quiz.json

{
  "lesson": "24-coreference-resolution",
  "title": "共指消解",
  "questions": [
    {
      "stage": "pre",
      "question": "共指消解的目标是什么？",
      "options": [
        "把所有指代同一现实世界实体的提及（命名、名词性、代词性）聚成一簇",
        "标注词性",
        "抽取关系",
        "把代词翻译成名词"
      ],
      "correct": 0,
      "explanation": "共指消解把所有指代同一实体的提及跨度聚成一簇。"
    },
    {
      "stage": "pre",
      "question": "哪种表达是“名词性”（nominal）提及？",
      "options": [
        "仅专有名词",
        "像 'the CEO' 或 'the company' 这样的名词短语",
        "像 'she' 这样的代词",
        "一个动词"
      ],
      "correct": 1,
      "explanation": "名词性提及是像 'the company' 这样的名词短语；代词性提及是代词。"
    },
    {
      "stage": "check",
      "question": "现代（Lee 等, 2017）的共指架构是什么？",
      "options": [
        "BM25 检索",
        "仅基于规则的句法分析",
        "决策树",
        "端到端、基于跨度：枚举跨度，给提及打分，再给先行词概率打分并贪心聚类"
      ],
      "correct": 3,
      "explanation": "端到端神经共指枚举跨度，并联合学习提及打分 + 先行词打分。"
    },
    {
      "stage": "check",
      "question": "CoNLL F1 是对什么求平均？",
      "options": [
        "跨语言的 F1",
        "MUC、B-cubed 和 CEAF-phi4 的 F1 分数",
        "token 和跨度 F1",
        "精确率和召回率"
      ],
      "correct": 1,
      "explanation": "CoNLL F1 是 MUC、B-cubed 和 CEAF-phi4 指标的均值。"
    },
    {
      "stage": "check",
      "question": "什么是桥接照应（bridging anaphora）？",
      "options": [
        "一个误译",
        "一种隐式指代，例如 'the wheels' 暗指前文提到的某辆车的轮子",
        "出现在指称对象之前的代词",
        "没有先行词的代词"
      ],
      "correct": 1,
      "explanation": "桥接把一个提及链接到一个被暗示但未明说的“部分-整体”或相关实体。"
    },
    {
      "stage": "post",
      "question": "为什么仅靠 LLM 做共指在长文档上不可靠？",
      "options": [
        "LLM 无法读取文本",
        "tokenizer 失败",
        "单次调用的 LLM 在 50+ 段落中会过度合并或悄悄丢掉提及；需要滑动窗口加合并",
        "共指需要一个 CFG"
      ],
      "correct": 2,
      "explanation": "长文档 LLM 共指会退化；带跨窗口合并的滑动窗口可缓解。"
    },
    {
      "stage": "post",
      "question": "为什么在下游任务前要把共指簇并入 NER 结果？",
      "options": [
        "Wikidata 所要求",
        "为了增加 token 数",
        "降低延迟",
        "让下游任务看到每簇一个实体，而非每个表面提及一个，从而大幅提升覆盖率"
      ],
      "correct": 3,
      "explanation": "不合并的话，NER 会把每个表面形式分开计数，漏掉 60-80% 的实体提及。"
    },
    {
      "stage": "post",
      "question": "为什么硬编码的性别规则是共指系统中的一个脆弱点？",
      "options": [
        "它们在非二元指称对象、组织和动物上会出错；学习型打分更稳健",
        "它们需要 GPU",
        "它们跑得太快",
        "它们无法使用词性标签"
      ],
      "correct": 0,
      "explanation": "性别启发式在人口构成多样的文本上会失败；更偏好学习型模型。"
    }
  ]
}