RCB

Описание задачи

Russian Commitment Bank (RCB) - это набор из естественных контекстов, в которых содержится или отсутствует причинно-следственная связь, а также размечены дополнительные дискурсивные характеристики - вопрос, модальность, отрицание предшествующих условий.

Датасет входит в бенчмарк Russian SuperGLUE [1], был переведен в инструктивный формат и перепроверен. Исходный сет является аналогом английского датасета CommitmentBank (CB) [2, 3].

Ключевые слова: Оценка здравого смысла, причинно-следственные связи, RTE (Recognizing Textual Entailment), многоклассовая классификация

Авторы: Татьяна Шаврина, Алена Феногенова, Валентин Малых, Екатерина Артемова, Владислав Михайлов, Мария Тихонова, Денис Шевелёв, Антон Емельянов, Андрей Евлампиев

Мотивация

Датасет позволяет оценить насколько модели умеют разрешать логическое следствие, задача (textual entailment). Датасет построен таким образом, чтобы учитывать дискурсивные характеристики. Датасет в бенчмарке Russian SuperGLUE один из немногих, для которых всё ещё сохраняется значительный разрыв между оценками моделей и человеческой.

Описание данных

Поля датасета

Каждый пример данных датасета представляет собой некоторую ситуацию предпоссылки

instruction — инструктивный промпт заданный под текущее задание;
inputs — словарь, содержащий следующую информацию:
- premise — текст посылки c изначальной ситуацией;
- hypotesis — текст гипотезы, для которой требуется определить, следует ли она из посылки или нет;
outputs — информация об ответе;
meta — метаинформация о задаче:
- id — номер примера из датасета;
- negation — информация об отрицании;
- genre — жанр текста;
- verb — глагол действия, по которому подбирались тексты.

Пример из датасета

{
    "instruction": "Приведено описание ситуации и гипотеза. Ситуация: \\"{premise}\\" Гипотеза: \\"{hypothesis}\\". Определи отношение гипотезы к ситуации, выбери один из трех вариантов: 1 - гипотеза следует из ситуации, 2 - гипотеза противоречит ситуации, 3 - гипотеза независима от ситуации. В ответ напиши только цифру 1, 2 или 3, больше ничего не добавляй.",
    "inputs": {
		"premise": "Сумма ущерба составила одну тысячу рублей. Уточняется, что на место происшествия выехала следственная группа, которая установила личность злоумышленника. Им оказался местный житель, ранее судимый за подобное правонарушение.",
		"hypothesis": "Ранее местный житель совершал подобное правонарушение."
},
    "outputs": "1",
    "meta": {
	"verb": "судить",
        "negation": "no_negation",
        "genre": "kp",
        "id": 0
    }
}

Варианты ответа пишутся в поле outputs(строковые значения): 1- гипотеза следует из ситуации, 2 - гипотеза противоречит ситуации, или 3 - гипотеза независима от ситуации.

Разбиение датасета

Количество обучающих примеров в датаcете 438 тренировочных, 220 валидационных примеров и 438 тестовых. Количество предложений всего сета равно 2715, а количество токенов: 3.7 · 10^3.

Промпты

Промпты (всего 9 штук) представлены в виде инструкции, в которой даны ситуация и гипотеза. Необходимо определить есть ли логическая связь между ситуацией и гипотезой.

Пример промта:

"Ситуация: \\"{premise}\\" Гипотеза: \\"{hypothesis}\\". Определи логическое отношение гипотезы к ситуации, возможен один из трех вариантов: 1 - гипотеза следует из ситуации, 2 - гипотеза противоречит ситуации, 3 - гипотеза независима от ситуации. В ответ напиши только цифру 1, 2 или 3, больше ничего не добавляй."

Создание датасета

Все примеры были собраны из открытых новостных источников и литературных журналов, на основе корпуса Taiga [4], а затем вручную перепроверены и дополнены человеческой оценкой на Yandex.Toloka.

Оценка

Метрики

В качестве метрики для оценки используется точность (Accuracy) и Макро усредненная F1.

Человеческая оценка

Человеческая оценка производилась с помощью платформы Яндекс.Толока с перекрытием разметчиков равным 3.

Финальная оценка точности человека: 0.587.

Финальная оценка усреденной макро F1 метрики у человека: 0.565.

Список литературы

[1] Tatiana Shavrina, Alena Fenogenova, Emelyanov Anton, Denis Shevelev, Ekaterina Artemova, Valentin Malykh, Vladislav Mikhailov, Maria Tikhonova, Andrey Chertok, and Andrey Evlampiev. 2020. RussianSuperGLUE: A Russian Language Understanding Evaluation Benchmark. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 4717–4726, Online. Association for Computational Linguistics.
[2] Original CB paper: Marie-Catherine de Marneffe, Mandy Simons, and Judith Tonhauser (2019). The CommitmentBank: Investigating projection in naturally occurring discourse. Proceedings of Sinn und Bedeutung 23.
[3] Wang A. et al. Superglue: A stickier benchmark for general-purpose language understanding systems //Advances in Neural Information Processing Systems. – 2019. – С. 3261-3275.
[4] Shavrina, Tatiana, and Olga Shapovalova. "To the methodology of corpus construction for machine learning:“Taiga” syntax tree corpus and parser." Proceedings of “CORPORA-2017” International Conference. 2017.

Задачи

RCB