Enhancing Question Answering for Low-Resource Languages: The Case of Kazakh Language

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1145/3773274.3774670
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

The Kazakh language, with its agglutinative morphology and scarce annotated data, presents challenges for accurate Question Answering (QA). This study proposes a three-stage framework to improve multilingual QA performance in low-resource settings through model adaptation, semantic representation evaluation, and retrieval optimization. First, multilingual QA models (mT5, XLM-R, mDeBERTa-v3, AYA, Kaz-RoBERTa, and KazakhBERTmulti) were fine-tuned using SentencePiece tokenization and adapter-based training. Second, five embedding models were benchmarked via Domain and QuestionType classification, with Snowflake-Arctic achieving the highest accuracy (0.87) and BGE-M3 demonstrating strong robustness. Finally, a memory-aware retrieval mechanism was implemented by integrating Safe Memory clustering with FAISS indexing, improving contextual recall (R@10 = 0.984) without loss of precision. Results show that adapted multilingual transformers consistently outperform native Kazakh models, while enhanced retrieval strengthens grounding and cross-domain robustness. The framework provides a reproducible pathway toward scalable and linguistically inclusive QA systems for low-resource languages.