本研究设计了三个接口 —— 注释文章、重新组合文章和问题网格 —— 旨在帮助读者发现新闻报道的多样性，第一次可用性研究表明这些设计的接口都展现了报道的多样性，并确定了每个接口的潜在用例和受众，第二次可用性研究表明，相较于现有的两个接口，注释文章接口的用户能够更全面地回答问题，同时发现该接口易于使用。

Feb, 2023

本研究通过建立一套问答生成模型，实现了对在线新闻读者对新闻信息的认知度的度量，并通过实验证明该模型在多项指标上具有优越的性能。

Feb, 2021

我们提供了一个名为 NewsQs (新闻提示) 的数据集，其中提供了多篇新闻文档的问题 - 回答对。通过在 News On the Web 语料库的 FAQ 样式新闻文章上对 T5-Large 模型进行微调，我们创造了 NewsQs，并自动生成了问题。我们证明，使用控制代码对模型进行微调可以生成更容易被人们接受的问题，与没有使用控制代码的相同模型相比，在人类评价中表现更好。我们使用与人类注释具有高相关性的 QNLI 模型来过滤数据。我们将我们的最终高质量问题、答案和文档聚类数据集作为资源，用于未来的基于查询的多文档摘要研究。

Feb, 2024

我们提出了一种新的多样性评估度量，用于评估每个实例的前 K 个生成问题的多样性，并确保它们与事实相关。同时，我们引入了一个双模型框架，通过两种选择策略将外部自然问题与生成模型相结合，以生成多样化的问题。实验结果表明，我们的方法生成了高度多样化的问题，并改善了问题回答任务的性能。

Sep, 2023

本文提出一个 QAG 框架，通过生成不同的疑问句和隐式 / 显式答案，增强 QA 类型的多样性，该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。

Jun, 2023

该研究使用多问题生成模型 (mQG) 从给定的上下文生成多样且可回答的问题，并通过 SQuAD2.0 fine-tuned 模型验证问题的可回答性，该模型在 FairytaleQA 数据集上训练和评估，并在 TellMeWhy 和 SQuAD1.1 数据集上进行了零 - shot 适应，显示出与强基线方法相比有希望的结果。

Oct, 2023

本篇论文探讨了如何建立可扩展 NLP 系统来直接从海量新闻语料库中发现媒体选择偏差模式的挑战，并针对新闻源的意识形态进行了实证研究，通过无监督的学习方法来捕捉新闻语料库中的媒体选择倾向，为未来的媒体选择偏差研究提供了启示。

Apr, 2023

介绍了一种基于信息论度量的多项选择问答和生成框架（MQAG），其用自动生成的多项式问题的答案分布来计算摘要和原文件之间的期望 KL 散度，以评估摘要的信息一致性。实验表明，MQAG 在大多数任务上优于现有的评估方法。

Jan, 2023

本文提出了一种通过建立多样性度量指标及其多样性参数之间关系的系统来评估自然语言生成（NLG）系统多样性的方法，并通过对人类和自动度量，解码参数调整等方面的实验展示了这个框架的实用性。

Apr, 2020

本文提出了一种新的方法来收集关于新闻文件的提问，带有上下文关联且没有标注答案的开放性问题数据集 (DCQA)，并结合现有的问答资源进行了预训练，以有效帮助回答这类开放性问题。

Nov, 2021