Rückverfolgung: Abrufen der Ursache der Abfrage

Backtracing: Retrieving the Cause of the Query

March 6, 2024

Autoren: Rose E. Wang, Pawan Wirawarn, Omar Khattab, Noah Goodman, Dorottya Demszky

cs.AI

Zusammenfassung

Viele Online-Inhaltsportale ermöglichen es Benutzern, Fragen zu stellen, um ihr Verständnis zu ergänzen (z. B. von Vorlesungen). Während Information Retrieval (IR)-Systeme Antworten auf solche Benutzeranfragen liefern können, unterstützen sie Content-Ersteller - wie Dozenten, die ihre Inhalte verbessern möchten - nicht direkt dabei, Segmente zu identifizieren, die dazu geführt haben, dass ein Benutzer diese Fragen stellt. Wir führen die Aufgabe des Backtracings ein, bei der Systeme das Textsegment abrufen, das höchstwahrscheinlich dazu geführt hat, dass ein Benutzer eine Anfrage stellt. Wir formalisieren drei realen Domänen, in denen Backtracing wichtig ist, um die Inhaltsbereitstellung und Kommunikation zu verbessern: das Verständnis der Ursache von (a) Studentenverwirrung in der Vorlesungsdomäne, (b) Leserinteresse in der Nachrichtenartikeldomäne und (c) Benutzeremotionen in der Konversationsdomäne. Wir bewerten die Null-Schuss-Leistung beliebter Information Retrieval-Methoden und Sprachmodellierungs-Methoden, einschließlich Bi-Encoder, Re-Ranking und Wahrscheinlichkeits-basierten Methoden sowie ChatGPT. Während traditionelle IR-Systeme semantisch relevante Informationen abrufen (z. B. Details zu "Projektionsmatrizen" für eine Anfrage "Führt mehrfaches Projektieren immer noch zum gleichen Punkt?"), verpassen sie oft den kausal relevanten Kontext (z. B. der Dozent sagt "Zweimaliges Projektieren liefert mir dieselbe Antwort wie eine Projektion"). Unsere Ergebnisse zeigen, dass es Verbesserungspotenzial beim Backtracing gibt und neue Abrufansätze erforderlich sind. Wir hoffen, dass unser Benchmark dazu beiträgt, zukünftige Abrufsysteme für das Backtracing zu verbessern, indem Systeme entwickelt werden, die die Inhaltsgenerierung verfeinern und linguistische Auslöser identifizieren, die Benutzeranfragen beeinflussen. Unser Code und unsere Daten sind Open Source verfügbar: https://github.com/rosewang2008/backtracing.

English

Many online content portals allow users to ask questions to supplement their understanding (e.g., of lectures). While information retrieval (IR) systems may provide answers for such user queries, they do not directly assist content creators -- such as lecturers who want to improve their content -- identify segments that _caused_ a user to ask those questions. We introduce the task of backtracing, in which systems retrieve the text segment that most likely caused a user query. We formalize three real-world domains for which backtracing is important in improving content delivery and communication: understanding the cause of (a) student confusion in the Lecture domain, (b) reader curiosity in the News Article domain, and (c) user emotion in the Conversation domain. We evaluate the zero-shot performance of popular information retrieval methods and language modeling methods, including bi-encoder, re-ranking and likelihood-based methods and ChatGPT. While traditional IR systems retrieve semantically relevant information (e.g., details on "projection matrices" for a query "does projecting multiple times still lead to the same point?"), they often miss the causally relevant context (e.g., the lecturer states "projecting twice gets me the same answer as one projection"). Our results show that there is room for improvement on backtracing and it requires new retrieval approaches. We hope our benchmark serves to improve future retrieval systems for backtracing, spawning systems that refine content generation and identify linguistic triggers influencing user queries. Our code and data are open-sourced: https://github.com/rosewang2008/backtracing.