BioASQ Participants Area

Task 13b: Test Results of Phase A+

The test results are presented in separate tables for each type of annotation. The "System Description" of each system is used.
The evaluation measures that are used in Task A+ are presented here .
Warning: For ideal answers, good ROUGE results do not always imply good manual scores.

Test batch 1

Exact Answers

	Yes/No				Factoid			List
System	Accuracy	F1 Yes	F1 No	Macro F1	Strict Acc.	Lenient Acc.	MRR	Mean Prec.	Recall	F-Measure
UniTor_0	0.9412	0.9565	0.9091	0.9328	0.3462	0.3462	0.3462	0.1536	0.2089	0.1720
UniTor_1	0.9412	0.9565	0.9091	0.9328	0.3077	0.3077	0.3077	0.1867	0.2824	0.2140
Only uses GPT-4o	0.9412	0.9565	0.9091	0.9328	0.1538	0.2308	0.1859	0.0651	0.0883	0.0699
NN_Persona_2	0.8824	0.9231	0.7500	0.8365	0.1923	0.2692	0.2308	0.1082	0.1766	0.1273
Baseline top 20	0.9412	0.9600	0.8889	0.9244	0.3846	0.4231	0.4038	0.2105	0.2425	0.2175
Using LLM alone	1.0000	1.0000	1.0000	1.0000	0.1923	0.2308	0.2115	0.1722	0.2423	0.1934
Baseline top 10	0.9412	0.9600	0.8889	0.9244	0.3462	0.3846	0.3654	0.2015	0.2575	0.2141
Using KG for list q	0.9412	0.9600	0.8889	0.9244	0.2308	0.4231	0.3090	0.0631	0.2223	0.0872
Main pipeline	0.9412	0.9600	0.8889	0.9244	0.2308	0.4231	0.3090	0.0421	0.1804	0.0634
bioinfo-0	0.7059	0.8276	-	0.4138	-	-	-	-	-	-
bioinfo-1	0.7059	0.8276	-	0.4138	-	-	-	-	-	-
bioinfo-2	0.7059	0.8276	-	0.4138	-	-	-	-	-	-
bioinfo-3	0.7059	0.8276	-	0.4138	-	-	-	-	-	-
bioinfo-4	0.7059	0.8276	-	0.4138	-	-	-	-	-	-
UniTor_2	0.8824	0.9167	0.8000	0.8583	0.3077	0.3462	0.3269	0.1156	0.1693	0.1307
UniTor_3	0.9412	0.9565	0.9091	0.9328	0.3077	0.3462	0.3269	0.1098	0.1732	0.1290
NN_Persona_1	0.8824	0.9231	0.7500	0.8365	0.2692	0.3077	0.2885	0.1002	0.1744	0.1183
NN_Persona_3	0.9412	0.9600	0.8889	0.9244	0.2692	0.3077	0.2885	0.0936	0.1647	0.1092
deepseek32b-me	0.2941	-	0.4545	0.2273	0.0769	0.0769	0.0769	0.2078	0.1751	0.1843
GPT4O	0.9412	0.9565	0.9091	0.9328	0.0385	0.0385	0.0385	0.1459	0.1551	0.1432
Fleming-1	0.9412	0.9565	0.9091	0.9328	0.2692	0.4231	0.3186	0.1268	0.1341	0.1296
Fleming-2	0.9412	0.9565	0.9091	0.9328	0.2692	0.4231	0.3186	0.1276	0.1758	0.1440
google_serach_&_LLM	0.7059	0.7368	0.6667	0.7018	0.1154	0.1154	0.1154	0.1479	0.1027	0.1179
DB_vector_&_LLM	0.4706	0.4000	0.5263	0.4632	0.1538	0.1538	0.1538	0.0815	0.0749	0.0777
IRIS_1	0.2941	-	0.4545	0.2273	-	-	-	-	-	-
IRIS_2	0.2941	-	0.4545	0.2273	-	-	-	-	-	-
UR-IW-1	1.0000	1.0000	1.0000	1.0000	0.2692	0.3462	0.3077	0.2070	0.3232	0.2411
UR-IW-3	0.9412	0.9565	0.9091	0.9328	0.2692	0.3462	0.3077	0.1685	0.2804	0.2004
UR-IW-5	0.8235	0.8696	0.7273	0.7984	0.3462	0.4231	0.3750	0.2164	0.3003	0.2395
bious2	1.0000	1.0000	1.0000	1.0000	0.1923	0.2308	0.2115	0.1310	0.1606	0.1411
IRIS_3	0.2941	-	0.4545	0.2273	-	-	-	-	-	-
bious3	1.0000	1.0000	1.0000	1.0000	0.2308	0.2308	0.2308	0.1377	0.1432	0.1398
bious4	1.0000	1.0000	1.0000	1.0000	0.1538	0.1923	0.1731	0.1479	0.1309	0.1380
bious5	1.0000	1.0000	1.0000	1.0000	0.1154	0.1154	0.1154	0.1839	0.1911	0.1787
IR1	0.8235	0.8571	0.7692	0.8132	0.3846	0.3846	0.3846	0.1754	0.1186	0.1306
Fleming-3	0.9412	0.9565	0.9091	0.9328	0.2692	0.4231	0.3186	0.1276	0.1758	0.1440
qa	0.2941	-	0.4545	0.2273	0.0385	0.0385	0.0385	0.0884	0.0797	0.0821
bious1	1.0000	1.0000	1.0000	1.0000	0.1923	0.1923	0.1923	0.1482	0.1838	0.1610
deepseek-r1:32b	1.0000	1.0000	1.0000	1.0000	0.0769	0.0769	0.0769	0.1153	0.1128	0.1067
config-1	0.8824	0.9231	0.7500	0.8365	0.3077	0.3077	0.3077	0.1787	0.1527	0.1623
config-2	0.9412	0.9565	0.9091	0.9328	0.3077	0.3462	0.3269	0.2200	0.1911	0.2018
config-3	1.0000	1.0000	1.0000	1.0000	0.3077	0.3462	0.3205	0.2172	0.2306	0.2215
config-4	0.9412	0.9565	0.9091	0.9328	0.3077	0.3462	0.3269	0.2145	0.2139	0.2112
config-5	0.8824	0.9167	0.8000	0.8583	0.3077	0.3462	0.3269	0.2338	0.2413	0.2338
mistral	0.8824	0.9167	0.8000	0.8583	0.3077	0.3462	0.3269	0.1544	0.1471	0.1460
UR-IW-2	1.0000	1.0000	1.0000	1.0000	0.3462	0.4231	0.3782	0.2290	0.3056	0.2567
UR-IW-4	1.0000	1.0000	1.0000	1.0000	0.2692	0.3077	0.2885	0.2134	0.2783	0.2357
dmiip2024	0.9412	0.9600	0.8889	0.9244	0.3846	0.3846	0.3846	0.2022	0.2174	0.2058
dmiip2024_1	0.8235	0.8800	0.6667	0.7733	0.3846	0.3846	0.3846	0.2362	0.2370	0.2330
deepseek-r1:14b	0.9412	0.9565	0.9091	0.9328	0.1154	0.1154	0.1154	0.1254	0.1150	0.1139
dmiip2024_2	0.9412	0.9600	0.8889	0.9244	0.4231	0.4615	0.4423	0.1927	0.2070	0.1911
deepseek-r1:8b	0.9412	0.9565	0.9091	0.9328	0.0769	0.0769	0.0769	0.1722	0.1833	0.1708
gpt 01 mini	1.0000	1.0000	1.0000	1.0000	0.0769	0.0769	0.0769	0.1153	0.1128	0.1067
dmiip2024_3	0.9412	0.9565	0.9091	0.9328	0.4231	0.5000	0.4551	0.1708	0.2876	0.2050
deepseek32b-full	0.2941	-	0.4545	0.2273	0.0769	0.0769	0.0769	0.1977	0.1773	0.1801
lasigeBioTM	1.0000	1.0000	1.0000	1.0000	0.1154	0.1154	0.1154	0.1138	0.1362	0.1203

Ideal Answers

	Automatic scores (Rouge - R)				Manual scores
System	R-2 (Rec)	R-2 (F1)	R-SU4 (Rec)	R-SU4 (F1)	Readability	Recall	Precision	Repetition
UniTor_0	0.2359	0.2088	0.2467	0.2133	-	-	-	-
UniTor_1	0.2254	0.1995	0.2339	0.2026	-	-	-	-
Only uses GPT-4o	0.1828	0.1061	0.2069	0.1114	-	-	-	-
NN_Persona_2	0.2239	0.0886	0.2505	0.0939	-	-	-	-
Baseline top 20	0.0273	0.0264	0.0295	0.0288	-	-	-	-
Using LLM alone	0.0158	0.0161	0.0183	0.0188	-	-	-	-
Baseline top 10	0.0286	0.0260	0.0279	0.0265	-	-	-	-
Using KG for list q	0.0343	0.0202	0.0369	0.0226	-	-	-	-
Main pipeline	0.0343	0.0202	0.0369	0.0226	-	-	-	-
bioinfo-0	0.1597	0.1298	0.1697	0.1298	-	-	-	-
bioinfo-1	0.3062	0.1243	0.3272	0.1251	-	-	-	-
bioinfo-2	0.2443	0.1114	0.2640	0.1122	-	-	-	-
bioinfo-3	0.2334	0.1053	0.2579	0.1071	-	-	-	-
bioinfo-4	0.2120	0.0923	0.2333	0.0990	-	-	-	-
UniTor_2	0.2087	0.1801	0.2237	0.1838	-	-	-	-
UniTor_3	0.2118	0.1963	0.2247	0.2006	-	-	-	-
NN_Persona_1	0.2378	0.1008	0.2762	0.1059	-	-	-	-
NN_Persona_3	0.2277	0.0892	0.2530	0.0930	-	-	-	-
deepseek32b-me	0.1719	0.0875	0.2013	0.0928	-	-	-	-
GPT4O	0.2072	0.0798	0.2290	0.0847	-	-	-	-
Fleming-1	0.2292	0.1004	0.2490	0.1027	-	-	-	-
Fleming-2	0.2292	0.1004	0.2490	0.1027	-	-	-	-
google_serach_&_LLM	0.1509	0.0557	0.1839	0.0658	-	-	-	-
DB_vector_&_LLM	0.1279	0.0442	0.1536	0.0533	-	-	-	-
IRIS_1	0.1459	0.1075	0.1633	0.1121	-	-	-	-
IRIS_2	0.1546	0.1052	0.1705	0.1078	-	-	-	-
UR-IW-1	0.2598	0.1286	0.2882	0.1329	-	-	-	-
UR-IW-3	0.2429	0.1259	0.2692	0.1278	-	-	-	-
UR-IW-5	0.2586	0.1549	0.2875	0.1599	-	-	-	-
bious2	0.1699	0.1212	0.1775	0.1215	-	-	-	-
IRIS_3	0.1604	0.0963	0.1706	0.1000	-	-	-	-
bious3	0.1707	0.1252	0.1827	0.1293	-	-	-	-
bious4	0.1720	0.1221	0.1784	0.1216	-	-	-	-
bious5	0.1816	0.1315	0.1921	0.1339	-	-	-	-
IR1	0.1779	0.1497	0.1832	0.1461	-	-	-	-
Fleming-3	0.2735	0.0740	0.3014	0.0787	-	-	-	-
qa	0.1330	0.0792	0.1566	0.0864	-	-	-	-
bious1	0.1911	0.1341	0.2007	0.1339	-	-	-	-
deepseek-r1:32b	0.1829	0.0818	0.2098	0.0898	-	-	-	-
config-1	0.2551	0.1323	0.2655	0.1323	-	-	-	-
config-2	0.2384	0.1188	0.2649	0.1249	-	-	-	-
config-3	0.2489	0.1273	0.2771	0.1337	-	-	-	-
config-4	0.2458	0.1203	0.2673	0.1226	-	-	-	-
config-5	0.2450	0.1240	0.2655	0.1261	-	-	-	-
mistral	0.2286	0.1513	0.2413	0.1524	-	-	-	-
UR-IW-2	0.1997	0.1073	0.2408	0.1214	-	-	-	-
UR-IW-4	0.2117	0.0930	0.2329	0.0957	-	-	-	-
dmiip2024	0.2295	0.1229	0.2584	0.1292	-	-	-	-
dmiip2024_1	0.2550	0.1464	0.2684	0.1465	-	-	-	-
deepseek-r1:14b	0.1881	0.0860	0.2126	0.0932	-	-	-	-
dmiip2024_2	0.1770	0.1639	0.1823	0.1667	-	-	-	-
deepseek-r1:8b	0.2062	0.0782	0.2317	0.0841	-	-	-	-
gpt 01 mini	0.1829	0.0818	0.2098	0.0898	-	-	-	-
dmiip2024_3	0.2052	0.1712	0.2141	0.1754	-	-	-	-
deepseek32b-full	0.1709	0.0909	0.1888	0.0897	-	-	-	-
lasigeBioTM	0.1712	0.1030	0.1850	0.1082	-	-	-	-

