چکیده: با افزایش چشمگیر حجم مقالات علمی و نیاز پژوهشگران به درک سریع محتوای چندین سند مرتبط، اهمیت توسعه‌ی روش‌هایی برای استخراج وخلاصه دانش یکپارچه و منسجم بیش از گذشته آشکار شده است. منطق اصلی این پژوهش بر این فرض استوار است که در متون علمی، اطلاعات مرتبط معمولاً حول چند موضوع مشترک پراکنده‌اند و اگر بتوان از این ساختار پنهان موضوعی استفاده کرد، فرآیند خلاصه‌سازی چندسندی می‌تواند هدفمندتر، فشرده‌تر و منسجم‌تر انجام شود. مسئله‌ی اصلی موجود در روش‌های پایه خلاصه‌سازی چندسندی آن است که بدون درنظرگرفتن ساختار موضوعی میان اسناد، بخش قابل توجهی از اطلاعات تکراری تولید می‌شود و انسجام موضوعی خروجی کاهش می‌یابد. برای رفع این مشکل، در روش پیشنهادی این پژوهش ابتدا با استفاده از مدل‌سازی موضوعی، موضوعات اسناد استخراج شد و سپس با قطعه‌بندی موضوعی، متون چکیده‌های مقالات، به قطعات موضوعی تقسیم شد؛ سپس قطعات هم‌موضوع از میان قطعات مربوط به چکیده‌های مقالات مرجع و چکیده‌ی مقاله اصلی آن نمونه از مجموعه‌داده‌ Multi-XScience، ادغام گردیدند و اسناد موضوعی تولید شدند. سپس برای هر سند موضوعی، مراحل پیش‌پردازش و خلاصه‌سازی استخراجی تک‌سندی با هدف برجسته‌سازی نکات کلیدی و حذف مطالب زائد اعمال شد. در نهایت، مجموعه اسناد موضوعی به‌عنوان ورودی مدل خلاصه‌سازی چندسندی PRIMERA قرار گرفت تا خلاصه نهایی به‌صورت انتزاعی و با حفظ انسجام موضوعی تولید شود. نتایج ارزیابی‌ها بر روی مجموعه‌داده Multi-XScience نشان داد که روش پیشنهادی نسبت به روش پایه، بهبود معناداری در معیارهای ازیابی ایجاد می‌کند. این بررسی‌ها نشان داد که خروجی‌ها از نظر کاهش تکرار، افزایش پوشش مفاهیم علمی و حفظ انسجام موضوعی عملکرد بهتری دارند. این یافته‌ها بیانگر آن است که افزودن مدل‌سازی موضوعی به روش پایه می‌تواند گامی مؤثر در ارتقای کیفیت خلاصه‌سازی چندسندی اسناد علمی باشد.