- Audition blanche en visio pour Thèse à Lannion prévue le 22/05 de 9h30 à 10h30 -> besoin d'une salle de réunion
## Bibliographie pour le projet
### Dataset
J'ai identifié plusieurs datasets en plus des benchmarks repérés. Voici ce que j'ai retenu:
-[MIRACL](https://huggingface.co/datasets/miracl/miracl)[[Zhang et al., 2022](https://arxiv.org/abs/2210.09984)] : Benchmark multilingue avec une partie en français à extraire.
-[BERGEN](https://github.com/naver/bergen) se base sur deux datasets (pour ce qui est de l'aspect multilingue) :
- MKQA ([Github](https://github.com/apple/ml-mkqa/tree/main), [HuggingFace](https://huggingface.co/datasets/apple/mkqa), [[Longpre et al., 2021](https://direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00433/108607/MKQA-A-Linguistically-Diverse-Benchmark-for)]) qui propose des questions en plusieurs langues dont le français MAIS ne met pas de documents à dispositions.
-[XOR-TyDi QA](https://nlp.cs.washington.edu/xorqa/)[[Asai et al., 2021](https://aclanthology.org/2021.naacl-main.46/)] qui propose un ensemble de documents et de questions dans plusieurs langues dont les réponses peuvent dépendre de documents d'une autre langue. *Cela pose problème pour l'extraction des entrées en français.*
-[TyDi QA](https://github.com/google-research-datasets/tydiqa)[[Clark et al., 2020](https://arxiv.org/abs/2003.05002)] est la version plus simple de XOR-TyDi QA. Les documents permettant de répondre aux questions sont dans la langue de la question. On peut extraire les questions en français sans grande inquietude.
Je ne pense pas que les données en français proposées par BERGEN soient intéressantes. Par contre, **MIRACL** et **TyDi-QA** sont des ressources de données pour la tache de QA utiles.
