ruOpenBookQA

Описание задачи

ruOpenBookQA — это QA датасет с четырьмя вариантами ответов (из которых только один правильный) на научные вопросы элементарного уровня, которые проверяют понимание более чем 1 тыс. основных научных фактов. Датасет создан на основе оригинального английского набора данных [1], вручную русифицирован и провалидирован. Датасет является частью бенчмарка TAPE [2], который был переработан в инструкционный и отфильтрован.

Тип задания: многоклассовая классификация, выбор из четырех вариантов ответов

Ключевые слова: логика, знания о мире, здравый смысл

Авторы: Екатерина Такташева, Татьяна Шаврина, Алена Феногенова, Денис Шевелёв, Надежда Катричева, Мария Тихонова, Альбина Ахметгареева, Олег Зинкевич, Анастасия Башмакова, Светлана Иорданская, Алена Спиридонова, Валентина Куренщикова, Екатерина Артемова, Владислав Михайлов

Мотивация

ruOpenBookQA основан на работе [1]. Оригинальный OpenBookQA — это QA датасет с четырьмя ответами на вопросы, созданный на основе экзаменов по естествознанию для оценки человеческого понимания. Английский вариант состоит из 5957 вопросов элементарного уровня по вопросам биологии, химии, физики с несколькими вариантами ответов из которых 1 ответ правильный. Вопросы проверяют понимание набора из 1326 основных научных фактов и применение этих фактов в различных ситуациях. Ответы на вопросы OpenBookQA требуют дополнительных общих знаний о мире и логике. На вопросы нельзя ответить поиском во внешнюю базу знаний или настроив алгоритм совпадения слов, необходимо “понимание языка”. Русская версия набора намного меньше, но охватывает темы, типичные для русского языка.

Описание датасета

Поля данных

meta — метаинформация о задании:
- id — номер примера в датасете;
instruction — инструктивный промпт заданный под текущее задание;
inputs — словарь, который содержит следующую информацию:
- question — вопрос теста;
- option_a — опция A;
- option_b — опция B;
- option_c — опция C;
- option_d — опция D;
outputs — ответ, может быть одни из следующих строковых переменных: A, B, C, D.

Примеры данных

Каждый пример выглядит следующим образом:

{
    "instruction": "Опираясь на логику и общеизвестные факты, ответьте на вопрос: {question}\nA. {option_a}\nB. {option_b}\nC. {option_c}\nD. {option_d}\nВ качестве ответа запишите только букву верного варианта: A, B, C или D без дополнительных объяснений.\nОтвет:",
    "inputs": {
        "question": "Кто, вероятно, использует свою кровеносную систему?",
        "option_a": "лошадь после гонки",
        "option_b": "дерево, стоящее в лесу",
        "option_c": "машина во время автосоревнования",
        "option_d": "скала на молекулярном уровне"
    },
    "outputs": "A",
    "meta": {
        "id": 0
    }
}

Разбиение данных

Количество тренировочных примеров в датасете: 2338, и 400 тестовых.

Промпты

Промпты представлены в виде инструкции, всего 10 различных промптов.

Примеры промптов даны ниже:

"Опираясь на логику и общеизвестные факты, ответьте на вопрос: {question}\nA. {option_a}\nB. {option_b}\nC. {option_c}\nD. {option_d}\nВ качестве ответа запишите только букву верного варианта: A, B, C или D без дополнительных объяснений.\nОтвет:"

"{question}\nA. {option_a}\nB. {option_b}\nC. {option_c}\nD. {option_d}\n Отвечая на вопрос, запишите только букву верного варианта: A, B, C или D.\nОтвет:"

Создание Датасета

Вопросы взяты из исходного (английского) набора данных OpenBookQA, созданного с помощью многоэтапного краудсорсинга и частичной экспертной фильтрации. Набор данных в основном состоит из автоматического перевода английского OpenBookQA, а также ручных проверок и русификации примеров. Для инструкционной версии сета, мы исключили из закрытого теста примеры, вошедшие в BigBench.

Оценка

Метрики

В качестве метрик используются среднее макро F1 (Average Macro F1) и точность (Accuracy).

Человеческая оценка

Человеческая оценка измерена с помощью платформы Яндекс.Толока с перекрытием разметчиков 3.

Результаты F1 среднего макро и точности: 87.5 / 86.5, соответсвенно.

Литература

[1] Todor Mihaylov, Peter Clark, Tushar Khot, and Ashish Sabharwal. 2018. Can a Suit of Armor Conduct Electricity? A New Dataset for Open Book Question Answering. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 2381–2391, Brussels, Belgium. Association for Computational Linguistics.
[2] Taktasheva, Ekaterina, et al. "TAPE: Assessing Few-shot Russian Language Understanding." Findings of the Association for Computational Linguistics: EMNLP 2022.

Задачи