A Framework for Evaluation of Machine Reading Comprehension Gold\n Standards
Notice bibliographique
Résumé
Machine Reading Comprehension (MRC) is the task of answering a question over\na paragraph of text. While neural MRC systems gain popularity and achieve\nnoticeable performance, issues are being raised with the methodology used to\nestablish their performance, particularly concerning the data design of gold\nstandards that are used to evaluate them. There is but a limited understanding\nof the challenges present in this data, which makes it hard to draw comparisons\nand formulate reliable hypotheses. As a first step towards alleviating the\nproblem, this paper proposes a unifying framework to systematically investigate\nthe present linguistic features, required reasoning and background knowledge\nand factual correctness on one hand, and the presence of lexical cues as a\nlower bound for the requirement of understanding on the other hand. We propose\na qualitative annotation schema for the first and a set of approximative\nmetrics for the latter. In a first application of the framework, we analyse\nmodern MRC gold standards and present our findings: the absence of features\nthat contribute towards lexical ambiguity, the varying factual correctness of\nthe expected answers and the presence of lexical cues, all of which potentially\nlower the reading comprehension complexity and quality of the evaluation data.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,194 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,019 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».