Hispanopedia Wiki
Articulo de referencia

Responder preguntas

La respuesta a preguntas ( QA ) es una disciplina de la informática dentro de los campos de la recuperación de información y el procesamiento del lenguaje natural (PLN) que se o...

Hispanopedia WikiContenido en espanolLectura gratuita

La respuesta a preguntas ( QA ) es una disciplina de la informática dentro de los campos de la recuperación de información y el procesamiento del lenguaje natural (PLN) que se ocupa de construir sistemas que respondan automáticamente a preguntas formuladas por humanos en lenguaje natural . [ 1 ]

Un sistema de respuesta a preguntas, generalmente un programa informático, puede generar sus respuestas consultando una base de datos estructurada de conocimiento o información, normalmente una base de conocimiento . Más comúnmente, los sistemas de respuesta a preguntas pueden obtener respuestas de una colección no estructurada de documentos en lenguaje natural.

Algunos ejemplos de colecciones de documentos en lenguaje natural utilizadas para sistemas de respuesta a preguntas incluyen textos de referencia, informes de agencias de noticias recopilados , páginas de Wikipedia [ 2 ] y otras páginas de la World Wide Web .

Historia

Dos de los primeros sistemas de respuesta a preguntas fueron BASEBALL [ 3 ] y LUNAR. [ 4 ] BASEBALL respondió preguntas sobre las Grandes Ligas de Béisbol durante un año . LUNAR respondió preguntas sobre el análisis geológico de las rocas traídas por las misiones Apolo a la Luna. Ambos sistemas de respuesta a preguntas fueron muy efectivos en sus respectivos campos. LUNAR se presentó en una convención de ciencia lunar en 1971 y logró responder al 90% de las preguntas de su campo formuladas por personas sin experiencia en el sistema.

En los años siguientes se desarrollaron otros sistemas de respuesta a preguntas de dominio restringido. Todos estos sistemas tenían en común una base de datos o sistema de conocimiento central, escrito manualmente por expertos del dominio elegido. Las capacidades lingüísticas de BASEBALL y LUNAR utilizaban técnicas similares a las de ELIZA y DOCTOR , los primeros programas de chatbot .

SHRDLU fue un exitoso programa de preguntas y respuestas desarrollado por Terry Winograd a finales de la década de 1960 y principios de la de 1970. Simulaba el funcionamiento de un robot en un mundo de juguete (el "mundo de bloques") y ofrecía la posibilidad de hacerle preguntas al robot sobre el estado de dicho mundo. La fortaleza de este sistema radicaba en la elección de un dominio muy específico y un mundo muy simple, con leyes físicas fáciles de codificar en un programa informático.

En la década de 1970, se desarrollaron bases de conocimiento centradas en dominios más específicos. Los sistemas de respuesta a preguntas, diseñados para interactuar con estos sistemas expertos, generaban respuestas más repetibles y válidas a preguntas dentro de un área de conocimiento determinada. Estos sistemas expertos se asemejaban mucho a los sistemas modernos de respuesta a preguntas, salvo en su arquitectura interna. Los sistemas expertos dependen en gran medida de bases de conocimiento construidas y organizadas por expertos , mientras que muchos sistemas modernos de respuesta a preguntas se basan en el procesamiento estadístico de un corpus de texto en lenguaje natural extenso y no estructurado.

En las décadas de 1970 y 1980 se desarrollaron teorías integrales en lingüística computacional , lo que propició el desarrollo de ambiciosos proyectos de comprensión de textos y respuesta a preguntas. Un ejemplo fue el Unix Consultant (UC), desarrollado por Robert Wilensky en la Universidad de California en Berkeley a finales de la década de 1980. Este sistema respondía preguntas relacionadas con el sistema operativo Unix . Contaba con una base de conocimientos exhaustiva y elaborada manualmente sobre su dominio, y su objetivo era formular la respuesta para adaptarse a diversos tipos de usuarios. Otro proyecto fue LILOG, un sistema de comprensión de textos que operaba en el ámbito de la información turística en una ciudad alemana. Si bien los sistemas desarrollados en los proyectos UC y LILOG nunca pasaron de la fase de simples demostraciones, contribuyeron al desarrollo de teorías sobre lingüística computacional y razonamiento.

