Kerja baharu Yang Diyi: Masyarakat mungkin diselamatkan model besar AI bersembang satu-satu dan membantu orang ramai menjadi orang.

Dalam aktiviti sosial, model bahasa yang besar boleh menjadi rakan kongsi dan mentor anda.

Dalam aktiviti sosial manusia, untuk berkomunikasi dengan orang lain dengan lebih berkesan dalam pekerjaan dan kehidupan, kemahiran sosial tertentu diperlukan, seperti penyelesaian konflik.

Walau bagaimanapun, persekitaran untuk mempraktikkan kemahiran sosial selalunya tidak dapat dicapai oleh kebanyakan orang. Melatih kemahiran ini, terutamanya oleh pakar, selalunya memakan masa, mahal dan ketersediaan terhad. Mekanisme amalan dan maklum balas sedia ada sangat bergantung pada penyeliaan pakar, menjadikan latihan sukar untuk skala. Selain itu, terdapat kekurangan jurulatih terlatih secara profesional, dan kebanyakan jurulatih yang boleh memberikan maklum balas tersuai gagal membantu sejumlah besar orang yang memerlukan.

Baru-baru ini, dalam kertas kerja "Latihan Kemahiran Sosial dengan Model Bahasa Besar" yang dikarang bersama oleh Penolong Profesor Stanford Yang Diyi, penyelidik percaya bahawa dengan bantuan model bahasa yang besar, latihan kemahiran sosial boleh dibuat lebih mudah dan lebih cekap. . Selamat, lebih menarik dan memberikan maklum balas yang disesuaikan dalam ruang latihan maya sebenar.

Alamat kertas: https://arxiv.org/pdf/2404.04204.pdf

Secara khusus, penyelidik mencadangkan dua rangka kerja latihan kemahiran sosial berikut.

Rangka kerja latihan pertama ialah AI Partner, yang menyediakan penyelesaian berskala untuk latihan pengalaman melalui latihan simulasi. Penyelidikan terdahulu telah menunjukkan bahawa main peranan manusia boleh mengajar kemahiran komunikasi, kerjasama dan kepimpinan dengan berkesan. Simulasi membolehkan pelajar mengambil risiko dan kos peluang yang lebih sedikit daripada latihan semasa bekerja. Dan melalui simulasi, Rakan Kongsi AI akan mengurangkan halangan sosioekonomi untuk memasuki dunia profesional.

Rangka kerja latihan pelengkap kedua ialah AI Mentor, yang akan memberikan maklum balas yang diperibadikan berdasarkan kepakaran domain dan pengetahuan fakta.

Kedua-dua rangka kerja latihan (secara kolektif dikenali sebagai APAM) menggabungkan pembelajaran pengalaman dengan amalan dunia sebenar dan maklum balas tersuai. Penyelidik menyeru inovasi antara disiplin untuk menangani kesan luas APAM.

Yang Diyi, pengarang kertas itu, berkata: "Pembelajaran kemahiran sosial tidak dapat dicapai oleh kebanyakan orang. Bagaimanakah kita boleh menjadikan latihan kemahiran sosial lebih mudah dicapai? Berdasarkan ini, kami melancarkan APAM, yang menggunakan LLM menyediakan latihan kemahiran sosial melalui amalan kehidupan sebenar dan maklum balas yang disesuaikan ”

Dia menyambung: “Dalam APAM, apabila pengguna ingin mempelajari kemahiran sosial baharu, Rakan Kongsi AI boleh membantu mereka meluluskan dialog simulasi untuk mempraktikkan senario yang berkaitan. AI Mentor boleh memberikan maklum balas berasaskan pengetahuan pada saat kritikal simulasi

Gambaran Keseluruhan Seni Bina APAM

Kajian ini mencadangkan rangka kerja umum khusus untuk latihan kemahiran sosial, Rangka kerja ini termasuk AI Partner dan AI. kedua-duanya dirujuk sebagai APAM), dan kedua-duanya adalah penting. Apabila pengguna ingin mempelajari kemahiran sosial baharu, Rakan Kongsi AI boleh membantu mereka mempraktikkan senario yang berkaitan melalui perbualan simulasi. AI Mentor boleh memberikan maklum balas berasaskan pengetahuan pada saat kritikal dalam simulasi.

