質問への回答

質問応答（QA）は、情報検索と自然言語処理（NLP）の分野におけるコンピュータ科学の一分野であり、人間が自然言語で投げかける質問に自動的に答えるシステムを構築することに関係している。^{[ 1 ]}

質問応答システム（通常はコンピュータプログラム）は、知識や情報の構造化されたデータベース（通常は知識ベース）に問い合わせることで回答を生成する。より一般的には、質問応答システムは、構造化されていない自然言語文書の集合から回答を抽出する。

質問応答システムに使用される自然言語文書コレクションの例としては、参考テキスト、編集されたニュース記事、Wikipediaページ^{[ 2 ]}、その他のワールドワイドウェブページなどがあります。

初期の質問応答システムとしては、BASEBALL ^{[ 3 ]}と LUNAR ^{[ 4 ]}の 2 つがある。BASEBALLは 1 年間にわたってメジャーリーグベースボールに関する質問に答えた。LUNAR はアポロ月面探査ミッションで持ち帰られた岩石の地質学的分析に関する質問に答えた。どちらの質問応答システムも、それぞれの専門分野で非常に効果的だった。LUNARは 1971 年の月科学会議で実演され、システムの使い方を訓練されていない人から寄せられた専門分野に関する質問の 90% に答えることができた。

その後数年間で、さらに限定されたドメインの質問応答システムが開発された。これらのシステムに共通する特徴は、選択されたドメインの専門家によって手書きされたコアデータベースまたは知識システムを備えていることである。BASEBALLとLUNARの言語機能は、最初のチャットボットプログラムであるELIZAとDOCTORと同様の技術を使用していた。

SHRDLUは、1960年代後半から1970年代初頭にかけてテリー・ウィノグラードによって開発された、成功を収めた質問応答プログラムです。このプログラムは、おもちゃの世界（「ブロックの世界」）におけるロボットの動作をシミュレートし、ロボットに世界の状況について質問できる機能を提供しました。このシステムの強みは、非常に具体的な領域と、コンピュータプログラムに容易に組み込める物理法則を持つ非常にシンプルな世界を選択した点にありました。

1970年代には、より狭い知識領域を対象とした知識ベースが開発されました。これらのエキスパートシステムと連携するために開発された質問応答システムは、特定の知識領域内の質問に対して、より再現性が高く妥当な回答を生成するようになりました。これらのエキスパートシステムは、内部アーキテクチャを除けば、現代の質問応答システムとよく似ています。エキスパートシステムは、専門家によって構築・整理された知識ベースに大きく依存しているのに対し、現代の多くの質問応答システムは、大規模で非構造化された自然言語テキストコーパスの統計処理に依存しています。

1970年代と1980年代には、計算言語学における包括的な理論が発展し、テキスト理解と質問応答に関する意欲的なプロジェクトが数多く開発されました。その一例が、1980年代後半にカリフォルニア大学バークレー校のロバート・ウィレンスキーによって開発されたUnix Consultant（UC）です。このシステムは、 Unixオペレーティングシステムに関する質問に答えるものでした。UCは、そのドメインに関する包括的で手作業で作成された知識ベースを持ち、様々なタイプのユーザーに対応できるよう回答の表現方法を調整することを目指していました。もう一つのプロジェクトは、ドイツのある都市の観光情報に関するテキスト理解システムであるLILOGです。UCとLILOGプロジェクトで開発されたシステムは、単純なデモンストレーションの段階を超えることはありませんでしたが、計算言語学と推論に関する理論の発展に貢献しました。

健康や生命科学向けのEAGLiなど、専門的な自然言語質問応答システムが開発されている。^{[ 5 ]}

近年、質問応答システムは知識の領域を拡大してきました^{[ 6 ]。}例えば、時間的・地理的な質問、定義や用語に関する質問、人物に関する質問、多言語の質問、音声、画像^{[ 7 ] 、動画[ 8 ]}の内容に関する質問に自動的に回答するシステムが開発されています。現在の質問応答研究のトピックには、以下のようなものがあります。

• 対話性—質問や回答の明確化^{[ 9 ]}
• 回答の再利用またはキャッシュ^{[ 10 ]}
• 意味解析^{[ 11 ]}
• 回答プレゼンテーション^{[ 12 ]}
• 知識表現と意味的含意^{[ 13 ]}
• 質疑応答システムを用いたソーシャルメディア分析
• 感情分析^{[ 14 ]}
• テーマ的役割の活用^{[ 15 ]}
• 視覚的な質問応答のための画像キャプション^{[ 7 ]}
• 身体化された質問応答^{[ 16 ]}

2011年、IBMが開発した質問応答コンピュータシステムであるWatsonは、 Jeopardy!のエキシビションマッチ2回でBrad RutterとKen Jenningsと対戦し、大差で勝利した。^{[ 17 ]} Facebook Researchは、 DrQAシステム^{[ 18 ]}をオープンソースライセンスで公開した。このシステムは、知識ソースとしてWikipediaを使用している。 ^{[ 2 ]} deepsetによるオープンソースフレームワークHaystackは、オープンドメインの質問応答と生成型質問応答を組み合わせ、業界のユースケースに合わせて基盤となる言語モデルのドメイン適応をサポートしている。^{[ 19 ] [ 20 ]}

GPT-4 ^[37]やGemini ^[38]のような大規模言語モデル（LLM）^{[36]は、より高度なテキストの理解と生成を可能にする、成功したQAシステムの例です。テキスト、画像、音声などのさまざまなモダリティからの情報を処理および理解できるマルチモーダル[39]} QAシステムと組み合わせると、LLMはQAシステムの機能を大幅に向上させます。

質問応答研究は、事実、リスト、定義、方法、理由、仮説、意味的に制約のある質問、異言語間の質問など、幅広い種類の質問に答える方法を開発しようとするものである。

• 記事に関連する質問に答えることで読解力を評価できるのは、質問応答の中でも比較的単純な形式の一つです。なぜなら、記事は他のタイプの質問応答問題の領域に比べて比較的短いからです。例えば、システムにこのテーマに関する記事が与えられた後、「アルバート・アインシュタインはノーベル賞を何で受賞したのか？」という質問に答えるといった質問がこれに該当します。
• クローズドブック方式の質問応答とは、システムがトレーニング中にいくつかの事実を記憶し、明示的に文脈を与えられなくても質問に答えることができる状態を指します。これは、人間がクローズドブック方式の試験を受けるのと似ています。
• クローズドドメイン質問応答は、特定のドメイン（たとえば、医療や自動車整備）に関する質問を扱い、オントロジーで形式化されることが多いドメイン固有の知識を活用できます。あるいは、「クローズドドメイン」は、手順情報ではなく記述情報を求める質問など、限られた種類の質問のみを受け入れる状況を指す場合もあります。機械読解アプリケーションのコンテキストにおける質問応答システムは、たとえばアルツハイマー病に関連する医療ドメインでも構築されています。 ^{[ 21 ]}
• オープン領域質問応答は、ほぼあらゆる事柄に関する質問に対応し、一般的なオントロジーと世界知識のみに依拠します。オープン領域質問応答用に設計されたシステムは、通常、回答を抽出するためのデータがはるかに多く利用可能です。オープン領域質問の例としては、「アルバート・アインシュタインはどのような功績でノーベル賞を受賞したのか？」という質問がありますが、このテーマに関する記事はシステムに与えられていません。

質問応答システムを分類するもう一つの方法は、使用されている技術的なアプローチによるものです。質問応答システムには、以下のような様々な種類があります。

• ルールベースシステム、
• 統計システム、そして
• ハイブリッドシステム。

ルールベースシステムは、一連のルールを用いて質問に対する正解を決定します。統計システムは、統計的手法を用いて質問に対する最も可能性の高い答えを見つけ出します。ハイブリッドシステムは、ルールベースと統計的手法を組み合わせたものです。

2001年現在質問応答システムには通常、質問の種類と回答の種類を決定する質問分類モジュールが含まれていました。 ^{[ 22 ]}

質問応答システムの種類によって、アーキテクチャが異なります。たとえば、最新のオープン ドメイン質問応答システムでは、リトリーバー リーダー アーキテクチャが使用される場合があります。リトリーバーは、与えられた質問に関連する関連ドキュメントを取得することを目的としており、リーダーは、取得したドキュメントから回答を推論するために使用されます。GPT -3、T5 ^{[ 23 ]} 、 BART ^{[ 24 ]}などのシステムは、トランスフォーマー ベースのアーキテクチャが大規模なテキスト データを基盤となるパラメータに格納するエンド ツー エンド アーキテクチャを使用しています。このようなモデルは、外部の知識ソースにアクセスすることなく質問に答えることができます。

質問応答は優れた検索コーパスに依存しており、回答を含む文書がなければ、質問応答システムはほとんど何もできません。質問のドメインがコレクションと直交していない限り、コレクションが大きいほど一般的に質問応答のパフォーマンスは向上します。ウェブなどの大規模なコレクションにおけるデータの冗長性は、情報の断片が異なるコンテキストや文書でさまざまな方法で表現される可能性が高いことを意味し、^{[ 25 ]} 2つの利点につながります。

1. 適切な情報が様々な形式で提示される場合、質問応答システムはテキストを理解するために、より少ない複雑な自然言語処理技術を実行するだけで済む。
2. 正解は誤検出から除外できる。なぜなら、システムは正解のバージョンが不正解のバージョンよりもコーパス内で多く出現することを根拠にできるからである。

一部の質問応答システムは、自動推論に大きく依存している。^{[ 26 ] [ 27 ]}

QAシステムは、以下のようなさまざまな用途で使用されています。

• 事実が検証されているかどうかを確認するには、「事実Xは真実か、それとも虚偽か？」といった質問をします。
• 顧客サービス、
• テクニカルサポート、
• 市場調査、
• レポートや調査結果を自然言語で生成する。

• Dragomir R. Radev、John Prager、Valerie Samn。「予測アノテーションを使用した自然言語質問に対する疑わしい回答のランキング」。Wayback Machineに2011年8月26日にアーカイブ済み。第6回応用自然言語処理会議議事録、シアトル、ワシントン州、2000年5月。
• John Prager、Eric Brown、Anni Coden、および Dragomir Radev。予測アノテーションによる質問応答。Wayback Machineに 2011 年 8 月 23 日にアーカイブ済み。Proceedings、第 23 回 ACM SIGIR 国際情報検索研究開発会議、ギリシャ、アテネ、2000 年 7 月。
• ハッチンズ、W.ジョン；ハロルド・L・ソマーズ（1992）。機械翻訳入門。ロンドン：アカデミック・プレス。ISBN 978-0-12-362830-5。
• L. Fortnow、Steve Homer (2002/2003)。 「計算複雑性の短い歴史」。D. van Dalen、J. Dawson、A. Kanamori 編『数理論理学の歴史』所収。North-Holland、アムステルダム。
• タンストール、ルイス（2022年7月5日）。『トランスフォーマーによる自然言語処理：Hugging Faceを用いた言語アプリケーションの構築』（第2 版）。O'Reilly UK Ltd.、 第7章。ISBN 978-1098136796。

• TRECにおける質疑応答評価
• CLEFにおける質疑応答評価