PolQA：波兰语问答数据集
计算与语言
2024-02-23 v2
摘要
近期提出的开放域问答（OpenQA）系统需要大量训练数据才能达到最先进的性能。然而，众所周知，数据标注耗时且获取成本高昂。因此，合适的数据集仅适用于少数几种语言（主要是英语和中文）。在本工作中，我们介绍并公开发布 PolQA，这是第一个用于 OpenQA 的波兰语数据集。它包含 7,000 个问题、87,525 个手动标注的证据段落，以及一个包含超过 7,097,322 个候选段落的语料库。每个问题根据其表述方式、类型以及答案的实体类型进行分类。这一资源使我们能够评估不同标注选择对问答系统性能的影响，并提出一种高效的标注策略，该策略将段落检索 accuracy@10 提高了 10.55 个百分点，同时将标注成本降低了 82%。
引用
@article{arxiv.2212.08897,
title = {PolQA: Polish Question Answering Dataset},
author = {Piotr Rybak and Piotr Przybyła and Maciej Ogrodniczuk},
journal= {arXiv preprint arXiv:2212.08897},
year = {2024}
}