Evaluierung falscher Annahmen in Fragen mit langer Schwanzverteilung mithilfe synthetischer KF-Datensätze

Falsche Annahmen in Informationsfragen stellen eine Herausforderung für robuste Frage-Antwort-Systeme dar. Bestehende Arbeiten konzentrieren sich auf natürlich vorkommende Fragen, was eine Lücke in der Analyse des Modellverhaltens auf dem langen Schwanz der Verteilung möglicher Fragen lässt. Daher führen wir Syn-(QA)2 ein, einen Satz synthetisch generierter KF-Datensätze, um den Einfluss falscher Annahmen sowohl in Ein-Hop- als auch in Mehr-Hop-Szenarien zu untersuchen.