Se han desarrollado sistemas especializados de respuesta a preguntas en lenguaje natural, como EAGLi para científicos de la salud y la vida. [ 5 ]

Los sistemas de respuesta a preguntas se han ampliado en los últimos años para abarcar dominios de conocimiento adicionales [ 6 ]. Por ejemplo, se han desarrollado sistemas para responder automáticamente preguntas temporales y geoespaciales, preguntas de definición y terminología, preguntas biográficas, preguntas multilingües y preguntas sobre el contenido de audio, imágenes [ 7 ] y vídeo [ 8 ] . Los temas de investigación actuales sobre respuesta a preguntas incluyen:

En 2011, Watson , un sistema informático de respuesta a preguntas desarrollado por IBM , compitió en dos partidos de exhibición de Jeopardy! contra Brad Rutter y Ken Jennings , ganando por un margen significativo. [ 17 ] Facebook Research puso a disposición su sistema DrQA [ 18 ] bajo una licencia de código abierto . Este sistema utiliza Wikipedia como fuente de conocimiento. [ 2 ] El marco de código abierto Haystack de deepset combina la respuesta a preguntas de dominio abierto con la respuesta a preguntas generativa y admite la adaptación de dominio de los modelos de lenguaje subyacentes para casos de uso de la industria . [ 19 ] [ 20 ]

Los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) [36], como GPT-4 [37] y Gemini [38], son ejemplos de sistemas de preguntas y respuestas exitosos que permiten una comprensión y generación de texto más sofisticadas. Al combinarse con sistemas de preguntas y respuestas multimodales [39] , capaces de procesar y comprender información de diversas modalidades como texto, imágenes y audio, los LLM mejoran significativamente las capacidades de los sistemas de preguntas y respuestas.

Tipos

La investigación sobre sistemas de respuesta a preguntas intenta desarrollar maneras de responder a una amplia gama de tipos de preguntas, incluidas preguntas de hechos, listas, definiciones , cómo, por qué, hipotéticas, con restricciones semánticas y multilingües.

  • Responder preguntas relacionadas con un artículo para evaluar la comprensión lectora es una de las formas más sencillas de responder preguntas, ya que un artículo en particular es relativamente corto en comparación con otros tipos de problemas de este tipo. Un ejemplo de esta pregunta es "¿Por qué ganó Albert Einstein el Premio Nobel?" después de que se le haya proporcionado al sistema un artículo sobre este tema.
  • La capacidad de responder preguntas sin consultar el material de consulta se da cuando un sistema ha memorizado ciertos datos durante el entrenamiento y puede responder preguntas sin que se le proporcione un contexto explícito. Esto es similar a cuando los humanos realizan exámenes sin consultar el material de consulta.
  • La respuesta a preguntas de dominio cerrado se ocupa de preguntas dentro de un dominio específico (por ejemplo, medicina o mantenimiento automotriz) y puede aprovechar el conocimiento específico del dominio, frecuentemente formalizado en ontologías . Alternativamente, "dominio cerrado" podría referirse a una situación en la que solo se acepta un tipo limitado de preguntas, como preguntas que solicitan información descriptiva en lugar de procedimental . También se han construido sistemas de respuesta a preguntas en el contexto de aplicaciones de lectura automática en el dominio médico, por ejemplo, en relación con la enfermedad de Alzheimer. [ 21 ]
  • Los sistemas de respuesta a preguntas de dominio abierto abordan prácticamente cualquier tema y solo pueden basarse en ontologías generales y conocimiento del mundo. Los sistemas diseñados para responder a preguntas de dominio abierto suelen disponer de muchos más datos para extraer la respuesta. Un ejemplo de pregunta de dominio abierto es "¿Por qué ganó Albert Einstein el Premio Nobel?", sin que el sistema cuente con ningún artículo sobre el tema.

Otra forma de categorizar los sistemas de preguntas y respuestas es según el enfoque técnico utilizado. Existen varios tipos diferentes de sistemas de preguntas y respuestas, entre ellos:

Los sistemas basados ​​en reglas utilizan un conjunto de reglas para determinar la respuesta correcta a una pregunta. Los sistemas estadísticos utilizan métodos estadísticos para encontrar la respuesta más probable. Los sistemas híbridos combinan métodos basados ​​en reglas y métodos estadísticos.

Arquitectura

A partir de 2001Los sistemas de preguntas y respuestas generalmente incluían un módulo clasificador de preguntas que determinaba el tipo de pregunta y el tipo de respuesta. [ 22 ]

Los distintos tipos de sistemas de respuesta a preguntas emplean arquitecturas diferentes. Por ejemplo, los sistemas modernos de respuesta a preguntas de dominio abierto pueden usar una arquitectura de recuperador-lector. El recuperador se encarga de recuperar documentos relevantes relacionados con una pregunta dada, mientras que el lector se utiliza para inferir la respuesta a partir de los documentos recuperados. Sistemas como GPT-3 , T5 [ 23 ] y BART [ 24 ] utilizan una arquitectura de extremo a extremo en la que una arquitectura basada en transformadores almacena grandes cantidades de datos textuales en los parámetros subyacentes. Estos modelos pueden responder preguntas sin acceder a ninguna fuente de conocimiento externa.

Métodos

La respuesta a preguntas depende de un buen corpus de búsqueda ; sin documentos que contengan la respuesta, poco puede hacer cualquier sistema de respuesta a preguntas. Las colecciones más grandes generalmente implican un mejor rendimiento en la respuesta a preguntas, a menos que el dominio de la pregunta sea ortogonal a la colección. La redundancia de datos en colecciones masivas, como la web, significa que es probable que los fragmentos de información se formulen de muchas maneras diferentes en distintos contextos y documentos, [ 25 ] lo que conlleva dos beneficios:

  1. Si la información correcta aparece de muchas formas, el sistema de respuesta a preguntas necesita realizar menos técnicas complejas de PLN para comprender el texto.
  2. Las respuestas correctas se pueden filtrar de los falsos positivos porque el sistema puede basarse en que las versiones de la respuesta correcta aparecen más veces en el corpus que las incorrectas.

Algunos sistemas de respuesta a preguntas dependen en gran medida del razonamiento automatizado . [ 26 ] [ 27 ]

Dominio abierto

En la recuperación de información , un sistema de preguntas y respuestas de dominio abierto intenta devolver una respuesta a la pregunta del usuario. La respuesta devuelta se presenta en forma de textos cortos en lugar de una lista de documentos relevantes. [ 28 ] El sistema encuentra respuestas utilizando una combinación de técnicas de lingüística computacional , recuperación de información y representación del conocimiento .

El sistema recibe como entrada una pregunta en lenguaje natural en lugar de un conjunto de palabras clave; por ejemplo: "¿Cuándo es el día nacional de China?". A continuación, transforma esta frase en una consulta en su forma lógica . Aceptar preguntas en lenguaje natural hace que el sistema sea más fácil de usar, pero más difícil de implementar, ya que existen diversos tipos de preguntas y el sistema debe identificar la correcta para ofrecer una respuesta coherente. Asignar un tipo de pregunta a la pregunta es una tarea crucial; todo el proceso de extracción de respuestas depende de encontrar el tipo de pregunta correcto y, por lo tanto, el tipo de respuesta correcto.

Keyword extraction is the first step in identifying the input question type.[29] In some cases, words clearly indicate the question type, e.g., "Who", "Where", "When", or "How many"—these words might suggest to the system that the answers should be of type "Person", "Location", "Date", or "Number", respectively. POS (part-of-speech) tagging and syntactic parsing techniques can also determine the answer type. In the example above, the subject is "Chinese National Day", the predicate is "is" and the adverbial modifier is "when", therefore the answer type is "Date". Unfortunately, some interrogative words like "Which", "What", or "How" do not correspond to unambiguous answer types: Each can represent more than one type. In situations like this, other words in the question need to be considered. A lexical dictionary such as WordNet can be used for understanding the context.

