结合多题型学习与上下文化图示表示的教科书问答

该研究面向教科书问答（TQA），提出 Multi-Head TQA（MHTQA）架构，联合处理长文本、科学图示及不同形式的问题，核心是通过共享表示、多题型学习和文本上下文增强图示理解。基于摘要分析，未取得论文全文。 方法上，作者使用开源搜索引擎 Solr 从课程文章中选择句子，以应对长文本处理问题；采用包含 transformer 和三个 QA 网络的底层共享模型，兼顾不同题型的输入形式与知识共享。针对图示问答，Contextualized Iterative Dual Fusion（CIDF）利用图示图像的视觉、语义特征及课程文章，学习上下文化图示表示。Multi-type Question Learning（MQL）则通过采样策略组织不同题型的多任务联合训练；具体融合运算、损失及采样细节尚未验证。 作者报告，相较已有单模型，MHTQA 在 Text T/F、Text MC、Diagram 及总体 Accuracy 上分别取得原文所述的 4.6%、1.7%、1% 和 1.9% 提升。摘要未明确这些百分数是相对增幅还是百分点差值，因此不能替换表述；数据集名称、数据划分、对照模型、实验协议、消融及统计信息尚未验证，也无法据此判断各模块对增益的独立贡献。 论文的主要对象是教育场景中的多模态问答，而非神经信号建模。摘要未提供 EEG/BCI 验证或明确的信号级迁移机制，不能将文本与图示融合的效果直接外推为 BCI 性能提升；相关 EEG 工作尚未检索确认。复现前需核对句子检索配置、图示特征构建方式、多题型采样规则及完整评估协议。