ترجمه فارسی مقاله پاسخگویی به سوالات غیر فاکتوئیدی چند زبانه با پاسخ های نقره ای

چکیده

Most existing Question Answering Datasets (QuADs) primarily focus on factoid-based short-context Question Answering (QA) in high-resource languages. However, the scope of such datasets for low-resource languages remains limited, with only a few works centered on factoid-based QuADs and none on non-factoid QuADs. Therefore, this work presents MuNfQuAD, a multilingual QuAD with non-factoid questions. It utilizes interrogative sub-headings from BBC news articles as questions and the corresponding paragraphs as silver answers. The dataset comprises over 370K QA pairs across 38 languages, encompassing several low-resource languages, and stands as the largest multilingual QA dataset to date. Based on the manual annotations of 790 QA-pairs from MuNfQuAD (golden set), we observe that 98\% of questions can be answered using their corresponding silver answer. Our fine-tuned Answer Paragraph Selection (APS) model outperforms the baselines. The APS model attained an accuracy of 80\% and 72\%, as well as a macro F1 of 72\% and 66\%, on the MuNfQuAD testset and the golden set, respectively. Furthermore, the APS model effectively generalizes certain a language within the golden set, even after being fine-tuned on silver labels.

چکیده به فارسی (ترجمه ماشینی)

بیشتر سؤالات موجود در پاسخ به مجموعه داده ها (چهار) در درجه اول روی پاسخ به سؤال کوتاه مبتنی بر واقعیت (QA) به زبان های با منابع بالا متمرکز می شوند.با این حال ، دامنه چنین مجموعه داده هایی برای زبانهای کم منبع محدود است ، تنها چند اثر با محوریت چهارگوشهای مبتنی بر فاکتوئید و هیچکدام در کوازهای غیر فکتوئید وجود ندارد.بنابراین ، این کار Munfquad را نشان می دهد ، یک چهار زبانه چند زبانه با سوالات غیر عامه.این برنامه از زیر مجموعه های بازجویی از مقالات خبری بی بی سی به عنوان سؤال و پاراگراف های مربوطه به عنوان پاسخ های نقره استفاده می کند.این مجموعه داده شامل بیش از 370K جفت QA در 38 زبان است که شامل چندین زبان با منابع کم است و به عنوان بزرگترین مجموعه داده QA چند زبانه تا به امروز قرار دارد.بر اساس حاشیه نویسی دستی 790 جفت QA از Munfquad (مجموعه طلایی) ، ما مشاهده می کنیم که 98 ٪ از سؤالات را می توان با استفاده از پاسخ نقره مربوطه پاسخ داد.مدل انتخاب پاراگراف پاسخ خوب ما (APS) از خطوط پایه بهتر است.مدل APS به ترتیب در تست Munfquad و مجموعه طلایی به ترتیب از 80 \ ٪ و 72 \ ٪ و همچنین یک کلان F1 72 \ ٪ و 66 \ ٪ برخوردار شد.علاوه بر این ، مدل APS حتی پس از تنظیم دقیق بر روی برچسب های نقره ، به طور موثری یک زبان را در مجموعه طلایی تعمیم می دهد.