Once the system identifies the question type, it uses an information retrieval system to find a set of documents that contain the correct keywords. A tagger and NP/Verb Group chunker can verify whether the correct entities and relations are mentioned in the found documents. For questions such as "Who" or "Where", a named-entity recogniser finds relevant "Person" and "Location" names from the retrieved documents. Only the relevant paragraphs are selected for ranking.

A vector space model can classify the candidate answers. Check if the answer is of the correct type as determined in the question type analysis stage. An inference technique can validate the candidate answers. A score is then given to each of these candidates according to the number of question words it contains and how close these words are to the candidate—the more and the closer the better. The answer is then translated by parsing into a compact and meaningful representation. In the previous example, the expected output answer is "1st Oct."

Mathematics

MathQA , un sistema de respuesta a preguntas de código abierto con conocimientos matemáticos , basado en Ask Platypus y Wikidata , se publicó en 2018. [ 30 ] MathQA toma como entrada una pregunta en lenguaje natural en inglés o hindi y devuelve una fórmula matemática obtenida de Wikidata como respuesta concisa, traducida a un formato computable que permite al usuario insertar valores para las variables. El sistema recupera los nombres y valores de las variables y constantes comunes de Wikidata si están disponibles. Se afirma que el sistema supera a un motor de conocimiento matemático computacional comercial en un conjunto de prueba. [ 30 ] MathQA está alojado por Wikimedia en https://mathqa.wmflabs.org/ . En 2022, se amplió para responder a 15 tipos de preguntas matemáticas. [ 31 ]

Los métodos MathQA necesitan combinar el lenguaje natural y el lenguaje de fórmulas. Un posible enfoque es realizar anotaciones supervisadas a través de la vinculación de entidades . La "Tarea ARQMath" en CLEF 2020 [ 32 ] se lanzó para abordar el problema de vincular preguntas recién publicadas de la plataforma Math Stack Exchange con las existentes que ya fueron respondidas por la comunidad. Proporcionar hipervínculos a preguntas ya respondidas y semánticamente relacionadas ayuda a los usuarios a obtener respuestas más rápido, pero es un problema desafiante porque la relación semántica no es trivial. [ 33 ] El laboratorio fue motivado por el hecho de que el 20% de las consultas matemáticas en los motores de búsqueda de propósito general se expresan como preguntas bien formuladas. [ 34 ] El desafío contenía dos subtareas separadas. Tarea 1: "Recuperación de respuestas" que relaciona las respuestas de publicaciones antiguas con las preguntas recién planteadas, y Tarea 2: "Recuperación de fórmulas" que relaciona las fórmulas de publicaciones antiguas con las nuevas preguntas. Partiendo del ámbito de las matemáticas, que implica el lenguaje de fórmulas, el objetivo es extender posteriormente la tarea a otros ámbitos (por ejemplo, disciplinas STEM, como la química, la biología, etc.), que emplean otros tipos de notación especial (por ejemplo, fórmulas químicas). [ 32 ] [ 33 ]

También se ha investigado el proceso inverso a la respuesta a preguntas matemáticas: la generación de preguntas matemáticas. El motor de generación y evaluación de preguntas de física PhysWikiQuiz recupera fórmulas matemáticas de Wikidata junto con información semántica sobre sus identificadores (nombres y valores de las variables). [ 35 ] A continuación, las fórmulas se reorganizan para generar un conjunto de variantes. Posteriormente, las variables se sustituyen por valores aleatorios para generar un gran número de preguntas diferentes, adecuadas para las pruebas individuales de los estudiantes.

Aplicaciones

Los sistemas de control de calidad se utilizan en diversas aplicaciones, entre las que se incluyen:

  • Verificar si un hecho es cierto, planteando una pregunta como: ¿el hecho X es verdadero o falso?
  • Servicio al cliente,
  • Apoyo técnico,
  • Investigación de mercado,
  • Generación de informes o investigaciones en lenguaje natural.

