רשומת ראיות למתודה
Explainable Question Answering
Explainable Question Answering (XQA) combines neural reading-comprehension models — typically BERT-family transformers — with interpretability methods such as rationale extraction, attention visualization, LIME, or SHAP to reveal why the model selected a particular answer span. The goal is not just accuracy but trustworthy, auditable reasoning that users and domain experts can inspect and verify.
רשומת מקור
ציטוטים הועתקו מילה במילה מרשומת המקור של המתודה. לא מוסקת כל אימות ברמת הטענה מהם.
Explainable Question Answering (XQA)
רשומת מתודה טקסונומית · ml-model / deep-learning
- 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
טענות מאוצרות
טענות שנשמרו ביומן הראיות, לכל אחת הערכה משלה.
עדיין אין טענות מאוצרות
תצוגה זו אינה ממציאה הערכת טענה כאשר ליומן אין אחת.
מתודות קשורות
נוצר מגרף המתודות ומוצג כיחסים שהוצעו על ידי המכונה — לא מוסקת כל טענת ראיה.