近年の言語モデリング技術の進展に伴い，クローズドブック質問応答と呼ばれる，読解を伴わない質問応答タスクの研究が進められている．既存研究では，モデルの訓練可能なパラメータ数を増大させることや，モデルの構造をより洗練されることに重点が置かれてきた．本研究では，モデルに多様な事実知識を効率的に持たせるために，データ指向のアプローチを選択し，その有効性を検証する．具体的には，事実知識の知識源として Wikipedia を利用した拡張データセットを作成し，モデルの訓練に利用する．実験により，データ拡張を用いて訓練したモデルが，訓練データでは見られなかった質問に正しく答えることができ，モデルが拡張データから新しい知識を学習していることを示唆する結果が得られた．正解率の評価では，Quizbowl の従来の最高性能を更新し，TriviaQA の強力な系列生成モデルに匹敵する性能をおよそ 20 分の 1 のパラメータ数で実現した．
