Question Answering Explicável
Question Answering Explicável (XQA) combina modelos neurais de compreensão de leitura — tipicamente transformadores da família BERT — com métodos de interpretabilidade como extração de raciocínio, visualização de atenção, LIME ou SHAP para revelar por que o modelo selecionou um trecho de resposta particular. O objetivo não é apenas a precisão, mas um raciocínio confiável e auditável que usuários e especialistas de domínio possam inspecionar e verificar.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/pt/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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Classificação Explicável Baseada em BERTAprendizado profundo↔ compare
- Transformer ExplicávelAprendizado profundo↔ compare
- Classificação baseada em RoBERTaAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →