Preguntes Respostes Explicables
Les Preguntes Respostes Explicables (XQA) combinen models neuronals de comprensió lectora —típicament transformers de la família BERT— amb mètodes d'interpretabilitat com l'extracció de raons, la visualització d'atenció, LIME o SHAP per revelar per què el model va seleccionar una resposta particular. L'objectiu no és només l'exactitud, sinó un raonament fiable i auditable que els usuaris i els experts del domini puguin inspeccionar i verificar.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- DeYoung, J., Jain, S., Rajani, N. F., Lehman, E., Xiong, C., Socher, R., & Wallace, B. C. (2020). ERASER: A Benchmark to Evaluate Rationalized NLP Models. In Proceedings of ACL 2020, pp. 4443–4458. DOI: 10.18653/v1/2020.acl-main.408 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. In Proceedings of EMNLP 2016, pp. 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/ca/deep-learning/explainable-question-answering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classificació basada en BERTAprenentatge profund↔ compare
- Classificació basada en BERT explicableAprenentatge profund↔ compare
- Transformer ExplicableAprenentatge profund↔ compare
- Classificació basada en RoBERTaAprenentatge profund↔ compare
- Sentence EmbeddingsAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →