A partir de hoy, la generación de preguntas se basa principalmente en reglas. El sistema puede confiar en patrones (las relaciones se extraen de un documento), transformaciones léxicas (un árbol de análisis se modifica para formar una pregunta) y, últimamente, reemplazos semánticos (por ejemplo, los elementos en las oraciones analizadas se reemplazan por entidades más generales).
El número especial sobre QG en Diálogo y Discurso, editado por el Dr. Piwek y el Dr. Boyer (Vol 3, No 2 (2012)), da cuenta del estado actual de la técnica en el campo y describe el QGSTEC 2010 (Pregunta Desafío de evaluación compartida de generación).
Arthur Graesser (“Generación de preguntas a partir de mapas conceptuales”), evaluando el problema de decidir el tipo de pregunta para una pregunta generada a partir de la oración “John comerá sushi”, escribe: “Entonces parece que se requiere cierto grado de representación del conocimiento con este nivel superior grado de precisión ”(el sistema necesita recuperar información sobre el sushi para, por ejemplo, comprender que no es una persona).
- ¿Cuál es el uso de una capa de disminución de resolución en una red neuronal convolucional (CNN)?
- ¿Alguien ha intentado sitios web de IA que se diseñen ellos mismos? ¿Cuál es la diferencia entre los sitios web creados por humanos y por IA?
- ¿Es posible darle a una computadora millones de imágenes de varios objetos, y se da cuenta de que hay cosas como animales, platos de cocina, montañas, etc. sin que nosotros lo digamos, y cómo se hace esto exactamente?
- ¿Cómo obtienen las empresas datos de capacitación para implementar el aprendizaje para clasificar algoritmos, especialmente en el contexto de búsqueda?
- ¿Cuál es / son los métodos para iniciar / elegir filtros en redes neuronales convolucionales?
La cantidad de representación necesaria para generar una buena pregunta es un problema abierto y su respuesta decidirá cómo se pueden utilizar los métodos estadísticos en los sistemas QG.
Hasta donde he estado leyendo, en la tesis doctoral de Michael Heilman (2011), Machine Learning se utiliza para derivar un parámetro de aceptabilidad, utilizado para clasificar las preguntas producidas por el sistema de la CMU (Universidad Carnegie Mellon), y así decidir cuál es el mejor.