確定問題的正確答案通常需要收集大量信息并理解復雜的想法。在最近的一項研究中，紐約大學(NYU)和Facebook AI Research(FAIR)的研究人員團隊研究了通過檢查機器學習模型如何學習解決相關(guān)任務來自動發(fā)現(xiàn)問題的基本屬性(如答疑)的可能性。 。

他們的論文在arXiv上預發(fā)布并定于2019年EMNLP上發(fā)表，他們介紹了一種方法，該方法可為給定的問題答案收集最有力的支持證據(jù)。他們將這種方法專門應用于涉及基于段落的問題解答(QA)的任務，該任務需要分析大量文本來確定對給定問題的最佳答案。

“當我們提出問題時，我們不僅經(jīng)常對答案感興趣，而且對為什么這個答案正確的原因感興趣-有哪些證據(jù)支持該答案，”進行這項研究的研究人員之一埃森·佩雷斯(Ethan Perez)告訴TechXplore。“不幸的是，如果需要閱讀許多文章，研究論文等，查找證據(jù)可能會很耗時。我們的目標是利用機器學習自動查找證據(jù)。”

首先，佩雷斯(Perez)和他的同事們訓練了一個質(zhì)量保證機器學習模型，該模型旨在回答大型文本數(shù)據(jù)庫上的用戶問題，其中包括新聞文章，傳記，書籍和其他在線內(nèi)容。隨后，他們使用“證據(jù)代理”來識別將“說服”機器學習模型以響應具有特定答案的特定查詢的句子，從本質(zhì)上收集了答案的證據(jù)。

佩雷斯說：“我們的系統(tǒng)可以找到任何答案的證據(jù)，不僅是問答模型認為正確的答案，而且先前的工作也著眼于此。” “因此，即使問答模型預測了錯誤的答案或沒有明確的正確答案，我們的方法也可以利用問答模型來找到有用的證據(jù)。”

在測試中，Perez和他的同事觀察到機器學習模型通常從文本段落中選擇證據(jù)，這些證據(jù)可以很好地概括說服其他模型甚至人們。換句話說，他們的發(fā)現(xiàn)表明，模型是基于與人類通常認為的相似證據(jù)做出判斷的，并且在某種程度上甚至可以通過搖擺模型如何考慮證據(jù)來探究人們的想法。