Test batch 2

Exact Answers

	Yes/No				Factoid			List
System	Accuracy	F1 Yes	F1 No	Macro F1	Strict Acc.	Lenient Acc.	MRR	Mean Prec.	Recall	F-Measure
Only uses GPT-4o	0.5882	0.5882	0.5882	0.5882	0.1852	0.1852	0.1852	0.1997	0.2261	0.2093
NN_Persona_1	0.8235	0.8571	0.7692	0.8132	0.2222	0.2222	0.2222	0.1631	0.3269	0.1939
NN_Persona_2	0.7647	0.8000	0.7143	0.7571	0.3333	0.3704	0.3519	0.2033	0.3182	0.2303
NN_Persona_3	0.8235	0.8571	0.7692	0.8132	0.2963	0.4074	0.3519	0.1892	0.2919	0.2173
Fleming-1	0.9412	0.9524	0.9231	0.9377	0.2222	0.3704	0.2790	0.1934	0.3238	0.2242
UniTor_0	0.8235	0.8571	0.7692	0.8132	0.4444	0.4444	0.4444	0.2765	0.5081	0.3296
UniTor_1	0.8235	0.8571	0.7692	0.8132	0.4444	0.4444	0.4444	0.2765	0.5081	0.3296
UniTor_2	0.7059	0.7619	0.6154	0.6886	0.3704	0.3704	0.3704	0.2648	0.4433	0.3017
UniTor_3	0.7059	0.7619	0.6154	0.6886	0.3704	0.3704	0.3704	0.2648	0.4433	0.3017
Baseline top 20	0.9412	0.9565	0.9091	0.9328	0.4444	0.4815	0.4630	0.3785	0.4357	0.3880
Main pipeline	0.9412	0.9565	0.9091	0.9328	0.3333	0.4074	0.3642	0.1814	0.4753	0.2238
Using LLM alone	0.5294	0.5556	0.5000	0.5278	0.2593	0.2593	0.2593	0.2013	0.3050	0.2288
Baseline top 10	0.9412	0.9565	0.9091	0.9328	0.4074	0.4815	0.4383	0.3609	0.4378	0.3748
Using KG for list q	0.9412	0.9565	0.9091	0.9328	0.3333	0.4074	0.3642	0.1937	0.5016	0.2412
UR-IW-1	0.9412	0.9565	0.9091	0.9328	0.4074	0.4815	0.4383	0.2307	0.3536	0.2682
UR-IW-2	0.8824	0.9091	0.8333	0.8712	0.4815	0.5185	0.5000	0.3449	0.4626	0.3805
UR-IW-3	0.8824	0.9000	0.8571	0.8786	0.3704	0.4444	0.3920	0.1696	0.3213	0.2118
UR-IW-4	0.7059	0.7368	0.6667	0.7018	0.5185	0.5556	0.5370	0.2859	0.3652	0.3023
NN_Baseline	0.7647	0.8000	0.7143	0.7571	0.2963	0.2963	0.2963	0.1964	0.3080	0.2259
bioinfo-1	0.6471	0.7857	-	0.3929	-	-	-	-	-	-
bioinfo-2	0.6471	0.7857	-	0.3929	-	-	-	-	-	-
bioinfo-3	0.6471	0.7857	-	0.3929	-	-	-	-	-	-
bioinfo-4	0.6471	0.7857	-	0.3929	-	-	-	-	-	-
bious3	0.7647	0.8182	0.6667	0.7424	0.3333	0.4444	0.3889	0.1386	0.1463	0.1355
Fleming-2	0.9412	0.9565	0.9091	0.9328	0.2222	0.3704	0.2790	0.1934	0.3238	0.2242
UR-IW-5	1.0000	1.0000	1.0000	1.0000	0.2963	0.3333	0.3086	0.1796	0.3432	0.2144
lasigeBioTM	0.4706	0.5263	0.4000	0.4632	0.2593	0.2593	0.2593	0.3684	0.1058	0.1598
dmiip2024	0.7647	0.8000	0.7143	0.7571	0.4815	0.5556	0.5185	0.2478	0.3686	0.2792
dmiip2024_2	0.9412	0.9524	0.9231	0.9377	0.4444	0.4444	0.4444	0.1987	0.4024	0.2559
dmiip2024_3	0.8824	0.9091	0.8333	0.8712	0.4074	0.4444	0.4259	0.3614	0.4018	0.3711
dmiip2024_4	0.8235	0.8696	0.7273	0.7984	0.5926	0.5926	0.5926	0.2900	0.4419	0.3333
dmiip2024_1	0.7647	0.8000	0.7143	0.7571	0.4815	0.4815	0.4815	0.2598	0.3598	0.2837
IR2	0.7059	0.7368	0.6667	0.7018	0.4444	0.4444	0.4444	0.1938	0.2155	0.1974
deepseek32b-me	0.8235	0.8800	0.6667	0.7733	0.2963	0.2963	0.2963	0.2199	0.3116	0.2390
mistral	0.8824	0.9091	0.8333	0.8712	0.4074	0.5185	0.4475	0.1986	0.3514	0.2330
gpt 01 mini	0.8235	0.8571	0.7692	0.8132	0.0741	0.1111	0.0926	0.1781	0.2299	0.1867
bious4	0.8824	0.9167	0.8000	0.8583	0.4444	0.4444	0.4444	0.2128	0.2759	0.2345
phaseB-5	0.9412	0.9524	0.9231	0.9377	0.3333	0.3333	0.3333	0.2395	0.2984	0.2574
phaseB-4	0.9412	0.9524	0.9231	0.9377	0.3333	0.3333	0.3333	0.2395	0.2984	0.2574
deepseek32b-f	0.8824	0.9091	0.8333	0.8712	0.2963	0.2963	0.2963	0.2458	0.3160	0.2675
bious2	0.7059	0.7368	0.6667	0.7018	0.2963	0.3333	0.3148	0.1635	0.2189	0.1829
bious1	0.8235	0.8571	0.7692	0.8132	0.3704	0.4074	0.3889	0.1868	0.2105	0.1956
bious5	0.7647	0.8182	0.6667	0.7424	0.3333	0.3704	0.3519	0.1792	0.2560	0.1933
deepseek-r1:14b	0.9412	0.9565	0.9091	0.9328	0.1481	0.1481	0.1481	0.1649	0.1750	0.1666
deepseek-r1:8b	0.8824	0.9091	0.8333	0.8712	0.1111	0.1111	0.1111	0.3358	0.3805	0.3422
deepseek-r1:32b	0.7647	0.8000	0.7143	0.7571	0.1111	0.1111	0.1111	0.3270	0.4234	0.3563
bioinfo-0	0.6471	0.7857	-	0.3929	-	-	-	-	-	-
GPT4O	0.8824	0.9091	0.8333	0.8712	0.1111	0.1111	0.1111	0.3358	0.3805	0.3422
deepseek32b-full	0.8824	0.9167	0.8000	0.8583	0.2963	0.2963	0.2963	0.3038	0.3072	0.2955

