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.
स्रोत रिकॉर्ड
विधियों के स्रोत रिकॉर्ड से उद्धरण शब्दशः कॉपी किए गए हैं। इनसे किसी भी दावे-स्तरीय सत्यापन का अनुमान नहीं लगाया गया है।
- 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
क्यूरेटेड दावे
साक्ष्य लेज़र में दावे बने हुए हैं, प्रत्येक का अपना मूल्यांकन है।
जब लेज़र में कोई दावा नहीं होता है तो यह दृश्य दावा मूल्यांकन का आविष्कार नहीं करता है।
संबंधित विधियाँ
विधि ग्राफ़ से उत्पन्न और मशीन-अनुशंसित संबंध के रूप में दिखाए गए हैं — किसी भी साक्ष्य दावे का अनुमान नहीं लगाया गया है।