NewsQs: 多源信息提问
内容提要
该文综述问答数据集与生成模型研究，涵盖NewsQA（超10万问答对，人类表现优于神经模型）、SearchQA（14万问答对，显示人机差距）、ACS-QG（自动生成280万问答对）、MixQG（结合9个数据集训练）、SelQA（选择题数据集），以及QA-NLI派生50万推理示例和多阶段注意力生成更真实问题的研究。
延伸解读
数据集规模与人类表现差距
NewsQA和SearchQA均包含超过10万问答对，且人类表现显著优于神经模型，表明现有模型在新闻问答上仍有提升空间。SearchQA每个问题平均关联49.6个检索片段，凸显了多文档推理的难度。这些数据集为评估模型提供了基准，也提示未来研究需缩小人机差距。
自动生成与多数据集融合
ACS-QG通过信息抽取和神经网络生成器自动构建了280万高质量问答对，MixQG则融合9个问答数据集训练单一模型，两者都致力于扩大数据规模并提升多样性。这种自动化方法能降低人工标注成本，但生成问题的真实性和答案准确性仍需质量控制器保障。
推理能力与跨任务迁移
QA-NLI从问答数据集中自动派生50万自然语言推理示例，展示了问答数据在推理任务上的迁移价值。多阶段注意力机制在长文档生成更真实问题上的改进，以及SelQA通过减少词共现增强挑战性，都指向提升模型推理能力的方向。这些工作为构建更鲁棒的问答系统提供了思路。
Q&A
NewsQA数据集是什么？它包含多少问答对？
NewsQA是一个通过四阶段过程收集的、基于超过10,000篇CNN新闻文章的人类生成问答对数据集，包含超过100,000个QA对，由众包工人提供，答案是对应文章的文本片段。
SearchQA数据集有什么特点？人类和机器在它上面的表现差距如何？
SearchQA是一个用于机器理解和问答的数据集，包含14万个问题-答案对，每个对平均包含49.6个来自Google检索的文本片段。人类评估和基准测试显示人类与机器表现之间存在显著差距，表明该数据集可作为问答基准。
ACS-QG系统如何自动生成问答对？它生成了多少数据？
ACS-QG系统使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题-答案对，能从较少的数据中生成280万个高质量问答对，并超越了现有神经网络问题生成模型。
MixQG模型是如何训练的？它有什么优势？
MixQG是一个神经问题生成器，通过结合9个问答数据集来训练单一的生成模型，能在不同认知水平产生不同类型答案的问题，并在已知和未知领域均表现出优越性。
SelQA数据集是什么？它的注释方案有什么特别之处？
SelQA是一个选择题型问答数据集，通过众包生成问题，并从英文维基百科中提取十个最常见主题的长度为答案。其语料库注释方案旨在通过明确减少问题和答案之间的词共现来增强生成大型、多样化和具有挑战性的数据集的过程。
QA-NLI数据集是如何派生的？它包含多少推理示例？
QA-NLI数据集是通过基于句子转换模型的新方法，从庞大数量的大型问答数据集中自动派生自然语言推理（NLI）数据集，成功将多种问答数据集应用于NLI，新派生出包含50万个以上NLI示例的免费数据集，展示了推理现象的宽泛性。