Walau bagaimanapun, membina dan menggunakan Rakan Kongsi AI bukanlah mudah. ​​Contohnya, sukar untuk mengekalkan konsistensi dalam gaya, tingkah laku dan ciri emosi watak simulasi. Pembangunan AI Mentor sangat bergantung pada faktor seperti kepakaran domain, kesedaran situasi dan kecekapan maklum balas.

Untuk menyelesaikan masalah di atas, penyelidik mencadangkan kaedah am latihan kemahiran sosial melalui LLM, yang diselesaikan dalam empat langkah:

1. Fahami cara menyelesaikan kemahiran masalah (contohnya, konflik resolusi);
2. Reka bentuk rakan kongsi AI untuk mensimulasikan perbualan dan membenarkan pelajar (iaitu pengguna) didedahkan kepada proses dan latihan sasaran
3. Buat mentor AI untuk memberikan maklum balas
4. ini; ejen ke dalam persekitaran simulasi untuk dipelajari oleh pengguna.

Penyelidik mengatakan bahawa penonton yang ideal untuk rangka kerja APAM adalah pemula, tetapi orang yang berpengalaman juga boleh menggunakan sistem APAM untuk menyegarkan pengetahuan mereka.

APAM boleh meningkatkan kemahiran pelajar dalam banyak bidang, Jadual 1 menyenaraikan beberapa senario aplikasi, seperti cara mendengar, kaunseling kesihatan mental, dsb. Walau bagaimanapun, rangka kerja APAM tidak terhad kepada contoh biasa ini, dan terdapat lebih banyak pengenalan dalam Bahagian 6 kertas kerja.

Walaupun LLM mempunyai potensi besar sebagai alat latihan kemahiran sosial kerana ia boleh menjana teks yang koheren dan semula jadi. Walau bagaimanapun, fleksibiliti ini selalunya datang dengan kawalan terhad.

Atas sebab keselamatan, rangka kerja APAM menyediakan satu siri langkah untuk menggunakan AI Mereka memecahkan proses penggunaan kepada kontinum: AI Partner continuum dan AI Mentor continuum Setiap kontinum terdiri daripada tiga Model selesai (seperti yang ditunjukkan dalam Rajah 1).

Hasil penilaian

Penilaian rakan kongsi AI dan mentor AI ialah cabaran yang ketara, dan alatan berasaskan APAM melibatkan sistem pengkomputeran yang kompleks dan interaksi dengan pengguna dengan keperluan dan latar belakang yang berbeza.

Untuk membangunkan alat latihan ini sebagai bidang, langkah penilaian perlu melangkaui metrik tradisional dalam pemprosesan bahasa semula jadi dan sebaliknya menggunakan penyelesaian daripada pelbagai bidang berkaitan dan pihak berkepentingan. Menggabungkan perspektif pelbagai disiplin akan membantu menilai prestasi empirikal, kebolehgunaan daripada perspektif pengguna dan kesan jangka panjang kepada pengguna dan komuniti sistem sedemikian.

Pada masa ini, penyelidikan tentang penjanaan teks tertumpu terutamanya pada penilaian intrinsik, iaitu menilai kualiti output melalui peraturan atau interaksi yang telah ditetapkan.

Dalam Jadual 2 di bawah, penyelidik dibahagikan terutamanya kepada penilaian automatik sepenuhnya dan penilaian dipacu pengguna. Metrik berasaskan rujukan, seperti kebingungan atau perbezaan Kullback-Leibler, biasanya digunakan untuk penilaian automatik kualiti sistem, kerana kedua-duanya mudah dan membenarkan takrifan yang kaya tentang tingkah laku yang diingini melalui demonstrasi.

Jadual 2 memperincikan prosedur penilaian intrinsik dan ekstrinsik yang digunakan untuk sistem APAM dalam kerja terdahulu. Pada masa ini, pengamal pemprosesan bahasa semula jadi terutamanya mengambil berat dengan penilaian intrinsik sistem. Dalam artikel ini, penyelidik menyerlahkan kepentingan menggunakan ukuran hasil pendidikan yang ditetapkan untuk menilai sistem APAM.

Sila rujuk kertas asal untuk butiran lanjut.

Atas ialah kandungan terperinci Kerja baharu Yang Diyi: Masyarakat mungkin diselamatkan model besar AI bersembang satu-satu dan membantu orang ramai menjadi orang.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!