ترجمه فارسی مقاله پیشرفت‌های اخیر در درک مطلب ماشینی چندگزینه‌ای: بررسی روش‌ها و مجموعه داده‌ها

چکیده

This paper provides a thorough examination of recent developments in the field of multi-choice Machine Reading Comprehension (MRC). Focused on benchmark datasets, methodologies, challenges, and future trajectories, our goal is to offer researchers a comprehensive overview of the current landscape in multi-choice MRC. The analysis delves into 30 existing cloze-style and multiple-choice MRC benchmark datasets, employing a refined classification method based on attributes such as corpus style, domain, complexity, context style, question style, and answer style. This classification system enhances our understanding of each dataset’s diverse attributes and categorizes them based on their complexity. Furthermore, the paper categorizes recent methodologies into Fine-tuned and Prompt-tuned methods. Fine-tuned methods involve adapting pre-trained language models (PLMs) to a specific task through retraining on domain-specific datasets, while prompt-tuned methods use prompts to guide PLM response generation, presenting potential applications in zero-shot or few-shot learning scenarios. By contributing to ongoing discussions, inspiring future research directions, and fostering innovations, this paper aims to propel multi-choice MRC towards new frontiers of achievement.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله بررسی کاملی از تحولات اخیر در زمینه درک مطلب خواندن دستگاه چند انتخابی (MRC) ارائه شده است.با تمرکز بر روی مجموعه داده های معیار ، روش شناسی ، چالش ها و مسیرهای آینده ، هدف ما ارائه نمای کلی از چشم انداز فعلی در MRC چند انتخابی است.این تجزیه و تحلیل به 30 مجموعه داده های معیار MRC به سبک و چند گزینه ای موجود ، با استفاده از یک روش طبقه بندی تصفیه شده بر اساس ویژگی هایی مانند Corpus ، دامنه ، پیچیدگی ، سبک زمینه ، سبک سؤال و سبک پاسخ می پردازد.این سیستم طبقه بندی درک ما از ویژگی های متنوع هر مجموعه داده را تقویت می کند و بر اساس پیچیدگی آنها طبقه بندی می کند.علاوه بر این ، این مقاله روشهای اخیر را به روشهای تنظیم شده و تنظیم سریع طبقه بندی می کند.روشهای تنظیم شده خوب شامل تطبیق مدل های زبان از پیش آموزش دیده (PLM) با یک کار خاص از طریق بازآموزی در مجموعه داده های خاص دامنه است ، در حالی که روش های تنظیم شده سریع برای هدایت تولید پاسخ PLM از PROMPS استفاده می کنند ، ارائه برنامه های بالقوه در صفر یا چند ضربه ایسناریوهای یادگیری.این مقاله با مشارکت در بحث های مداوم ، الهام بخشیدن به مسیرهای تحقیق آینده و تقویت نوآوری ها ، با هدف پیشبرد MRC چند انتخابی به سمت مرزهای جدید دستیابی است.