主要方法	代表指标（复用次数）
归因 (Attribution)	无标注证据时	NLI 为主	Citation NLI P/R/F1 (33/33/16), Auto-AIS (11), FActScore (7)
引用 (Citation)	有标注证据时	检索为主	Citation Retrieval P/R/F1 (6/6/5), Citation Accuracy (2)
正确性 (Correctness)	始终需要	词汇重叠/NLI	Exact Match (12), BLEU-N (5), Claim Recall (17)
语言质量	模型被修改时	LLM-as-Judge	G-Eval Fluency (4), MAUVE (21), Perplexity (4)
保留度	后生成归因时	词汇重叠	Preservation-Levenshtein (3), F1-AP (2)
相关性	用户场景	LLM-as-Judge	G-Eval Relevance (3), RAGAS (2)
检索	非参数归因时	检索指标	P@k (4), R@k (4), MRR (3)

评估指导原则¶

维度类别	何时评估	说明
核心维度	归因或引用 + 正确性	始终应评估正确性；归因和引用根据证据可用性二选一
上下文维度	语言质量、保留度、相关性、检索	取决于任务设计和系统架构

关键发现¶

仅 2 个框架（ALCE、G-Eval）和 2 个基准被多篇论文复用，评估标准化严重不足
134 篇论文中识别出 19 个框架、11 个基准和 231 个数据集
文本在引用模态中占 96%，多模态证据几乎空白
参数式归因虽然对理解模型内部知识和数据溯源至关重要，但严重被忽视
人工评估在正确性维度仍占主导，反映了自动指标在捕捉语义错误方面的局限

亮点与洞察¶

将"引用"、"归因"和"引述"统一为"证据基础文本生成"是重要的概念贡献，消除了长期的术语混乱
七维评估指南（Table 1）为实践者提供了清晰的指标选择建议——核心维度 vs. 上下文维度的区分极为实用
参数式归因的三分法（纯 LLM / 模型中心 / 数据中心）比此前的二分法更精细
识别出生成中归因（in-generation）作为有前景但被低估的方向——仅占 4% 但代表了更紧密集成检索和生成的趋势
指出了引用行为可能存在类似人类作者的偏差，呼吁研究 LLM 引用推理的可解释性

局限与展望¶

单一搜索字符串可能遗漏部分相关研究（敏感性分析显示仅 4% 额外发现）
仅覆盖英文论文，可能低估非英语研究
人工筛选和分类不可避免引入一定主观性
四大未来方向：(1) 参数式和混合归因的深入研究；(2) 标准化评估框架（当前 300 指标仅 2 框架被复用）；(3) 可解释的引用推理——理解 LLM 为何选择特定来源；(4) 多模态证据支持——从 96% 文本向图表、表格、图像扩展

评分¶

新颖性: ⭐⭐⭐⭐ 首次对证据基础文本生成进行全面统一分类，三维分类学设计合理
实验充分度: ⭐⭐⭐⭐⭐ 134 篇论文、300 个指标、19 框架、231 数据集、11 基准的覆盖范围极全面
写作质量: ⭐⭐⭐⭐⭐ 结构清晰，多维度分析平衡，每节附有精炼的 "Takeaways" 总结
价值: ⭐⭐⭐⭐⭐ 对快速增长但碎片化领域的全景梳理，对研究者和实践者都有重要参考价值