論文の概要: Cheater's Bowl: Human vs. Computer Search Strategies for Open-Domain Question Answering

• arxiv url: http://arxiv.org/abs/2212.03296v1
• Date: Tue, 15 Nov 2022 10:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 13:08:45.916633
• Title: Cheater's Bowl: Human vs. Computer Search Strategies for Open-Domain Question Answering
• Title（参考訳）: Cheater's Bowl: オープンドメイン質問回答のための人間対コンピュータ検索戦略
• Authors: Wanrong He, Andrew Mao, Jordan Boyd-Graber
• Abstract要約: 私たちはデータ収集のためのゲーミフィケーションインターフェース -- Cheater's Bowl -- を設計しています。 我々は、人間の検索セッションのデータセットを収集し、人間の検索戦略を分析し、それらを最先端のマルチホップQAモデルと比較する。 人間のクエリが既存のシステムの精度をどのように向上するかを実証し、QAモデルの将来設計を改善することを提案する。
• 参考スコア（独自算出の注目度）: 1.7495213911983414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For humans and computers, the first step in answering an open-domain question is retrieving a set of relevant documents from a large corpus. However, the strategies that computers use fundamentally differ from those of humans. To better understand these differences, we design a gamified interface for data collection -- Cheater's Bowl -- where a human answers complex questions with access to both traditional and modern search tools. We collect a dataset of human search sessions, analyze human search strategies, and compare them to state-of-the-art multi-hop QA models. Humans query logically, apply dynamic search chains, and use world knowledge to boost searching. We demonstrate how human queries can improve the accuracy of existing systems and propose improving the future design of QA models.
• Abstract（参考訳）: 人間とコンピュータにとって、オープンドメインの質問に答える最初のステップは、大きなコーパスから関連する文書の集合を検索することだ。 しかし、コンピュータが使用する戦略は人間の戦略と根本的に異なる。 これらの違いをよりよく理解するために、私たちはデータ収集のためのゲーム化されたインターフェース、すなわちチーターズボウルを設計しました。 我々は、人間の検索セッションのデータセットを収集し、人間の検索戦略を分析し、それらを最先端のマルチホップQAモデルと比較する。 人間は論理的にクエリし、動的検索チェーンを適用し、世界の知識を使って検索を強化する。 本稿では,ヒューマンクエリが既存システムの精度を向上させる方法を示し,qaモデルの将来設計の改善を提案する。

関連論文リスト

• Prompting Continual Person Search [13.655442878334396]
  既存の人物検索モデルには、現実世界のデータの増加から継続的に学習する能力がない。 本研究は,複数のドメインで連続的に学習し,すべてのドメインで人物検索を行う連続的な人物探索タスクを導入する。
  論文  参考訳（メタデータ） (2024-10-25T01:19:23Z)
• Around the GLOBE: Numerical Aggregation Question-Answering on Heterogeneous Genealogical Knowledge Graphs with Deep Neural Networks [0.934612743192798]
  本稿では,系統樹の数値集約QAのための新しいエンドツーエンド手法を提案する。 提案されたアーキテクチャであるGLOBEは、このタスクの精度を87%向上させることで、最先端のモデルとパイプラインを上回っている。 本研究は系譜情報センターや博物館に実際的な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2023-07-30T12:09:00Z)
• QUADRo: Dataset and Models for QUestion-Answer Database Retrieval [97.84448420852854]
  質問/回答(q/a)ペアのデータベース(DB)が与えられた場合、同じ質問に対してDBをスキャンすることで、対象の質問に答えることができる。 我々は6.3Mのq/aペアからなる大規模DBを構築し、公開質問を用いて、ニューラルIRとq/aペアリランカに基づく新しいシステムを設計する。 我々は、Bing検索エンジン上に構築されたQAシステムという、Webベースの手法とDBベースのアプローチが競合することを示す。
  論文  参考訳（メタデータ） (2023-03-30T00:42:07Z)
• Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
  我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。 本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。 交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
  論文  参考訳（メタデータ） (2022-12-04T09:17:24Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Human's Role in-the-Loop [15.759742984491412]
  このブログは、マッチングにおける認知タスクの達成における人間と機械の役割について論じている。 人間と機械の伝統的な役割が変化しているかどうかを判断することを目的としている。 変化の可能な2つのモード、すなわち人間と人間の出入りについて論じる。
  論文  参考訳（メタデータ） (2022-04-27T13:11:54Z)
• Adaptive Information Seeking for Open-Domain Question Answering [61.39330982757494]
  本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2021-09-14T15:08:13Z)
• Tradeoffs in Sentence Selection Techniques for Open-Domain Question Answering [54.541952928070344]
  文選択のためのモデルの2つのグループについて述べる。QAベースのアプローチは、解答候補を特定するための完全なQAシステムを実行し、検索ベースのモデルは、各質問に特に関連する各節の一部を見つける。 非常に軽量なQAモデルは、このタスクではうまく機能するが、検索ベースモデルは高速である。
  論文  参考訳（メタデータ） (2020-09-18T23:39:15Z)
• Open-Retrieval Conversational Question Answering [62.11228261293487]
  オープン検索型対話型質問応答 (ORConvQA) の設定を導入する。 ORConvQAのエンド・ツー・エンドシステムを構築し,レトリバー,リランカ,およびすべてトランスフォーマーをベースとしたリーダを特徴とする。
  論文  参考訳（メタデータ） (2020-05-22T19:39:50Z)
• Interactive Natural Language-based Person Search [15.473033192858543]
  人間の記述を効果的に取得するアルゴリズムの設計法について検討する。 視覚的および言語的理解に使用されるモデルを用いて、興味ある人(POI)を原則的に検索するアルゴリズムを提案する。 次に、ロボットがPOIの外観に関する追加情報を要求できる反復的質問応答(QA)戦略について検討する。
  論文  参考訳（メタデータ） (2020-02-19T20:42:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。