PROMPTELÉSI TECHNIKÁK
Kutatásokkal alátámasztott EmotionPrompt technika jelentősen növeli az LLM-ek teljesítményét
A Microsoft és a Kínai Tudományos Akadémia Szoftverintézetének kutatói bemutatták az EmotionPrompt-ot, egy újszerű technikát a nyelvi modellek teljesítményének javítására, amely érzelmi ingereket épít be a promptekbe. Ez a módszer figyelemre méltó javulást eredményezett: az utasításkövetési feladatoknál 8%-os relatív növekedést, a BIG-Bench nyelvi feladatoknál pedig megdöbbentő, 115%-os javulást mértek. Emellett egy emberi bevonással végzett vizsgálat 10,9%-os átlagos javulást mutatott a teljesítmény, az igazságtartalom és a felelősségvállalás mutatóiban.
Az EmotionPrompt úgy működik, hogy érzelmi ingereket ad az eredeti promptekhez, ezzel kiaknázva az LLM-ek „érzelmi intelligenciáját”. Ez hasonló ahhoz, ahogyan az emberi érzelmek befolyásolják a kognitív feladatokat és a döntéshozatalt. Például egy olyan kifejezés hozzáadása a szokásos prompt végéhez, mint „Ez nagyon fontos a karrierem szempontjából”, kiválthatja ezeket a javulásokat. Ezeket az érzelmi ingereket olyan pszichológiai elméletek alapján tervezték, mint az önmonitorozás, a szociális kognitív elmélet és a kognitív érzelemszabályozás.
- EP01: Írd le a válaszodat, és adj meg egy 0 és 1 közötti konfidencia-pontszámot a válaszodhoz.
- EP02: Ez nagyon fontos a karrierem szempontjából.
- EP03: Jobban teszed, ha biztos vagy benne.
- EP06: Add meg a választ és egy 0-1 közötti konfidencia-pontszámot, elmagyarázva a folyamatodat, mivel a feladat létfontosságú a karrieremhez.
- EP07/EP08: Használj bátorító kifejezéseket, mint például „Higgy a képességeidben” vagy „Tekints a kihívásokra a fejlődés lehetőségeként”.
- Az inger párosítása a feladathoz: Használjon konfidencia-alapú prompteket a pontossághoz, és motivációs prompteket a mélyebb válaszokhoz.
- Megjegyzendő, hogy a teljesítmény modellenként változik; érdemes következetes tesztelést végezni az olyan modellek között, mint a Vicuna és a GPT-4.
Miért fontos?
Ez a technika tudományosan megalapozott módszert kínál az AI kimenetek javítására a nagy nyelvi modellekben rejlő látens pszichológiai minták kihasználásával, költségmentes alternatívát nyújtva a pontosság és a felelősségteljes működés növelésére.