Key points are not available for this paper at this time.
Nous présentons QuAC, un ensemble de données pour la Question-Réponse en Contexte qui contient 14K dialogues de QA à la recherche d'informations (100K questions au total). Les dialogues impliquent deux travailleurs : (1) un étudiant qui pose une série de questions librement formulées pour en apprendre le plus possible sur un texte caché de Wikipédia, et (2) un enseignant qui répond aux questions en fournissant de courts extraits du texte. QuAC introduit des défis non présents dans les ensembles de données existants de compréhension machine : ses questions sont souvent plus ouvertes, sans réponse, ou uniquement significatives dans le contexte du dialogue, comme nous le montrons dans une évaluation qualitative détaillée. Nous rapportons également des résultats pour un certain nombre de modèles de référence, y compris une architecture de compréhension de lecture à la pointe de la technologie récemment étendue pour modéliser le contexte du dialogue. Notre meilleur modèle est inférieur aux performances humaines de 20 F1, suggérant qu'il y a un potentiel significatif pour des travaux futurs sur ces données. Ensemble de données, référence de base et classement disponibles à http://quac.ai.
Choi et al. (Mon,) ont étudié cette question.