我们提出了一个新的框架 QC4QA，利用自我监督的方法通过伪标签实现问题分类，最大化平均差异来减少源域和目标域之间的交叉差异，以及在同一问题类别的 QA 样本中最小化内部类别差异，该方法在多个数据集上比基准方法有了明显的改进。

Sep, 2022

本文提出一种新的方法来从众包工作者那里获得高质量、针对领域的多项选择题，该方法通过利用大量的领域特定文本和一小部分现有问题，产生文档选择和答案干扰选项的模型建议，辅助人类提问生成过程。使用这种方法，我们已经组装了 13.7K 的多项选择科学考试题的 SciQ 数据集，并通过提供对这个新数据集的分析和展示人们无法区分众包问题与原问题，证明了这种方法可以产生领域内的问题。当将 SciQ 用作现有问题的附加训练数据时，在真实科学考试中观察到了准确度的提高。

Jul, 2017

通过训练大规模语言模型来判别医学问题，我们使用多问题序列 BERT 方法训练深度神经网络，实现了在医学多选题数据集上 0.68 和 0.60 的准确率，展示了人工智能和大规模语言模型在医疗领域多分类任务中的能力。

Mar, 2024

本文提出了一种针对医疗领域的问题分类数据集，结合多个神经网络模型实现了对问题的多维特征提取，并提出基于多维特征的问题分类模型，实验结果表明该方法可以有效提高问题分类的性能。

Feb, 2022

本研究通过定量分析之前研究中提出的几种方法，比较它们在三个不同教育领域包含不同类型问题的公开真实数据集上的表现，发现基于 Transformer 的模型在跨不同教育领域的 MCQs、科学题和数学题等方面表现最佳，超越其他方法甚至在较小的数据集上也表现得更好。

May, 2023

本研究提出了一种基于多答案提问任务的极端多标签分类方法和辅助分类评估指标，并将其应用于法律领域，结果表明该方法在 EURLEX 数据集上能够完成极端多标签分类。

Mar, 2023

通过基于自监督的新型启动框架，从 stackexchange 中提取 post-comment 元组，利用神经网络分类器构建了一个多样化、大规模的澄清问题数据集。将该数据集应用于问题回答的下游任务的实验表明其效用，并放出名为 ClarQ 的含 173 个领域的 2M 个实例的数据集。其目的是促进澄清问题生成的研究，以提升对话和问题回答系统。

Jun, 2020

本文提出了一种混合技术，通过将来自基于深度学习的问题分类器的问题类与深度学习模型相结合，使用我们提出的两层英文问题分类系统，从而实现语义问题匹配。在三个开放域数据集上进行的实验表明，我们提出的方法是有效的。我们在部分排序问题排名（POQR）基准数据集上实现了最先进的结果。我们的实证分析表明，将标准分布特征（由问题编码器提供）与来自分类法的知识相结合，比单独使用深度学习（DL）或分类法本身更有效。

Jan, 2021

本研究提出一种利用基础文档和少量标注数据进行深度学习提取式问答的方法，并通过对三个不同领域数据集的实验验证了其有效性。

Apr, 2018

本文介绍一种新的数据集 SciHTC，包含 186,160 篇论文和 1,233 个学科分类，建立了层次化多标签文本分类的强基线，并提出了一种多任务学习方法来进行主题分类，获得 Macro-F1 得分 34.57％，显示这个数据集提供了显著的研究机会。

Nov, 2022