研究者们探讨了一种新的方法通过人在内的 NLP 研究，在不建立新模型的情况下，通过将数据分解为模型更易于回答的一系列简单问题来提高模型性能，证明了这种方法的可行性，可以作为建立大型语言模型的替代方案。

May, 2022

本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

Mar, 2022

本论文探讨了利用多跳问题分解来探究神经问答模型的解释性，通过人类实验证明这种方法可以提高用户预测系统在某个问题实例上的性能，并且可以用来改进问答系统。

Apr, 2022

本文提出了一种链式问题框架，使用人工注释的问题分解含义表示训练模型生成和回答子问题，并且采用动态混合的 Hard-EM 和 MAPO 优化隐变量的子答案，相比于神经符号方法表现大幅度提升。

May, 2023

通过将问题分解为子问题，强迫模型在不同的上下文中回答简单的子问题，可以显著提高模型生成推理的可靠性，并在一定程度上提升效能，从而有望验证 LLM 行为的正确性和安全性。

Jul, 2023

提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

Nov, 2022

通过提出可解释问答的生成性问题分解方法（GenDec），本文试图通过生成独立完整的子问题来增强大型语言模型在多跳问题答案推理能力，并通过结合 GenDec 与小规模 QA 系统以及 GPT-4 等最先进的 LLM，进行基于 HotpotQA、2WikihopMultiHopQA、MuSiQue 和 PokeMQA 数据集的两个实验来展示 GenDec 的影响、泛化性和鲁棒性。

Feb, 2024

本文提出了一种基于抽象意义表征的问题分解方法，通过将多跳问题分解成简单的子问题并按顺序回答它们，实现了可解释的推理过程。实验结果表明，这种方法在可解释的推理方面具有竞争力，并且由 QDAMR 生成的子问题形式良好，优于现有的基于问题分解的多跳 QA 方法。

Jun, 2022

通过利用 Langchain 框架将数据表转化为分层文本数据块，本研究提出了一种新颖的方法来解决数据表重型领域（如金融决策）中的自动问答问题，实现针对各种用户查询生成定制化的语言模型提示，并在幻觉和响应置信度方面进行了多度量标评估。该系统在用户查询响应方面取得了超过 90% 的置信度，并可应用于其他分析领域以确保最佳幻觉控制保障。

Nov, 2023

本文提出了一种新的多跳问题回答模型架构，通过应用 CGDe 和 FGIn 两种策略，在 SQuAD 和 HotpotQA 数据集上表现出超越 state-of-the-art 基线的性能。

Jan, 2021