要約
近年、低リソース機械読解（MRC）分野では、さまざまな言語データセットにおいて顕著な進展が見られ、モデルの性能が著しく向上している。しかし、これらのモデルのうち、ウルドゥー語に特化したものは存在しない。本研究では、機械翻訳によるSQuADデータと、ウィキペディア記事およびカムブリッジOレベル教科書の読解問題から得られた人間生成サンプルを組み合わせることで、ウルドゥー語質問応答データセット（UQuAD1.0）の半自動的構築を試みた。UQuAD1.0は、抽出型機械読解タスクを目的とした大規模なウルドゥー語データセットであり、質問・本文・回答形式の質問応答ペアを合計49,000件含んでいる。このデータセットにおいて、45,000件のQAペアは元のSQuAD1.0を機械翻訳によって生成し、残りの約4,000件はクラウドソーシングにより収集した。本研究では、ルールベースのベースラインモデルと、先進的なTransformerベースのモデルの2種類のMRCモデルを用いた。しかし、その結果、Transformerベースのモデルが他のモデルを上回ることが明らかになったため、今後はTransformerアーキテクチャにのみ注力することとした。XLMRoBERTaおよび多言語BERTを用いた実験では、それぞれF1スコア0.66および0.63を達成した。