Resumen

La respuesta a preguntas de múltiples saltos ha atraído estudios extensos en los últimos años debido a la aparición de conjuntos de datos anotados por humanos y tablas de clasificación asociadas. Estudios recientes han revelado que los sistemas de respuesta a preguntas aprenden a explotar artefactos de anotación y otros sesgos en los conjuntos de datos actuales. Por lo tanto, un modelo con una fuerte interpretabilidad no solo debe predecir la respuesta final, sino, lo que es más importante, encontrar las oraciones de hechos de apoyo necesarias para responder preguntas complejas, también conocidas como oraciones de evidencia. La mayoría de los métodos existentes predicen la respuesta final y las oraciones de evidencia en secuencia o simultáneamente, lo que inhibe la capacidad de los modelos para predecir el camino de razonamiento. En este documento, proponemos una arquitectura de razonamiento de doble canal, donde dos canales de razonamiento predicen la respuesta final y las oraciones de hechos de apoyo, respectivamente, mientras comparten la capa de

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Respuesta a preguntas; Conjuntos de datos; Artefactos de anotación; Sesgos; Interpretabilidad; Arquitectura de razonamiento
• Keywords:Question answering; Datasets; Annotation artifacts; Biases; Interpretability; Reasoning architecture