提出了一种新的概率图模型，用于联合建模能力测试和众包设置中的问题难度、参与者能力和正确答案。并基于期望模型熵的贪婪最小化制定了一种主动式学习 / 自适应测试方案，通过根据以前的答案动态选择下一个问题来实现更为有效的资源分配。实验结果表明，我们的模型能够推断所需参数，并证明自适应测试方案需要较少的问题来获得与静态测试场景相同的准确性。

Jun, 2012

本研究提出了一个基于 Web 的 UI 框架，通过整合可视化和分析工具来提供有关 QA 模型性能的信息，并帮助 QA 模型研究人员改进其模型的性能。

Dec, 2018

本文通过在神经网络框架中密切模拟问题，引入句法信息来帮助编码问题，并将不同类型的问题和共享信息建模为适应性任务，并提出适应性模型，从而在 Stanford 问题回答数据集（SQuAD）上证明这些方法可帮助获得比竞争基准更好的结果。

Mar, 2017

我们提出了一种简化患者数据填写的创新解决方案，使用自适应问卷，即在用户交互期间动态显示或隐藏问题。通过将系统的临床规则转化为决策规则来确定问卷中要显示的项目，并确定问卷中项目的优先级顺序。我们将这种方法应用于实施药物多用途管理指南 STOPP/START v2 的决策支持系统中，结果显示它可以将问卷中显示的临床病况数量减少三分之二左右。在专家组会议中向临床医生展示时，发现自适应问卷 “非常容易使用”。将来，这种方法可以应用于其他指南，并适用于患者填写数据。

Sep, 2023

该研究介绍了一种众包自适应调查方法（CSAS），结合自然语言处理和自适应算法的进展，生成随用户输入而演变的问题库。该方法将参与者提供的开放性文本转换为李克特式项目，并应用多臂赌博机算法来确定应优先考虑的用户提供的问题。这种自适应方法允许探讨新的调查问题，同时在调查长度方面成本最小化。在拉丁裔信息环境和问题重要性领域的应用展示了 CSAS 识别可能难以通过标准方法追踪的主张或问题的能力。最后讨论了该方法在研究参与者生成内容可能提高我们理解公众意见的主题方面的潜力。

Jan, 2024

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

本研究提出一种算法，利用数据集转换技术从长的 Trivia 问题转化为类似于日常人类交流的较短问题的方式，自动生成自然问题（NQ）数据集中的问题，同时使用神经分类器检测并去除不合法的问题，从而生成高质量的数据集，提高了 QA 表现，该算法在低资源环境下使用，扩展了 QA 系统的规模，同时保持了训练数据的质量。

Oct, 2022

本研究提出了一种基于贝叶斯网络的自然语言处理方法，可以预测和分析上下文，并可以应用于社区问答领域，通过与基线模型的比较，我们的方法在精度指标方面表现更好，同时讨论了罚项对贝叶斯网络结构的影响，以及有向无环图在分析语义关系方面的可视化表示。

Feb, 2023

为了解决用户疲劳和不完整回答的问题，本研究提出了一种自适应问卷的方法，根据用户之前的回答选择后续问题，以提高推荐的准确性并减少问题的数量。通过使用编码器和解码器模块及选择器模块，结合瑞士联邦选举的 Smartvote 数据集进行验证，采用 IDEAL 模型作为编码器和解码器，并使用 PosteriorRMSE 方法进行问题选择，可显著提高推荐的准确性，实现与精简版问卷相同问题数量下的 74% 准确率。

Apr, 2024

ADMUS 是一个基于深度学习模型的知识库问答系统，通过使用语义解析来处理复杂问题，并且在多语言、多种知识库和不同问答数据集方面具备较高的适应性和可扩展性。

Aug, 2023