Jan, 2022

带有多答案和多焦点问题的临床提取问题回答数据集的开发

PDF
TL;DR本文旨在开发一个新的数据集，用于研发和评估临床试验问题回答系统，该系统可以处理自然的多答案和多焦点问题。通过使用 2018 年国家 NLP 临床挑战（n2c2）语料库进行注释关系，包含 1 到 N、M 到 1 和 M 到 N 药品 - 事件关系，形成多答案和多焦点的 QA 项目，可以更好地挖掘围绕答案的线索，培训和评估需要处理多重答案和多重焦点问题的系统。
extractive question-answeringclinical notesmulti-answermulti-focusdataset
发现论文，激发创造
  • 医学内容抽取式问答的序列标注

    本文研究了通用和生物医学知识库中问答问题类型的不同，并提出了一种基于序列标注方法的生物医学知识库问答模型，可以直接回答多个答案，而不需要后处理步骤。

    Apr, 2021

  • XAIQA：用于提取式问答的基于解释器的数据增强

    使用医疗记录自然可用的数据，XAIQA 通过分类模型解释器生成大规模的合成问答对，提升了 GPT-4 作为抽取式问答模型的性能。

    Dec, 2023

  • DrugEHRQA：一个针对医学相关查询的结构化和非结构化电子病历问答数据集

    该研究开发了第一个多模式药物电子健康记录问答数据集，其中包含从公开可用的电子健康记录中结构化表格和非结构化笔记中提取的问答对。研究目的是为多模式问答系统提供基准数据集，并通过使用非结构化临床数据的上下文来改善电子健康记录结构化数据上的问答。

    May, 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

  • 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

  • 多项选择数据集能否用于抽取式问答？

    我们重新利用 Belebele 数据集，将其用于机器阅读理解中的抽取式问答任务，从而解决资源匮乏语言中的数据标注问题，并为英语和现代标准阿拉伯语（MSA）提供了平行的抽取式问答数据集，并在多种单语和跨语言的问答对中进行了评估和分析。

    Apr, 2024

  • 科学审核器：用于科学事实核查的抽取式布尔问答

    本文提出了一种基于多任务学习的科学问题验证方法，该方法结合了信息概括、布尔问答、提取式问题回答和语义理解技术。该方法在欧洲 PMC 的 300 万篇医学和健康领域 OA 文章上，在 BERT 和 RoBERTa 问答模型的实验中，实现了 4％的平均误差率和 95.6％的 F1 分数。

    Apr, 2022

  • CliniQG4QA：用于临床问答领域自适应的多样化问题生成技术

    研究提出了一种名为 ClinQG4QA 的框架，该框架借助问答生成来合成新的临床背景下的 QA 对，提高 QA 模型的性能，同时还引入了 seq2seq-based 问题短语预测模块来扩大生成的多样性。该方法在实验中表现出了显著的精度提升（最高达 8%），而 QPP 模块对此有着重要作用。

    Oct, 2020

  • 基于问答的综合中文电子健康记录信息提取的流程

    提出了一种新的方法，自动生成用于 QA 模型的迁移学习的训练数据，该模型在电子健康记录的信息提取子任务中表现出色且能够有效处理少样本或零样本情况的问题。

    Feb, 2024

  • 多目标身体化问答

    本研究提出了一种基于模块化架构和可执行子程序的多目标环境问答（MT-EQA）技术，可以有效解决问答中存在多个目标时的语义分析和推理问题，得到了优于现有方法和基准的实验效果。

    Apr, 2019