Referencias

  1. ↑ Philipp Cimiano; Christina Unger; John McCrae (1 de marzo de 2014). Interpretación del lenguaje natural basada en ontologías . Morgan & Claypool Publishers. ISBN 978-1-60845-990-2.
  2. 1 2 Chen, Danqi; Fisch, Adam; Weston, Jason; Bordes, Antoine (2017). "Leyendo Wikipedia para responder preguntas de dominio abierto". arXiv : 1704.00051 [ cs.CL ].
  3. ↑ GREEN JR, Bert F; et al. (1961). "Baseball: an automatic question-answerer" (PDF) . Western Joint IRE-AIEE-ACM Computer Conference : 219–224 . 
  4. ↑ Woods, William A; Kaplan, R. (1977). "Rocas lunares en inglés natural: Exploraciones en la respuesta a preguntas en lenguaje natural". Procesamiento de estructuras lingüísticas 5.5 : 521–569 .
  5. ↑ "Plataforma EAGLi - Respuesta a preguntas en MEDLINE" . candy.hesge.ch . Consultado el 2 de diciembre de 2021 .
  6. ↑ Paşca, Marius (2005). "Reseña del libro Nuevas direcciones en la respuesta a preguntas Mark T. Maybury (editor) (MITRE Corporation) Menlo Park, CA: AAAI Press y Cambridge, MA: The MIT Press, 2004, xi+336 pp; rústica, ISBN 0-262-63304-3, $40.00, £25.95" . Lingüística Computacional . 31 (3): 413–417 . doi : 10.1162/089120105774321055 . S2CID 12705839 . 
  7. 1 2 Anderson, Peter, et al. " Atención ascendente y descendente para la generación de subtítulos de imágenes y la respuesta a preguntas visuales ". Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones. 2018.
  8. ↑ Zhu, Linchao; Xu, Zhongwen; Yang, Yi; Hauptmann, Alexander G. (2015). "Descubriendo el contexto temporal para preguntas y respuestas en vídeo". arXiv : 1511.04670 [ cs.CV ].
  9. ↑ Quarteroni, Silvia y Suresh Manandhar. " Diseño de un sistema interactivo de respuesta a preguntas de dominio abierto ". Ingeniería del lenguaje natural 15.1 (2009): 73–95.
  10. ↑ Light, Marc, et al. " Reutilización en sistemas de respuesta a preguntas: un estudio preliminar ". Nuevas direcciones en sistemas de respuesta a preguntas. 2003.
  11. ↑ Yih, Wen-tau, Xiaodong He y Christopher Meek. « Análisis semántico para la respuesta a preguntas de una sola relación ». Actas de la 52.ª Reunión Anual de la Asociación de Lingüística Computacional (Volumen 2: Artículos breves). 2014.
  12. ↑ Perera, R., Nand, P. y Naeem, A. 2017. Utilización de patrones de subárboles de dependencia tipados para la generación de oraciones de respuesta en sistemas de respuesta a preguntas.
  13. ↑ de Salvo Braz, Rodrigo, et al. " Un modelo de inferencia para la implicación semántica en el lenguaje natural ". Taller sobre desafíos del aprendizaje automático. Springer, Berlín, Heidelberg, 2005.
  14. ↑ "BitCrawl de Hobson Lane" . Archivado del original el 27 de octubre de 2012. Consultado el 29 de mayo de 2012 .{{cite web}}: CS1 maint: bot: estado de la URL original desconocido ( enlace )
  15. ↑ Perera, R. y Perera, U. 2012. Hacia un modelo de identificación de objetivos basado en roles temáticos para la respuesta a preguntas. Archivado el 4 de marzo de 2016 en Wayback Machine.
  16. ↑ Das, Abhishek, et al. " Respuesta a preguntas corporizada ". Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones. 2018.
  17. ↑ Markoff, John (16 de febrero de 2011). "En 'Jeopardy!', la victoria de Watson es casi trivial" . The New York Times .
  18. ↑ "DrQA" .
  19. ↑ Tunstall, Lewis (5 de julio de 2022). Procesamiento del lenguaje natural con transformadores: Creación de aplicaciones lingüísticas con Hugging Face (2.ª ed.). O'Reilly UK Ltd. pág. Capítulo 7. ISBN   978-1098136796.
  20. ↑ "Documentación de Haystack" . deepset . Consultado el 4 de noviembre de 2022 .
  21. ↑ Roser Morante, Martin Krallinger, Alfonso Valencia y Walter Daelemans. Lectura automática de textos biomédicos sobre la enfermedad de Alzheimer . Laboratorios de evaluación y taller de CLEF 2012. 17 de septiembre de 2012.
  22. ↑ Hirschman, L. y Gaizauskas, R. (2001) Respuesta a preguntas en lenguaje natural. La perspectiva desde aquí . Ingeniería del lenguaje natural (2001), 7:4:275-300 Cambridge University Press.
