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

2025

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.1145/3773274.3774670
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

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.