Perpustakaan Digital ITB

Dengan semakin meningkatnya kuantitas interaksi antara manusia dan mesin di zaman modern ini, kebutuhan akan sistem question answering juga dirasakan untuk meningkatkan kualitas interaksi tersebut. Salah satu cabang penelitian sistem question answering adalah reading comprehension di mana sistem harus dapat menentukan jawaban yang benar dari dokumen yang diberikan dan dapat mengetahui ketika jika tidak ada jawaban dalam dokumen tersebut. ELECTRA adalah state-of-the-art pada SQuAD 2.0. Namun penelitian ini masih dapat dikembangkan lebih lanjut karena ELECTRA pada dataset dev SQuAD 2.0 masih membuat 1.287 jawaban kesalahan dalam menentukan apakah pertanyaan tersebut answerable atau unanswerable. Studi ini mengusulkan modifikasi ELECTRA dalam melakukan verifikasi jawaban dengan menambahkan parameter similarity. Sentence-BERT yang merupakan state-of-the-art dalam sentence embedding digunakan untuk mendapatkan nilai sentence similarity antara context pada dataset dan prediksi yang telah diubah menjadi kalimat deklaratif dengan menggunakan metode rule-based. Berdasarkan hasil eksperimen, model yang diusulkan dapat meningkatkan exact match dan skor F1 dari ELECTRA.