Tell Me Why: Verwendung von Frage-Antwort-Systemen als ferne Supervision für Antwortbegründungen

Für viele Anwendungen des Frage-Antwort-Verfahrens (Question Answering, QA) ist es entscheidend, erklären zu können, warum ein bestimmtes Modell eine bestimmte Antwort gewählt hat. Allerdings erschwert die fehlende Beschriftung von Antwortbegründungen das Lernen dieser Fähigkeit erheblich und macht es kostspielig. In diesem Beitrag stellen wir einen Ansatz vor, der die Antwortrangordnung als ferne Aufsicht (distant supervision) nutzt, um zu lernen, wie informative Begründungen ausgewählt werden können. Dabei fungieren Begründungen als inferentielle Verbindungen zwischen der Frage und der korrekten Antwort und weisen oft nur geringe lexikalische Überlappung mit einer der beiden auf. Wir schlagen eine neuronale Netzarchitektur für QA vor, die Antwortbegründungen als einen intermediären (und menschlich interpretierbaren) Schritt im Antwortauswahlprozess neu bewertet. Unser Ansatz basiert auf einer Reihe von Merkmalen, die sowohl gelernte Darstellungen als auch explizite Merkmale kombinieren, um die Beziehung zwischen Fragen, Antworten und Antwortbegründungen präzise zu erfassen. Wir zeigen, dass unsere end-to-end-Methodik sowohl bei der Begründungsrangordnung (+9 % mehr hochrelevant bewertet) als auch bei der Antwortauswahl (+6 % P@1) deutlich über eine starke IR-Baseline hinausgeht.