เปรียบเทียบวิธี

	การอ่านจับใจความของเครื่องจักร (Machine Reading Comprehension - MRC)	การปรับตัวตามโดเมน
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	2016	—
ผู้ริเริ่ม	Rajpurkar, Zhang, Lopyrev & Liang (SQuAD)	—
ประเภท	NLP question-answering task	NLP transfer-learning / fine-tuning pipeline
แหล่งต้นตำรับ	Rajpurkar, P., Zhang, J., Lopyrev, K. & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. EMNLP, 2383-2392.	Lee, J. et al. (2020). BioBERT: A Pre-trained Biomedical Language Representation Model. Bioinformatics.
ชื่อเรียกอื่น	MRC, question answering over passages, extractive question answering, Makine Okuma Anlama (MRC)	Alan Uyarlaması (Domain Adaptation) — NLP, domain adaptation NLP, domain fine-tuning
ที่เกี่ยวข้อง	3	4
สรุป	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.	Domain adaptation is a natural-language-processing technique that takes a general pretrained language model and fine-tunes it on target-domain data so that it performs better in specialised fields such as medicine, law, and finance. It builds on the transfer-learning ideas behind work like Blitzer et al. (2007) on cross-domain sentiment classification and Lee et al. (2020) on the biomedical BioBERT model.