具有多步骤推理和多跨度问题的中国司法阅读理解扩充和挑战性数据集

Qingye Meng , Ziyue Wang , Hang Chen , Xianzhen Luo , Baoxin Wang , Zhipeng Chen , Yiming Cui , Dayong Wu , Zhigang Chen , Shijin Wang
{"title":"具有多步骤推理和多跨度问题的中国司法阅读理解扩充和挑战性数据集","authors":"Qingye Meng , Ziyue Wang , Hang Chen , Xianzhen Luo , Baoxin Wang , Zhipeng Chen , Yiming Cui , Dayong Wu , Zhigang Chen , Shijin Wang","doi":"10.1016/j.aiopen.2022.12.001","DOIUrl":null,"url":null,"abstract":"","PeriodicalId":100068,"journal":{"name":"AI Open","volume":"3 ","pages":"193-199"},"PeriodicalIF":0.0000,"publicationDate":"2022-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://www.sciencedirect.com/science/article/pii/S2666651022000225/pdfft?md5=b1c460292acbffd5098c88c36eca4487&pid=1-s2.0-S2666651022000225-main.pdf","citationCount":"1","resultStr":"{\"title\":\"Augmented and challenging datasets with multi-step reasoning and multi-span questions for Chinese judicial reading comprehension\",\"authors\":\"Qingye Meng , Ziyue Wang , Hang Chen , Xianzhen Luo , Baoxin Wang , Zhipeng Chen , Yiming Cui , Dayong Wu , Zhigang Chen , Shijin Wang\",\"doi\":\"10.1016/j.aiopen.2022.12.001\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"\",\"PeriodicalId\":100068,\"journal\":{\"name\":\"AI Open\",\"volume\":\"3 \",\"pages\":\"193-199\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2022-01-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"https://www.sciencedirect.com/science/article/pii/S2666651022000225/pdfft?md5=b1c460292acbffd5098c88c36eca4487&pid=1-s2.0-S2666651022000225-main.pdf\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"AI Open\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://www.sciencedirect.com/science/article/pii/S2666651022000225\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"AI Open","FirstCategoryId":"1085","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S2666651022000225","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

摘要

现有的司法阅读理解数据集相对简单,可以通过单步推理获得问题的答案。然而,法律文件在实际场景中的内容很复杂,因此仅通过一步推理推断正确结果是有问题的。为了解决这类问题,我们对中国司法阅读理解(CJRC)数据集中包含的问题的困难进行了推广,并提出了CJRC2.0和CJRC3.0两个扩充版本。这些数据集来源于中国不同领域的司法裁判文书,并由司法专业人士进行注释。与CJRC相比,这两个数据集中的判断文件类型更多,问题变得更难回答。对于CJRC2.0,我们只保留需要通过多步骤推理解决的复杂问题。此外,我们还为答案提供了额外的支持性事实。对于CJRC3.0,我们引入了一种新的问题类型,即多跨度问题,该问题应该通过提取和组合文档中的多个跨度来回答。我们实现了两个强大的基线来评估我们提出的数据集的难度。我们提出的数据集填补了可解释的法律机器阅读理解领域的空白。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Augmented and challenging datasets with multi-step reasoning and multi-span questions for Chinese judicial reading comprehension
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
CiteScore
45.00
自引率
0.00%
发文量
0
期刊最新文献
GPT understands, too Adaptive negative representations for graph contrastive learning PM2.5 forecasting under distribution shift: A graph learning approach Enhancing neural network classification using fractional-order activation functions CPT: Colorful Prompt Tuning for pre-trained vision-language models
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1