เปรียบเทียบวิธี

	การตอบคำถามแบบกึ่งกำกับดูแล (Semi-supervised Question Answering)	การจำแนกประเภทข้อความแบบกึ่งมีผู้สอนโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006–2020	2019–2020
ผู้ริเริ่ม	Multiple (Chapelle et al.; Zhu; Clark et al. for NLP applications)	Multiple groups (Xie et al.; Chen et al.; Devlin et al. for BERT base)
ประเภท	Semi-supervised learning applied to extractive/generative QA	Semi-supervised fine-tuning of pre-trained transformer
แหล่งต้นตำรับ	Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020.	Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792.
ชื่อเรียกอื่น	Semi-supervised QA, Self-training for QA, Pseudo-labeled Question Answering, SSL-QA	Semi-supervised BERT, BERT SSL Classification, BERT with Unlabeled Data, BERT Semi-supervised Fine-tuning
ที่เกี่ยวข้อง	6	6
สรุป	Semi-supervised question answering (QA) trains a model on a small labeled set of question-answer pairs, then generates pseudo-labels on a large unlabeled corpus and retrains iteratively. This self-training loop dramatically increases effective training data without the cost of full manual annotation, achieving strong performance on reading comprehension, open-domain QA, and machine reading tasks.	Semi-supervised BERT-based classification fine-tunes a pre-trained BERT encoder on a small pool of labeled text examples while simultaneously leveraging a much larger body of unlabeled text — via consistency training, pseudo-labeling, or data augmentation — to produce high-quality classifiers even when manual annotation is scarce.