Newest papers

When More Metadata Misleads: Probing Field-Level Grounding in LLM-Generated Museum Descriptions

Clemencia Siro, Laura Hollink A · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31193 · cited by 0 works (OpenAlex) · open-access PDF

French

La génération conditionnée par des métadonnées est souvent encadrée comme une tâche de données à texte dans laquelle les champs d'entrée supplémentaires devraient améliorer la mise à la terre. La génération de description du musée conteste cette hypothèse parce que les enregistrements de catalogue sont hétérogènes, partiellement visuels et inégalement documentés dans toutes les régions géographiques. Nous étudions comment la composition des métadonnées façonne la génération de descriptions d'artefacts à travers un cadre en deux phases. La phase 1 analyse la variation des métadonnées naturelles dans une grande collection de musée, où le nombre de champs, le type de champ, la disponibilité d'image et la co-variation du lieu sont hétérogènes. La phase 2 introduit des sondes de champ contrôl

Machine translation (Meta M2M100); the English original follows.

Abstract

Metadata-conditioned generation is often framed as a data-to-text task in which additional input fields should improve grounding. Museum description generation challenges this assumption because catalogue records are heterogeneous, partially visual, and unevenly documented across geographic regions. We study how metadata composition shapes the generation of artefact descriptions through a two-phase framework. Phase 1 analyses natural metadata variation in a large museum collection, where field count, field type, image availability, and Place co-vary. Phase 2 introduces controlled field probes that hold object identity fixed while varying metadata quantity, field type, and image access. Our results show that metadata quantity alone does not explain generation behaviour. Field type determines whether models ground, omit, or infer information, while images can both support visual grounding and increase unsupported interpretation. More broadly, our findings show that metadata-conditioned data-to-text evaluation should assess field- and claim-level support, rather than relying only on aggregate input coverage or reference similarity.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Metadata, Computer science, Field (mathematics), Information retrieval, Task (project management), Object (grammar)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange