質問応答（QA）の多くの応用において、モデルが特定の回答を選択した理由を説明できる能力は極めて重要である。しかし、回答の根拠（justification）に関するラベル付きデータの不足により、このような説明能力を学習することは困難かつ高コストである。本研究では、回答の根拠をランキングする手法を、情報豊かな根拠を選択する能力を学ぶための遠隔教師信号（distant supervision）として活用するアプローチを提案する。ここでいう根拠とは、質問と正解の回答の間に論理的接続を提供するものであり、しばしば質問や回答とほとんど語彙的重複を示さない。我々は、回答選択の過程における中間段階（かつ人間が解釈可能な段階）として、回答の根拠を再ランキングするニューラルネットワークアーキテクチャを提案する。このアプローチは、学習された表現と明示的な特徴を統合するように設計された複数の特徴に基づいている。これらは質問、回答、および回答の根拠の間の関係を捉えることを目的としている。実験の結果、このエンド・ツー・エンドのアプローチにより、強力な情報検索（IR）ベースラインに対して、根拠のランキング性能（高関連性と評価された割合が+9%向上）および回答選択性能（P@1が+6%向上）の両面で顕著な改善が得られた。