Respuesta a Preguntas Explicable
La Respuesta a Preguntas Explicable (XQA) combina modelos neuronales de comprensión lectora —típicamente transformadores de la familia BERT— con métodos de interpretabilidad como la extracción de justificaciones (rationales), la visualización de la atención, LIME o SHAP para revelar por qué el modelo seleccionó un tramo de respuesta particular. El objetivo no es solo la precisión, sino un razonamiento fiable y auditable que los usuarios y expertos del dominio puedan inspeccionar y verificar.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/es/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.
- Clasificación basada en BERTAprendizaje profundo↔ compare
- Clasificación Explicable Basada en BERTAprendizaje profundo↔ compare
- Transformador ExplicableAprendizaje profundo↔ compare
- Clasificación basada en RoBERTaAprendizaje profundo↔ compare
- Incrutaciones de oracionesAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →