解读多语言中对于是非问题的间接回答
原文中文，约300字，阅读约需1分钟。发表于：。本文关注的问题是针对是非问题的回答，针对这个具有挑战性的问题，我们发布了八种语言的新基准，并提出了一种利用远程监督方法来收集训练数据的方法。我们还证明了直接回答（即包含极性关键词）有助于训练模型解释间接回答（即不包含极性关键词）。实验结果表明，如果可以通过远程监督获得感兴趣语言的训练数据，单语微调是有益的（5 种语言）。此外，我们还展示了跨语言微调总是有益的（8 种语言）。
本文介绍了BoolQ数据集和迁移学习的基线效果，发现从蕴涵数据进行转移的效果最好。作者的最佳方法是在MultiNLI上训练BERT，然后在训练集上重新训练它，准确率为80.4％。
