เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การให้เหตุผลสามัญสำนึกในงาน NLP× | การอ่านจับใจความของเครื่องจักร (Machine Reading Comprehension - MRC)× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 2019 (landmark benchmarks) | 2016 |
| ผู้ริเริ่ม≠ | Sap et al. (ATOMIC, 2019); Zellers et al. (HellaSwag, 2019) | Rajpurkar, Zhang, Lopyrev & Liang (SQuAD) |
| ประเภท≠ | NLP reasoning task | NLP question-answering task |
| แหล่งต้นตำรับ≠ | Sap, M. et al. (2019). ATOMIC: An Atlas of Machine Commonsense for If-Then Reasoning. AAAI. link ↗ | Rajpurkar, P., Zhang, J., Lopyrev, K. & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. EMNLP, 2383-2392. DOI ↗ |
| ชื่อเรียกอื่น≠ | commonsense NLP, if-then reasoning, Sağduyu Akıl Yürütme (Commonsense Reasoning) | MRC, question answering over passages, extractive question answering, Makine Okuma Anlama (MRC) |
| ที่เกี่ยวข้อง≠ | 6 | 3 |
| สรุป≠ | Commonsense reasoning in NLP refers to the capacity of a language model or inference system to draw on implicit, world-knowledge facts that humans take for granted — facts not stated in the text — to answer questions, complete stories, or interpret dialogue. Landmark benchmarks formalising the task include ATOMIC (Sap et al., 2019), an if-then commonsense knowledge graph, and HellaSwag (Zellers et al., 2019), a sentence-completion challenge that exposed gaps in machine understanding of everyday events. | Machine reading comprehension (MRC), popularised by the SQuAD benchmark of Rajpurkar, Zhang, Lopyrev and Liang (2016), is a natural-language-processing task in which a model reads a given passage and answers multiple-choice or open-ended questions about it. It turns a passage plus a question into a machine-generated answer, supporting information retrieval, educational technology, and querying research databases. |
| ScholarGateชุดข้อมูล ↗ |
|
|