Ideal Answers

	Automatic scores (Rouge - R)				Manual scores
System	R-2 (Rec)	R-2 (F1)	R-SU4 (Rec)	R-SU4 (F1)	Readability	Recall	Precision	Repetition
Only uses GPT-4o	0.1925	0.1543	0.1995	0.1511	-	-	-	-
NN_Persona_1	0.2427	0.1081	0.2662	0.1092	-	-	-	-
NN_Persona_2	0.2262	0.1230	0.2458	0.1270	-	-	-	-
NN_Persona_3	0.2273	0.1163	0.2475	0.1186	-	-	-	-
Fleming-1	0.2978	0.1013	0.3207	0.1064	-	-	-	-
UniTor_0	0.2419	0.2177	0.2416	0.2100	-	-	-	-
UniTor_1	0.2408	0.2170	0.2395	0.2091	-	-	-	-
UniTor_2	0.2408	0.2204	0.2440	0.2117	-	-	-	-
UniTor_3	0.2345	0.2153	0.2377	0.2067	-	-	-	-
Baseline top 20	0.0400	0.0354	0.0422	0.0373	-	-	-	-
Main pipeline	0.0561	0.0372	0.0528	0.0342	-	-	-	-
Using LLM alone	0.0327	0.0287	0.0333	0.0293	-	-	-	-
Baseline top 10	0.0377	0.0319	0.0387	0.0323	-	-	-	-
Using KG for list q	0.0561	0.0372	0.0528	0.0342	-	-	-	-
UR-IW-1	0.2476	0.1405	0.2682	0.1425	-	-	-	-
UR-IW-2	0.2000	0.1425	0.2229	0.1448	-	-	-	-
UR-IW-3	0.2303	0.1439	0.2509	0.1443	-	-	-	-
UR-IW-4	0.2063	0.1267	0.2234	0.1253	-	-	-	-
NN_Baseline	0.2113	0.0949	0.2413	0.0998	-	-	-	-
bioinfo-1	0.1840	0.1163	0.2005	0.1169	-	-	-	-
bioinfo-2	0.2138	0.1186	0.2284	0.1173	-	-	-	-
bioinfo-3	0.2161	0.1133	0.2306	0.1129	-	-	-	-
bioinfo-4	0.2185	0.1063	0.2328	0.1080	-	-	-	-
bious3	0.1845	0.1635	0.1980	0.1640	-	-	-	-
Fleming-2	0.2370	0.1202	0.2605	0.1263	-	-	-	-
UR-IW-5	0.2140	0.1431	0.2242	0.1412	-	-	-	-
lasigeBioTM	0.1573	0.1311	0.1574	0.1261	-	-	-	-
dmiip2024	0.2253	0.2218	0.2241	0.2177	-	-	-	-
dmiip2024_2	0.1790	0.1848	0.1796	0.1802	-	-	-	-
dmiip2024_3	0.1644	0.1648	0.1623	0.1551	-	-	-	-
dmiip2024_4	0.1869	0.1961	0.1853	0.1871	-	-	-	-
dmiip2024_1	0.2157	0.2162	0.2268	0.2150	-	-	-	-
IR2	0.2356	0.2075	0.2390	0.2040	-	-	-	-
deepseek32b-me	0.1837	0.1071	0.1958	0.1083	-	-	-	-
mistral	0.1998	0.1244	0.2198	0.1275	-	-	-	-
gpt 01 mini	0.1324	0.1159	0.1462	0.1292	-	-	-	-
bious4	0.2017	0.1711	0.2103	0.1694	-	-	-	-
phaseB-5	0.2071	0.1191	0.2161	0.1194	-	-	-	-
phaseB-4	0.2071	0.1191	0.2161	0.1194	-	-	-	-
deepseek32b-f	0.2005	0.1088	0.2072	0.1073	-	-	-	-
bious2	0.1846	0.1618	0.1916	0.1578	-	-	-	-
bious1	0.2008	0.1701	0.2102	0.1672	-	-	-	-
bious5	0.1929	0.1682	0.1989	0.1634	-	-	-	-
deepseek-r1:14b	0.1717	0.0892	0.1850	0.0926	-	-	-	-
deepseek-r1:8b	0.2043	0.1087	0.2218	0.1114	-	-	-	-
deepseek-r1:32b	0.2272	0.1206	0.2389	0.1198	-	-	-	-
bioinfo-0	0.2515	0.2037	0.2564	0.1981	-	-	-	-
GPT4O	0.2043	0.1087	0.2218	0.1114	-	-	-	-
deepseek32b-full	0.1634	0.1004	0.1668	0.1007	-	-	-	-

Test batch 3

Exact Answers

	Yes/No				Factoid			List
System	Accuracy	F1 Yes	F1 No	Macro F1	Strict Acc.	Lenient Acc.	MRR	Mean Prec.	Recall	F-Measure
Only uses GPT-4o	0.7273	0.8125	0.5000	0.6563	0.3000	0.3500	0.3250	0.2371	0.2275	0.2216
IR2	0.9545	0.9697	0.9091	0.9394	0.1000	0.1000	0.1000	0.3189	0.3258	0.3220
IR3	0.8182	0.8889	0.5000	0.6944	0.3000	0.4000	0.3500	0.4231	0.4764	0.4313
IR4	0.7273	0.8333	0.2500	0.5417	0.2500	0.3000	0.2750	0.3527	0.3851	0.3632
NN_Persona_3	0.7727	0.8571	0.4444	0.6508	0.3500	0.4000	0.3750	0.2656	0.3878	0.2961
NN_Baseline	0.6364	0.7143	0.5000	0.6071	0.1000	0.2000	0.1500	0.3976	0.4472	0.4158
NN_Persona_1	0.8636	0.9091	0.7273	0.8182	0.1500	0.2000	0.1750	0.2441	0.3465	0.2746
NN_Persona_2	0.8636	0.9032	0.7692	0.8362	0.3500	0.4000	0.3750	0.2470	0.3624	0.2792
IR1	0.6818	0.7742	0.4615	0.6179	0.1500	0.1500	0.1500	0.3538	0.3447	0.3482
UR-IW-2	0.8182	0.8824	0.6000	0.7412	0.2500	0.2500	0.2500	0.3656	0.3969	0.3599
UR-IW-4	0.8636	0.9091	0.7273	0.8182	0.2000	0.2000	0.2000	0.2206	0.2896	0.2371
lasigeBioTM	0.4091	0.3810	0.4348	0.4079	0.0500	0.0500	0.0500	-	-	-
lasigeBioTM-onto-sm	0.5909	0.6667	0.4706	0.5686	-	-	-	0.0455	0.0227	0.0303
Fleming-1	0.7273	0.8125	0.5000	0.6563	0.2000	0.3500	0.2625	0.3182	0.4412	0.3565
Baseline top 10	0.8182	0.8824	0.6000	0.7412	0.1500	0.2500	0.2000	0.3872	0.4143	0.3964
Using LLM alone	0.6818	0.7879	0.3636	0.5758	0.3000	0.3500	0.3250	0.2023	0.2790	0.2263
Using KG for list q	0.8182	0.8824	0.6000	0.7412	0.2500	0.3500	0.3000	0.2924	0.4704	0.3256
Main pipeline	0.8182	0.8824	0.6000	0.7412	0.2500	0.3500	0.3000	0.2735	0.4359	0.2843
Baseline top 20	0.8636	0.9091	0.7273	0.8182	0.2000	0.2500	0.2250	0.3882	0.4355	0.4019
UniTor_0	0.7727	0.8485	0.5455	0.6970	0.2500	0.2500	0.2500	0.2588	0.3131	0.2752
UniTor_1	0.7727	0.8485	0.5455	0.6970	0.1500	0.1500	0.1500	0.2420	0.3056	0.2621
UniTor_2	0.8182	0.8750	0.6667	0.7708	0.2500	0.3000	0.2667	0.2008	0.2500	0.2176
UniTor_3	0.8182	0.8750	0.6667	0.7708	0.2000	0.2500	0.2167	0.1919	0.2595	0.2129
IR5	0.6364	0.7143	0.5000	0.6071	0.1500	0.1500	0.1500	0.2701	0.2689	0.2686
bious1	0.9091	0.9375	0.8333	0.8854	0.2000	0.2500	0.2250	0.3340	0.3389	0.3354
bious2	0.8182	0.8667	0.7143	0.7905	0.0500	0.0500	0.0500	0.4009	0.3943	0.3958
bious3	0.9091	0.9375	0.8333	0.8854	0.1500	0.1500	0.1500	0.3490	0.3699	0.3560
bious4	0.8182	0.8667	0.7143	0.7905	0.1000	0.1500	0.1250	0.3789	0.3965	0.3852
bious5	0.9091	0.9375	0.8333	0.8854	0.1000	0.1500	0.1250	0.3336	0.3336	0.3284
UR-IW-1	0.8636	0.9143	0.6667	0.7905	0.2000	0.4000	0.2875	0.3271	0.4040	0.3482
UR-IW-3	0.6818	0.7742	0.4615	0.6179	0.2000	0.5000	0.3100	0.3114	0.3777	0.3279
UR-IW-5	0.9091	0.9412	0.8000	0.8706	0.1000	0.3000	0.2000	0.3455	0.4111	0.3618
dmiip2024	0.8182	0.8824	0.6000	0.7412	0.2500	0.3500	0.2917	0.4304	0.4598	0.4384
dmiip2024_1	0.8182	0.8750	0.6667	0.7708	0.2500	0.2500	0.2500	0.4387	0.4598	0.4425
dmiip2024_2	0.8636	0.9091	0.7273	0.8182	0.1500	0.2000	0.1750	0.3004	0.4598	0.3488
dmiip2024_3	0.8182	0.8750	0.6667	0.7708	0.2000	0.3500	0.2750	0.4674	0.4446	0.4541
dmiip2024_4	0.9091	0.9444	0.7500	0.8472	0.2000	0.2000	0.2000	0.3933	0.4272	0.4060
lasigeBioTM-onto-bl	0.5909	0.6667	0.4706	0.5686	0.1000	0.1000	0.1000	0.0909	0.0341	0.0485
IRIS_1	0.2273	-	0.3704	0.1852	-	-	-	-	-	-
IRIS_2	0.2273	-	0.3704	0.1852	-	-	-	-	-	-
IRIS_3	0.2273	-	0.3704	0.1852	-	-	-	-	-	-
extractive	0.7273	0.8000	0.5714	0.6857	0.0500	0.2500	0.1417	0.2499	0.2788	0.2570
mistral	0.8636	0.9091	0.7273	0.8182	0.1000	0.3000	0.1917	0.3186	0.4141	0.3419
llama	0.8636	0.9091	0.7273	0.8182	0.1500	0.4000	0.2750	0.3252	0.3806	0.3369
abstractive	0.8636	0.9032	0.7692	0.8362	0.2500	0.3500	0.3000	0.0303	0.0455	0.0364
bioinfo-0	0.7727	0.8718	-	0.4359	-	-	-	-	-	-
bioinfo-1	0.7727	0.8718	-	0.4359	-	-	-	-	-	-
bioinfo-2	0.7727	0.8718	-	0.4359	-	-	-	-	-	-
bioinfo-3	0.7727	0.8718	-	0.4359	-	-	-	-	-	-
bioinfo-4	0.7727	0.8718	-	0.4359	-	-	-	-	-	-
dense	0.8636	0.9091	0.7273	0.8182	0.2000	0.3000	0.2500	0.3443	0.4255	0.3643
sp_lasigebiotm	0.2273	-	0.3704	0.1852	-	-	-	0.0455	0.0455	0.0455
GPT4O	0.7727	0.8571	0.4444	0.6508	0.1500	0.1500	0.1500	0.1504	0.1742	0.1580
Fleming-2	0.8636	0.9091	0.7273	0.8182	0.2500	0.4000	0.3125	0.3182	0.4412	0.3565
deepseek32b-me	0.7273	0.8000	0.5714	0.6857	0.2500	0.2500	0.2500	0.0876	0.1250	0.1000
deepseek-r1:14b	0.8182	0.8750	0.6667	0.7708	-	-	-	0.1167	0.1591	0.1323
deepseek32b-full	0.7273	0.8000	0.5714	0.6857	0.2500	0.2500	0.2500	0.1239	0.1477	0.1325
AQAMS	0.8182	0.8750	0.6667	0.7708	0.1500	0.2000	0.1750	0.3394	0.3586	0.3478

Ideal Answers

	Automatic scores (Rouge - R)				Manual scores
System	R-2 (Rec)	R-2 (F1)	R-SU4 (Rec)	R-SU4 (F1)	Readability	Recall	Precision	Repetition
Only uses GPT-4o	0.1679	0.1201	0.1987	0.1274	-	-	-	-
IR2	0.2228	0.1859	0.2283	0.1828	-	-	-	-
IR3	0.2511	0.2090	0.2591	0.2058	-	-	-	-
IR4	0.2385	0.2041	0.2469	0.2013	-	-	-	-
NN_Persona_3	0.2022	0.0829	0.2366	0.0876	-	-	-	-
NN_Baseline	0.1740	0.0780	0.2101	0.0872	-	-	-	-
NN_Persona_1	0.1916	0.0891	0.2224	0.0946	-	-	-	-
NN_Persona_2	0.1898	0.0944	0.2195	0.0996	-	-	-	-
IR1	0.1674	0.1562	0.1789	0.1553	-	-	-	-
UR-IW-2	0.1195	0.0842	0.1514	0.0959	-	-	-	-
UR-IW-4	0.1115	0.0768	0.1418	0.0903	-	-	-	-
lasigeBioTM	-	-	-	-	-	-	-	-
lasigeBioTM-onto-sm	-	-	-	-	-	-	-	-
Fleming-1	0.2421	0.0771	0.2794	0.0865	-	-	-	-
Baseline top 10	0.0401	0.0379	0.0425	0.0406	-	-	-	-
Using LLM alone	0.0260	0.0257	0.0288	0.0285	-	-	-	-
Using KG for list q	0.0453	0.0280	0.0519	0.0312	-	-	-	-
Main pipeline	0.0453	0.0280	0.0519	0.0312	-	-	-	-
Baseline top 20	0.0408	0.0397	0.0466	0.0450	-	-	-	-
UniTor_0	0.1799	0.1901	0.1860	0.1944	-	-	-	-
UniTor_1	0.1891	0.1980	0.1948	0.2026	-	-	-	-
UniTor_2	0.1857	0.2011	0.1947	0.2085	-	-	-	-
UniTor_3	0.1740	0.1908	0.1841	0.1970	-	-	-	-
IR5	0.1481	0.1376	0.1629	0.1424	-	-	-	-
bious1	0.2062	0.1547	0.2188	0.1544	-	-	-	-
bious2	0.1858	0.1474	0.2030	0.1509	-	-	-	-
bious3	0.1871	0.1432	0.2029	0.1469	-	-	-	-
bious4	0.1812	0.1440	0.1943	0.1465	-	-	-	-
bious5	0.1832	0.1403	0.2042	0.1479	-	-	-	-
UR-IW-1	0.2172	0.1152	0.2557	0.1229	-	-	-	-
UR-IW-3	0.2373	0.1323	0.2595	0.1353	-	-	-	-
UR-IW-5	0.2236	0.1722	0.2406	0.1740	-	-	-	-
dmiip2024	0.2118	0.2010	0.2165	0.2014	-	-	-	-
dmiip2024_1	0.2006	0.1874	0.2059	0.1871	-	-	-	-
dmiip2024_2	0.1982	0.1878	0.2173	0.1991	-	-	-	-
dmiip2024_3	0.1594	0.1606	0.1686	0.1640	-	-	-	-
dmiip2024_4	0.2067	0.1947	0.2093	0.1923	-	-	-	-
lasigeBioTM-onto-bl	-	-	-	-	-	-	-	-
IRIS_1	0.1478	0.1333	0.1668	0.1398	-	-	-	-
IRIS_2	0.1497	0.1180	0.1626	0.1201	-	-	-	-
IRIS_3	0.1468	0.1047	0.1607	0.1105	-	-	-	-
extractive	0.0424	0.0236	0.0501	0.0262	-	-	-	-
mistral	0.1835	0.1146	0.2033	0.1174	-	-	-	-
llama	0.1768	0.1143	0.1929	0.1137	-	-	-	-
abstractive	0.0434	0.0151	0.0528	0.0179	-	-	-	-
bioinfo-0	0.1834	0.1318	0.1923	0.1313	-	-	-	-
bioinfo-1	0.2263	0.1428	0.2403	0.1428	-	-	-	-
bioinfo-2	0.1858	0.1045	0.2155	0.1115	-	-	-	-
bioinfo-3	0.1930	0.1076	0.2177	0.1125	-	-	-	-
bioinfo-4	0.1883	0.0917	0.2114	0.0945	-	-	-	-
dense	0.1795	0.1073	0.2045	0.1134	-	-	-	-
sp_lasigebiotm	0.0847	0.0726	0.0912	0.0722	-	-	-	-
GPT4O	0.1058	0.0959	0.1263	0.1079	-	-	-	-
Fleming-2	0.2159	0.0927	0.2554	0.1009	-	-	-	-
deepseek32b-me	0.1513	0.1160	0.1744	0.1267	-	-	-	-
deepseek-r1:14b	0.0998	0.0906	0.1192	0.1030	-	-	-	-
deepseek32b-full	0.1527	0.1160	0.1792	0.1307	-	-	-	-
AQAMS	0.2135	0.0690	0.2516	0.0778	-	-	-	-

Test batch 4

Exact Answers

	Yes/No				Factoid			List
System	Accuracy	F1 Yes	F1 No	Macro F1	Strict Acc.	Lenient Acc.	MRR	Mean Prec.	Recall	F-Measure
IR1	0.8462	0.8889	0.7500	0.8194	0.4091	0.4091	0.4091	0.2781	0.2450	0.2544
UniTor_0	0.8462	0.8889	0.7500	0.8194	0.4545	0.4545	0.4545	0.2409	0.2687	0.2503
UniTor_1	0.8462	0.8889	0.7500	0.8194	0.4545	0.4545	0.4545	0.2356	0.3020	0.2498
UniTor_2	0.8846	0.9231	0.7692	0.8462	0.4091	0.4091	0.4091	0.2231	0.2828	0.2343
UniTor_3	0.8846	0.9231	0.7692	0.8462	0.4091	0.4091	0.4091	0.2433	0.2823	0.2532
simple truncation	0.8846	0.9231	0.7692	0.8462	0.2273	0.4091	0.2917	0.1347	0.2039	0.1552
Using KG for list q	0.8846	0.9189	0.8000	0.8595	0.3636	0.4545	0.3902	0.1579	0.3421	0.1987
Baseline top 20	0.8846	0.9189	0.8000	0.8595	0.4091	0.4545	0.4318	0.2991	0.3232	0.2977
Baseline top 10	0.8846	0.9189	0.8000	0.8595	0.4545	0.5455	0.5000	0.2764	0.3272	0.2904
Using LLM alone	0.8846	0.9143	0.8235	0.8689	0.4091	0.4091	0.4091	0.2601	0.3712	0.2959
Main pipeline	0.9231	0.9474	0.8571	0.9023	0.3636	0.4545	0.3902	0.1912	0.3656	0.2286
IR5	0.6923	0.7647	0.5556	0.6601	0.5000	0.5000	0.5000	0.2303	0.2187	0.2196
IR3	0.8846	0.9189	0.8000	0.8595	0.4091	0.4545	0.4318	0.3071	0.2890	0.2918
IR4	0.8462	0.8889	0.7500	0.8194	0.3636	0.3636	0.3636	0.2716	0.2414	0.2492
IR2	0.8077	0.8571	0.7059	0.7815	0.5000	0.5000	0.5000	0.3272	0.2573	0.2845
AQAMS	0.9231	0.9474	0.8571	0.9023	0.4091	0.4091	0.4091	0.2807	0.2897	0.2778
kmeans	0.6538	0.7097	0.5714	0.6406	0.0455	0.0455	0.0455	0.2171	0.2385	0.2082
similarity measures	0.8846	0.9189	0.8000	0.8595	0.3636	0.5000	0.4318	0.1892	0.2732	0.1943
deepseek32b-me	0.8077	0.8718	0.6154	0.7436	0.4545	0.4545	0.4545	0.3217	0.2929	0.3014
deepseek32b-full	0.7692	0.8421	0.5714	0.7068	0.4091	0.4091	0.4091	0.2775	0.2673	0.2670
bious2	0.7692	0.8235	0.6667	0.7451	0.2273	0.3182	0.2727	0.1922	0.2025	0.1922
bious3	0.7692	0.8235	0.6667	0.7451	0.4091	0.4545	0.4318	0.2704	0.2411	0.2420
bious4	0.7308	0.8000	0.5882	0.6941	0.3182	0.3636	0.3409	0.2376	0.2503	0.2402
bious5	0.7692	0.8235	0.6667	0.7451	0.3182	0.3182	0.3182	0.2194	0.2086	0.2008
dmiip2024	0.8846	0.9231	0.7692	0.8462	0.5000	0.5455	0.5227	0.2141	0.2748	0.2352
dmiip2024_1	0.9231	0.9444	0.8750	0.9097	0.4545	0.4545	0.4545	0.2316	0.2704	0.2453
dmiip2024_2	0.8462	0.8947	0.7143	0.8045	0.2727	0.2727	0.2727	0.1927	0.3011	0.2281
dmiip2024_4	0.8077	0.8780	0.5455	0.7118	0.4545	0.5000	0.4773	0.2737	0.2576	0.2604
Fleming-2	0.8846	0.9189	0.8000	0.8595	0.2273	0.4091	0.2818	0.1202	0.3068	0.1578
dmiip2024_3	0.8077	0.8718	0.6154	0.7436	0.5000	0.5909	0.5303	0.3246	0.2801	0.2919
Fleming-1	0.8846	0.9189	0.8000	0.8595	0.2273	0.4091	0.2803	0.2150	0.3364	0.2425
UR-IW-1	0.8462	0.8947	0.7143	0.8045	0.5000	0.5455	0.5152	0.1819	0.3429	0.2246
UR-IW-2	0.9231	0.9444	0.8750	0.9097	0.4545	0.4545	0.4545	0.1846	0.3349	0.2172
UR-IW-3	0.8462	0.8889	0.7500	0.8194	0.4545	0.4545	0.4545	0.2640	0.3114	0.2739
UR-IW-5	0.8462	0.9000	0.6667	0.7833	0.5455	0.5909	0.5606	0.2345	0.3680	0.2742
UR-IW-4	0.8077	0.8485	0.7368	0.7927	0.3636	0.4091	0.3788	0.2122	0.2936	0.2270
Fleming-3	0.7692	0.8421	0.5714	0.7068	0.2273	0.4091	0.2818	0.1202	0.3068	0.1578
extractive	0.9231	0.9444	0.8750	0.9097	0.4091	0.4545	0.4318	0.1820	0.2838	0.1879
abstractive	0.9231	0.9444	0.8750	0.9097	0.4091	0.4545	0.4318	0.1408	0.2707	0.1762
Only uses GPT-4o	0.8462	0.8824	0.7778	0.8301	0.4545	0.4545	0.4545	0.1954	0.2071	0.1933
NN_Persona_1	0.7692	0.8125	0.7000	0.7563	0.3182	0.4091	0.3636	0.2021	0.2824	0.2210
NN_Persona_2	0.8077	0.8485	0.7368	0.7927	0.3182	0.3636	0.3409	0.1299	0.1875	0.1426
NN_Persona_3	0.8077	0.8571	0.7059	0.7815	0.4091	0.5000	0.4295	0.1680	0.2399	0.1894
NN_Baseline	0.8462	0.8824	0.7778	0.8301	0.3636	0.3636	0.3636	0.2660	0.2845	0.2644
GPT4O	0.8077	0.8649	0.6667	0.7658	0.2273	0.3636	0.2955	0.2207	0.2639	0.2266
deepseek-r1:32b	0.9231	0.9474	0.8571	0.9023	0.2727	0.3636	0.3182	0.2395	0.2480	0.2264
deepseek-r1:14b	0.9231	0.9474	0.8571	0.9023	0.3182	0.3182	0.3182	0.2476	0.2401	0.2420
deepseek-r1:8b	0.8846	0.9189	0.8000	0.8595	0.3182	0.3182	0.3182	0.2566	0.2431	0.2458
Fleming-4	0.8846	0.9189	0.8000	0.8595	0.2273	0.4091	0.2780	0.2158	0.3364	0.2433
mistral	0.8462	0.8947	0.7143	0.8045	0.4545	0.4545	0.4545	0.2015	0.3501	0.2464
llama	0.8846	0.9231	0.7692	0.8462	0.4091	0.4091	0.4091	0.2439	0.3478	0.2742
sp_lasigebiotm	0.8077	0.8485	0.7368	0.7927	0.3182	0.3182	0.3182	0.1947	0.1076	0.1347
lasigeBioTM	0.8462	0.8824	0.7778	0.8301	0.3636	0.3636	0.3636	0.1482	0.1396	0.1363
lasigeBioTM-onto-bl	0.8077	0.8571	0.7059	0.7815	0.3636	0.3636	0.3636	0.1518	0.1265	0.1310
lasigeBioTM-onto-sm	0.7692	0.8125	0.7000	0.7563	0.2273	0.2273	0.2273	0.1228	0.0782	0.0892
bioinfo-0	0.7308	0.8444	-	0.4222	-	-	-	-	-	-
bioinfo-1	0.7308	0.8444	-	0.4222	-	-	-	-	-	-
deepseek32b-f	0.8462	0.8889	0.7500	0.8194	0.3636	0.3636	0.3636	0.2095	0.2543	0.2165
bioinfo-2	0.7308	0.8444	-	0.4222	-	-	-	-	-	-
bioinfo-3	0.7308	0.8444	-	0.4222	-	-	-	-	-	-
bioinfo-4	0.7308	0.8444	-	0.4222	-	-	-	-	-	-
bious1	0.8077	0.8485	0.7368	0.7927	0.4091	0.4091	0.4091	0.2036	0.2499	0.2150
Fleming-5	0.9231	0.9474	0.8571	0.9023	0.2273	0.4091	0.2780	0.2158	0.3364	0.2433
phaseB-5	0.8846	0.9189	0.8000	0.8595	0.3636	0.3636	0.3636	0.2263	0.2244	0.2210
gpt 01 mini	0.8077	0.8649	0.6667	0.7658	0.2273	0.2273	0.2273	0.2178	0.2476	0.2175
phaseB-4	0.9231	0.9474	0.8571	0.9023	0.3636	0.3636	0.3636	0.2549	0.2911	0.2652
3.PhaseB_System	0.7308	0.8444	-	0.4222	0.1364	0.1364	0.1364	-	-	-

Ideal Answers

	Automatic scores (Rouge - R)				Manual scores
System	R-2 (Rec)	R-2 (F1)	R-SU4 (Rec)	R-SU4 (F1)	Readability	Recall	Precision	Repetition
IR1	0.1432	0.1286	0.1491	0.1332	-	-	-	-
UniTor_0	0.1316	0.1356	0.1335	0.1412	-	-	-	-
UniTor_1	0.1346	0.1369	0.1327	0.1392	-	-	-	-
UniTor_2	0.1498	0.1503	0.1544	0.1576	-	-	-	-
UniTor_3	0.1527	0.1526	0.1582	0.1594	-	-	-	-
simple truncation	0.0342	0.0208	0.0411	0.0245	-	-	-	-
Using KG for list q	0.0262	0.0198	0.0327	0.0246	-	-	-	-
Baseline top 20	0.0145	0.0166	0.0204	0.0233	-	-	-	-
Baseline top 10	0.0180	0.0202	0.0230	0.0254	-	-	-	-
Using LLM alone	0.0123	0.0138	0.0162	0.0192	-	-	-	-
Main pipeline	0.0262	0.0198	0.0327	0.0246	-	-	-	-
IR5	0.1414	0.1209	0.1414	0.1202	-	-	-	-
IR3	0.1843	0.1492	0.1956	0.1553	-	-	-	-
IR4	0.1925	0.1598	0.2060	0.1665	-	-	-	-
IR2	0.1557	0.1403	0.1670	0.1467	-	-	-	-
AQAMS	0.1840	0.0616	0.2273	0.0763	-	-	-	-
kmeans	-	-	-	-	-	-	-	-
similarity measures	0.0296	0.0183	0.0375	0.0221	-	-	-	-
deepseek32b-me	0.1238	0.1359	0.1268	0.1393	-	-	-	-
deepseek32b-full	0.1121	0.1291	0.1142	0.1336	-	-	-	-
bious2	0.1388	0.1183	0.1490	0.1255	-	-	-	-
bious3	0.1433	0.1181	0.1538	0.1250	-	-	-	-
bious4	0.1499	0.1247	0.1607	0.1313	-	-	-	-
bious5	0.1472	0.1217	0.1606	0.1280	-	-	-	-
dmiip2024	0.1411	0.1268	0.1506	0.1338	-	-	-	-
dmiip2024_1	0.1447	0.1274	0.1582	0.1370	-	-	-	-
dmiip2024_2	0.1444	0.1483	0.1512	0.1522	-	-	-	-
dmiip2024_4	0.1500	0.1581	0.1530	0.1608	-	-	-	-
Fleming-2	0.1589	0.0501	0.2014	0.0617	-	-	-	-
dmiip2024_3	0.1433	0.1523	0.1411	0.1514	-	-	-	-
Fleming-1	0.2059	0.0639	0.2368	0.0737	-	-	-	-
UR-IW-1	0.1914	0.0895	0.2267	0.1015	-	-	-	-
UR-IW-2	0.1578	0.0917	0.1845	0.1014	-	-	-	-
UR-IW-3	0.1862	0.1000	0.2135	0.1103	-	-	-	-
UR-IW-5	0.1852	0.1125	0.2105	0.1231	-	-	-	-
UR-IW-4	0.1363	0.0817	0.1620	0.0910	-	-	-	-
Fleming-3	0.1615	0.0612	0.2059	0.0761	-	-	-	-
extractive	0.0288	0.0176	0.0372	0.0222	-	-	-	-
abstractive	0.0309	0.0188	0.0388	0.0230	-	-	-	-
Only uses GPT-4o	0.1921	0.0749	0.2279	0.0897	-	-	-	-
NN_Persona_1	0.1988	0.0581	0.2414	0.0698	-	-	-	-
NN_Persona_2	0.1937	0.0681	0.2332	0.0794	-	-	-	-
NN_Persona_3	0.2032	0.0581	0.2423	0.0702	-	-	-	-
NN_Baseline	0.1572	0.0627	0.1937	0.0775	-	-	-	-
GPT4O	0.0999	0.0945	0.1179	0.1101	-	-	-	-
deepseek-r1:32b	0.0844	0.0790	0.1042	0.0981	-	-	-	-
deepseek-r1:14b	0.1874	0.0937	0.2177	0.1073	-	-	-	-
deepseek-r1:8b	0.1882	0.0944	0.2182	0.1081	-	-	-	-
Fleming-4	0.1609	0.0572	0.1934	0.0693	-	-	-	-
mistral	0.1911	0.0922	0.2079	0.0965	-	-	-	-
llama	0.1371	0.0799	0.1602	0.0887	-	-	-	-
sp_lasigebiotm	0.1565	0.0870	0.1861	0.1019	-	-	-	-
lasigeBioTM	0.1935	0.0867	0.2249	0.0988	-	-	-	-
lasigeBioTM-onto-bl	0.1761	0.0848	0.2185	0.1005	-	-	-	-
lasigeBioTM-onto-sm	0.1041	0.0808	0.1141	0.0853	-	-	-	-
bioinfo-0	0.1183	0.0880	0.1426	0.0983	-	-	-	-
bioinfo-1	0.1761	0.1691	0.1801	0.1726	-	-	-	-
deepseek32b-f	0.1619	0.0858	0.1750	0.0851	-	-	-	-
bioinfo-2	0.1472	0.0697	0.1767	0.0832	-	-	-	-
bioinfo-3	0.1704	0.1378	0.1843	0.1468	-	-	-	-
bioinfo-4	0.1532	0.0720	0.1789	0.0842	-	-	-	-
bious1	0.1570	0.1238	0.1678	0.1266	-	-	-	-
Fleming-5	0.1609	0.0572	0.1934	0.0693	-	-	-	-
phaseB-5	0.1357	0.0784	0.1419	0.0808	-	-	-	-
gpt 01 mini	0.1012	0.0818	0.1150	0.0931	-	-	-	-
phaseB-4	0.1624	0.0855	0.1767	0.0892	-	-	-	-
3.PhaseB_System	0.0826	0.0901	0.0920	0.0986	-	-	-	-