論文の概要: On Few-Shot Prompting for Controllable Question-Answer Generation in Narrative Comprehension

• arxiv url: http://arxiv.org/abs/2404.02800v1
• Date: Wed, 3 Apr 2024 15:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 17:01:36.469814
• Title: On Few-Shot Prompting for Controllable Question-Answer Generation in Narrative Comprehension
• Title（参考訳）: ナラティブ・コングリビューションにおける制御可能な質問応答生成のためのFew-Shot Promptingについて
• Authors: Bernardo Leite, Henrique Lopes Cardoso,
• Abstract要約: 本稿では,子どもの物語テキストから質問応答ペアの生成を制御するための数発のプロンプト戦略を提案する。 参照モデルと並べて、数発のプロンプトを併用することで、生成プロセスの制御の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question Generation aims to automatically generate questions based on a given input provided as context. A controllable question generation scheme focuses on generating questions with specific attributes, allowing better control. In this study, we propose a few-shot prompting strategy for controlling the generation of question-answer pairs from children's narrative texts. We aim to control two attributes: the question's explicitness and underlying narrative elements. With empirical evaluation, we show the effectiveness of controlling the generation process by employing few-shot prompting side by side with a reference model. Our experiments highlight instances where the few-shot strategy surpasses the reference model, particularly in scenarios such as semantic closeness evaluation and the diversity and coherency of question-answer pairs. However, these improvements are not always statistically significant. The code is publicly available at github.com/bernardoleite/few-shot-prompting-qg-control.
• Abstract（参考訳）: 質問生成は、コンテキストとして提供される与えられた入力に基づいて質問を自動的に生成することを目的としている。 制御可能な質問生成方式は、特定の属性で質問を生成することに焦点を当て、より良い制御を可能にする。 本研究では,子どものナラティブテキストから質問応答対の生成を制御するための数発のプロンプト戦略を提案する。 質問の明快さと下層の物語的要素の2つの属性を制御することを目的としている。 経験的評価では、参照モデルと並べて、数発のプロンプトを併用することで、生成プロセスの制御の有効性を示す。 提案実験では,特にセマンティック・クローズネス評価や質問応答対の多様性,一貫性といったシナリオにおいて,参照モデルを上回る数発戦略が適用されている事例を強調した。 しかし、これらの改良は必ずしも統計的に重要なものではない。 コードはgithub.com/bernardoleite/few-shot-prompting-qg-controlで公開されている。

関連論文リスト

• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• Diversity Enhanced Narrative Question Generation for Storybooks [4.043005183192124]
  マルチクエスト生成モデル(mQG)を導入し,複数の,多様な,回答可能な質問を生成する。 生成した質問の応答性を検証するために,SQuAD2.0の微調整された質問応答モデルを用いる。 mQGは、強力なベースラインの中で、様々な評価指標で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-10-25T08:10:04Z)
• Improving Question Generation with Multi-level Content Planning [70.37285816596527]
  本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。 具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
  論文  参考訳（メタデータ） (2023-10-20T13:57:01Z)
• Event Extraction as Question Generation and Answering [72.04433206754489]
  イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。 そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。 実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-10T01:46:15Z)
• Towards Enriched Controllability for Educational Question Generation [0.0]
  質問生成(QG)は自然言語処理(NLP)における課題である 近年のQG研究は、学習ニーズを満たすために生成された質問の種類を制御することを目的としている。 本研究は,QGにおける制御可能性の向上を目的として,新たなガイダンス属性である質問明示性を導入することを目的とする。
  論文  参考訳（メタデータ） (2023-06-21T11:21:08Z)
• Modeling What-to-ask and How-to-ask for Answer-unaware Conversational Question Generation [30.086071993793823]
  What-to-askとHow-to-askは、回答を意識しない2つの主要な課題である。 本稿では,2段階CQGフレームワークであるSG-CQGを紹介する。
  論文  参考訳（メタデータ） (2023-05-04T18:06:48Z)
• Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
  イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
  論文  参考訳（メタデータ） (2022-11-14T02:00:32Z)
• Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
  InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。 我々は,読者が情報を求めるための実践的な戦略に携わることを示す。 我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-10-04T19:03:39Z)
• Harvesting and Refining Question-Answer Pairs for Unsupervised QA [95.9105154311491]
  教師なし質問回答(QA)を改善するための2つのアプローチを提案する。 まず、ウィキペディアから語彙的・構文的に異なる質問を抽出し、質問応答対のコーパスを自動的に構築する(RefQAと名づけられる)。 第2に、より適切な回答を抽出するためにQAモデルを活用し、RefQA上でデータを反復的に洗練する。
  論文  参考訳（メタデータ） (2020-05-06T15:56:06Z)
• Asking Questions the Human Way: Scalable Question-Answer Generation from Text Corpus [23.676748207014903]
  問合せ型質問生成(ACS-QG)を提案する。 ラベルなしテキストコーパスから高品質で多様な質問応答ペアを大規模に自動生成することを目的としている。 ウィキペディアで見つかった100万の文から、280万の質保証された質問応答ペアを生成することができる。
  論文  参考訳（メタデータ） (2020-01-27T05:27:09Z)

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。