Gids-gekoppelde quiz · Middelmatig Niveau
Quiz over natuurlijke taalinferentie en gevolgen
Leer de gevolgen, tegenstrijdigheden en neutrale labels van NLI, benchmarkdatasets, transformatorinputs en limieten voor bewijscontrole.
Vraag 1 van 8
Wat zijn de drie standaardlabels bij gevolgtrekking uit natuurlijke taal?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat zijn de drie standaardlabels bij gevolgtrekking uit natuurlijke taal?
- Entailment, tegenspraak, neutraal
- Positief, negatief, neutraal
- Waar, onwaar, onbekend
- Onderwerp, werkwoord, object
- Wat betekent 'entailment' in NLI?
- De twee zinnen hebben niets met elkaar te maken
- De hypothese moet waar zijn, gegeven de premisse
- De hypothese moet onwaar zijn, gegeven de premisse
- De zinnen zijn grammaticaal identiek
- Gegeven het uitgangspunt 'Een man speelt gitaar op het podium', welke hypothese is dan in tegenspraak?
- Een persoon voert muziek uit
- Het publiek houdt van het lied
- Het podium is leeg
- Een muzikant houdt een instrument vast
- What is an annotation artifact in an NLI dataset?
- A model that reasons perfectly with very little data
- A dataset where every annotator agrees
- A premise that is always longer than its hypothesis
- A spurious cue that lets a model guess labels without reasoning about the premise-hypothesis relation
- Welke datasets worden veel gebruikt om NLI te trainen en evalueren?
- SNLI en MultiNLI
- ImageNet en CIFAR
- MNIST en SVHN
- WikiText en Penn Treebank
- How can NLI support a check of a generated claim against source evidence?
- Measure the generated claim’s length
- Classify whether the evidence entails, contradicts, or leaves the claim neutral
- Count unique words only
- Translate the claim into another language
- In NLI, what does the neutral label mean?
- The hypothesis is guaranteed true
- The hypothesis is guaranteed false
- The premise neither entails nor contradicts the hypothesis
- The two sentences are grammatically identical
- How does a common transformer NLI classifier present a sentence pair to the model?
- Encode only the hypothesis and discard the premise
- Convert both sentences into audio first
- Train a separate model for every word
- Concatenate the premise and hypothesis with a separator token