BIRD-QA: A BERT-based Information Retrieval Approach to Domain Specific Question Answering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
During recent years, Question Answering (QA) systems have been widely used in many industries to provide round the clock online services to consumers from all over the world. The importance of such services became more evident during the pandemic in online medical services, education, training, marketing, system support and administration. Most of the existing systems apply simple rule-based QA strategy. Human-defined rules are used to apply pattern matching for extracting information from a given data or knowledge base to generate responses to user queries. However, rule-based pattern matching techniques are not intelligent enough to understand the context of the question to always generate appropriate responses and are static. In this work, we explored different data preprocessing strategies and BERT-style pre-trained models to build an information retrieval (IR)-based Domain specific QA framework named BIRD-QA, and created a domain specific knowledge base using website data of a university department. We implemented multiple variations of extended BERT and ALBERT-base models and validated our framework on reading comprehension task using the Stanford Question Answering Dataset (SQuAD) 1.1 and 2.0 datasets. Our extended ALBERT-based model achieved 75.4% Exact Match (EM) score and 78.8% F1 score. We also present a small feasibility test of our framework for departmental QA using data from a university website.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle