EMNLPSep, 2019

PubMedQA：生物医学研究问答数据集

PDF
TL;DRPubMedQA 是一个从 PubMed 文摘中收集的生物医学问答（QA）数据集，共有 1k 位专家注释，61.2k 未标记和 211.3k 人工生成的 QA 实例，其中每个实例包括一个问题、相应的摘要、一个长答案和一个总结性答案。采用 BioBERT 的多阶段微调方法，结合长答案单词统计做为额外监督，实现了 68.1% 的准确率，比人类单一表现的 78.0% 的准确率还有改进的空间。
发现论文，激发创造
  • emrQA：基于电子病历的问题回答的大型语料库

    通过重新利用其他 NLP 任务的现有注释，我们提出了一种新的方法来生成特定领域的大规模问答（QA）数据集。我们利用社区共享的 i2b2 数据集中临床笔记的现有专家注释，生成了大规模的电子医疗记录 QA 数据集 emrQA，其中包含 100 万个问题 - 逻辑形式对和 40 多万个问题 - 答案证据对，并通过基线模型训练来探索其学习潜力。

    Sep, 2018

  • 生物医学问答中的前 K 个相关片段检索

    我们在临床领域中通过对现有 DPR 框架的改进，从可靠的 Pubmed 文章中检索答案，使其在 BioASQ QA 数据集上的评估结果为 0.81 的 F1 得分。

    Aug, 2023

  • BioASQ 5B 上的神经问答

    本文描述了我们在 2017 年 BioASQ 挑战赛中的参与，并重点关注生物医学问题回答技术。我们使用了一种抽取式 QA 模型，使用生物医学词向量来扩展 FastQA，并将其应用于提取输入文本片段的子字符串输出。我们将模型在大规模开放域 QA 数据集 SQuAD 上进行预训练，然后在 BioASQ 训练集上进行微调参数。通过我们的方法，我们在事实问题上实现了最先进的结果，并在列表问题上实现了有竞争力的结果。

    Jun, 2017

  • RJUA-QA：一份完整的泌尿科问答数据集

    我们介绍了 RJUA-QA，这是一个新颖的医学数据集，用于问题回答和与临床证据推理，有助于弥合通用大型语言模型（LLMs）与医学特定 LLM 应用之间的差距。

    Dec, 2023

  • 通过可靠和时间感知的证据检索改善健康问题回答

    利用 PubMed 作为可靠的医学研究文档集合，针对开放领域的问答设置，研究通过修改检索设置来提高问答系统性能的方法。结果显示，减少检索到的文档数量，偏爱近期和被引用次数较多的文献可以提高最终的宏观 F1 得分达到 10%。

    Apr, 2024

  • BioTABQA: 医学表格问答的指令学习

    本文在生物医学领域维度构建了一个表格问答数据集 BioTABQA，包含 22 个模板和上下文中的信息。通过该数据集，本文提出了一种基于指导学习的方法，在多个评估方式下，该方法比单一和多任务基线模型表现提高约 23% 和 6%。最重要的是，在跨任务方面，该方法的性能比基线模型提高了约 5%。

    Jul, 2022

  • 现代问答数据集和基准：一项调查

    本文调查了在深度学习时代发布的有影响力的问答数据集，并介绍了文本问答和视觉问答两个最常见的问答任务，涵盖了最具代表性的数据集，并提出了当前的一些 QA 研究挑战。

    Jun, 2022

  • MedMCQA：医学领域问题回答的大规模多学科多选择题数据集

    MedMCQA 是一个新的大型多项选择题答题数据集，收集了超过 194,000 个高质量的 AIIMS 和 NEET PG 考试的 MCQs，涵盖 2,400 多个医疗主题和 21 个医学科目，并测试模型在广泛的医学主题和话题上的 10 + 种推理能力。

    Mar, 2022

  • 面向生物医学问答的神经领域自适应

    本文介绍了一种基于迁移学习技术，将神经网络模型应用在生物医学领域的事实型问答系统上的方法，通过加入生物医学文本嵌入和一种新的回答列表问题的机制来改进该系统，避免了使用昂贵的特定领域本体论、解析器或实体标注器。结果表明，该系统在事实型问题上达到了最新水平，在列表问题上取得了竞争性的结果。

    Jun, 2017

  • 生物医学问题回答：方法与挑战综述

    自动问答系统在不同领域有成功应用，生物医学问答是一项新兴任务。本文对生物医学问答的五种不同方法、可用数据集和代表性方法进行了详细介绍，并确定了该领域尚未成熟、面临的困境以及未来探索方向。

    Feb, 2021