  23. ↑ Raffel, Colin; Shazeer, Noam; Roberts, Adam; Lee, Katherine; Narang, Sharan; Matena, Michael; Zhou, Yanqi; Li, Wei; Liu, Peter J. (2019). "Explorando los límites del aprendizaje por transferencia con un transformador unificado de texto a texto". arXiv : 1910.10683 [ cs.LG ].
  24. ↑ Lewis, Mike; Liu, Yinhan; Goyal, Naman; Ghazvininejad, Marjan; Mohamed, Abdelrahman; Levy, Omer; Stoyanov, Ves; Zettlemoyer, Luke (2019). "BART: Preentrenamiento secuencia a secuencia para la eliminación de ruido en la generación, traducción y comprensión del lenguaje natural". arXiv : 1910.13461 [ cs.CL ].
  25. ↑ Lin, J. (2002). La web como recurso para la respuesta a preguntas: perspectivas y desafíos . En Actas de la Tercera Conferencia Internacional sobre Recursos y Evaluación del Lenguaje (LREC 2002).
  26. ↑ Moldovan, Dan, et al. " Cogex: Un demostrador lógico para responder preguntas. Archivado el 27/01/2018 en Wayback Machine ." Actas de la Conferencia de 2003 del Capítulo Norteamericano de la Asociación de Lingüística Computacional sobre Tecnología del Lenguaje Humano - Volumen 1. Asociación de Lingüística Computacional, 2003.
  27. ↑ Furbach, Ulrich, Ingo Glöckner y Björn Pelzer. « Una aplicación del razonamiento automatizado en la respuesta a preguntas en lenguaje natural ». Ai Communications 23.2-3 (2010): 241–265.
  28. ↑ Sun, Haitian; Dhingra, Bhuwan; Zaheer, Manzil; Mazaitis, Kathryn; Salakhutdinov, Ruslan; Cohen, William (2018). "Respuesta a preguntas de dominio abierto mediante la fusión temprana de bases de conocimiento y texto" . Actas de la Conferencia de 2018 sobre métodos empíricos en procesamiento del lenguaje natural . Bruselas, Bélgica. págs. 4231–4242 . arXiv : 1809.00782 . doi : 10.18653/v1/D18-1455 . S2CID 52154304 .  {{cite book}}: CS1 mantenimiento: falta el editor de ubicación ( enlace )
  29. ↑ Harabagiu, Sanda; Hickl, Andrew (2006). "Métodos para usar la implicación textual en la respuesta a preguntas de dominio abierto" . Actas de la 21.ª Conferencia Internacional sobre Lingüística Computacional y la 44.ª reunión anual de la ACL - ACL '06 . págs. 905–912 . doi : 10.3115/1220175.1220289 . 
  30. 1 2 Moritz Schubotz; Philipp Scharpf; et al. (12 de septiembre de 2018). "Introducción a MathQA: un sistema de respuesta a preguntas con conciencia matemática" . Information Discovery and Delivery . 46 (4). Emerald Publishing Limited: 214– 224. arXiv : 1907.01642 . doi : 10.1108/IDD-06-2018-0022 . 
  31. ↑ Scharpf, P. Schubotz, M. Gipp, B. Minería de documentos matemáticos para la respuesta a preguntas mediante el etiquetado de fórmulas no supervisado. Conferencia conjunta ACM/IEEE sobre bibliotecas digitales, 2022.
  32. 1 2 Zanibbi, Richard; Oard, Douglas W.; Agarwal, Anurag; Mansouri, Behrooz (2020), "Descripción general de ARQMath 2020: Laboratorio CLEF sobre recuperación de respuestas para preguntas de matemáticas", Experimental IR Meets Multilinguality, Multimodality, and Interaction , Lecture Notes in Computer Science, vol. 12260, Cham: Springer International Publishing, pp. 169–193 , doi : 10.1007/978-3-030-58219-7_15 , ISBN   978-3-030-58218-0, S2CID 221351064 , consultado el 09-06-2021 
  33. 1 2 Scharpf; et al. (2020-12-04). ARQMath Lab: ¿Una incubadora para la búsqueda de fórmulas semánticas en zbMATH Open? . OCLC 1228449497 .  
  34. ↑ Mansouri, Behrooz; Zanibbi, Richard; Oard, Douglas W. (junio de 2019). «Caracterización de búsquedas de conceptos matemáticos» . Conferencia conjunta ACM/IEEE de 2019 sobre bibliotecas digitales (JCDL) . IEEE. págs. 57–66 . doi : 10.1109/jcdl.2019.00019 . ISBN  978-1-7281-1547-4. S2CID 198972305 . 
  35. ↑ Scharpf, Philipp; Schubotz, Moritz; Spitz, Andreas; Greiner-Petter, Andre; Gipp, Bela (2022). "Generación colaborativa de preguntas de examen con ayuda de IA utilizando Wikidata en educación". arXiv : 2211.08361 . doi : 10.13140/RG.2.2.30988.18568 . S2CID 253270181 . {{cite journal}}: Para citar una revista se requiere |journal=( ayuda )

