การตอบคำถามที่อธิบายได้
การตอบคำถามที่อธิบายได้ (Explainable Question Answering หรือ XQA) เป็นการผสมผสานโมเดลการอ่านและทำความเข้าใจเชิงโครงข่ายประสาทเทียม — โดยทั่วไปคือโมเดลทรานส์ฟอร์มเมอร์ในตระกูล BERT — เข้ากับวิธีการตีความได้ เช่น การสกัดเหตุผล (rationale extraction) การแสดงภาพความใส่ใจ (attention visualization) LIME หรือ SHAP เพื่อเปิดเผยว่าเหตุใดโมเดลจึงเลือกช่วงคำตอบที่ระบุ เป้าหมายไม่ใช่เพียงความแม่นยำ แต่เป็นการให้เหตุผลที่น่าเชื่อถือ ตรวจสอบได้ ซึ่งผู้ใช้และผู้เชี่ยวชาญเฉพาะทางสามารถตรวจสอบและยืนยันได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/th/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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- ทรานส์ฟอร์มเมอร์ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ RoBERTaการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare