ChatGPT und große Sprachmodelle (LLM) im Allgemeinen haben sich zu einer immer wichtigeren Informationsquelle entwickelt. Allerdings müssen ihre Antworten vor ihrer Verwendung bewertet werden, damit der Schwerpunkt von der Informationsgenerierung hin zur Bewertung der Informationsqualität verlagert wird.
In diesem Vortrag lenken wir die Aufmerksamkeit erneut auf die Gestaltung von Lernaufforderungen für LLM-Plattformen. Wir verwenden JMP, um Methoden statistisch geplanter Experimente zur Erstellung einer Abfolge von Lernaufforderungen umzusetzen und die Antworten mithilfe textanalytischer Verfahren wie der latenten semantischen Analyse zu analysieren. Anschließend wenden wir eine generalisierte Regression an, um den Einfluss der in den Lernaufforderungen verwendeten Faktoren auf die mit dem Text Explorer ermittelten Themenbewertungen zu modellieren.
Es ist bemerkenswert, wie JMP die nahtlose Verknüpfung von Versuchsplanung, Textanalyse und penalisiertem Regression ermöglicht, um das Lernen aus LLM zu verbessern. Dieser Ansatz ist in jedem Anwendungsbereich einsetzbar und daher breit generalisierbar.