Lecturas adicionales

  • Dragomir R. Radev, John Prager y Valerie Samn. Clasificación de posibles respuestas a preguntas en lenguaje natural mediante anotaciones predictivas. Archivado el 26 de agosto de 2011 en Wayback Machine . En Actas de la 6.ª Conferencia sobre Procesamiento Aplicado del Lenguaje Natural, Seattle, WA, mayo de 2000.
  • John Prager, Eric Brown, Anni Coden y Dragomir Radev. Respuesta a preguntas mediante anotación predictiva. Archivado el 23 de agosto de 2011 en Wayback Machine . En Actas de la 23.ª Conferencia Internacional Anual ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información, Atenas, Grecia, julio de 2000.
  • Hutchins, W. John ; Harold L. Somers (1992). Introducción a la traducción automática . Londres: Academic Press. ISBN 978-0-12-362830-5.
  • L. Fortnow, Steve Homer (2002/2003). Una breve historia de la complejidad computacional . En D. van Dalen, J. Dawson y A. Kanamori, editores, La historia de la lógica matemática . North-Holland, Ámsterdam.
  • Tunstall, Lewis (5 de julio de 2022). Procesamiento del lenguaje natural con transformadores: Creación de aplicaciones lingüísticas con Hugging Face (2.ª  ed.). O'Reilly UK Ltd. pág.  Capítulo 7. ISBN 978-1098136796.
  • Evaluación de la capacidad de respuesta a preguntas en TREC
  • Evaluación de la capacidad de respuesta a preguntas en CLEF
Obtenido de " https://en.wikipedia.org/w/index.php?title=Question_answering&oldid=1340476936 "
Lecturas relacionadas
6 articulos
Ciencias de la ComputaciónCiencias de la ComputaciónÁreas fundamentales de la informática La informática es el estudio de la computación , la información y la automatización . [1] [2] [3] La informát...Recuperación de informaciónLa recuperación de información ( IR ) en informática y ciencias de la información es la tarea de identificar y recuperar recursos de sistemas de in...Procesamiento del lenguaje naturalProcesamiento del lenguaje naturalEl procesamiento del lenguaje natural ( PLN ) es un subcampo interdisciplinario de la informática y la inteligencia artificial . Se ocupa principal...Un signo de interrogación formado por signos de interrogación más pequeños.PreguntaUna pregunta es un enunciado que sirve como solicitud de información . Las preguntas a veces se distinguen de las interrogativas , que son las form...Lenguaje naturalEn neuropsicología , lingüística y filosofía del lenguaje , una lengua natural o lengua ordinaria es cualquier lengua que se produce de forma natur...Base de datosBase de datosUna sentencia de selección SQL y su resultado En informática , una base de datos es una colección organizada de datos o un tipo de almacenamiento d...