DIAL (Germany)

Elena Khasanova, Harsh Saini, Md Tahmid Rahman Laskar, Xue-Yong Fu, Cheng Chen, Shashi Bhushan Tn. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track. 2025.

Large language models (LLMs) have achieved impressive performance in text summarization, yet their performance often falls short when applied to specialized domains that differ from their original pre-training distribution.While fine-tuning can improve summarization quality, it typically relies on costly and scarce highquality labeled data.In this work, we explore continual pre-training as a scalable, selfsupervised approach to adapt LLMs for downstream summarization tasks, particularly in the context of noisy real-world conversation transcripts.We conduct extensive experiments using large-scale, unlabeled business conversation data to investigate whether continual pretraining enhances model capabilities in conversational summarization.Our results demonstrate that continual pre-training yields substantial gains in both in-domain and out-of-domain summarization benchmarks, while maintaining strong generalization and robustness.We also analyze the effects of data selection strategies, providing practical guidelines for applying continual pre-training in summarization-focused industrial applications.* Equal Contributions.Sorted by the Last Name. 1 We denote LLMs below 10B parameters as smaller LLMs.

L’IRD a engagé en 2017 un projet pilote destiné à identifier et analyser l’impact de ses recherches sur les sociétés des pays du Sud. La démarche retenue est fondée sur la réalisation d’études de cas ex post, c’est-à-dire « après les faits ».Les études sélectionnées pour ce projet sont représentatives des grands domaines scientifiques de l’IRD, avec pour problématique de fond le développement durable et pour démarche une recherc

La notion d’informalité a fait sa première apparition officielle en 1972 dans un rapport du Bureau international du travail (BIT). Mais il a fallu une longue phase de tâtonnement et de confusion aussi bien pour définir l’« informel » que pour trouver la méthode adéquate pour le mesurer et l’analyser. Les deux processus sont évidemment liés : d’une part, pour appréhender et étudier un phénomène, on a besoin d’en délimiter les contours ; d’autre part, pour aboutir à une définition opératoire, ...

Au centre des questions de développement, l’économie informelle est longtemps restée une terra incognita. Pourtant elle joue un rôle décisif dans les pays du Sud puisqu'elle constitue la principale source de revenu de la grande majorité des ménages, tout particulièrement les plus pauvres. En effet, une grande majorité des emplois s'exerce dans l'économie informelle dans ces pays. Etant donné les enjeux, la méthode des enquêtes 1-2-3 a permis de répondre à un double défi, statistique et économique : mesurer ce qui échappe à la mesure – l’économie informelle, et comprendre son fonctionnement et sa dynamique. Cette méthodologie a été développée puis consolidée par l’IRD à travers différents projets nationaux et régionaux lancés à partir du début des années 1990 et conduits en partenariat étroit avec les instituts nationaux de statistiques, en collaboration avec les centres de recherche et universités, des organismes régionaux, des agences et bailleurs de fonds. Cette étude retrace les travaux réalisés dans trois pays – Pérou, Madagascar et Vietnam. Elle relate la manière dont les résultats des recherches ont eu un impact dans les domaines social, économique, institutionnel, politique, académique ainsi qu’en matière de renforcement de capacités.

Using matched worker-firm data from three waves of the Vietnam Small and Medium Enterprises data, we examine whether workers are compensated with higher wages for working in vulnerable jobs and unfavourable working conditions. Wage equations indicate that there are no clear compensating mechanisms for working in poor conditions, for having an informal contract, and for having few financial benefits. Quantile regressions show that workers in the upper tail of the wage distribution are more likely to be penalized for working in adverse conditions. Employees recruited through official hiring channels with an informal contract earn less than employees hired through social networks. Upon estimating mean decompositions of wage gaps based on working conditions, we find that the gap is almost entirely explained by the conjunction of worker, job and firm characteristics in 2015, in contrast to the previous survey year of 2013.