ChatGPT, y los modelos de lenguaje a gran escala (LLM) en general, se han convertido en una fuente de información cada vez más importante. Sin embargo, es necesario evaluar sus respuestas antes de utilizarlas, de modo que el énfasis pase de generar información a evaluar su calidad.
En esta presentación, volvemos a centrarnos en el diseño de las indicaciones utilizadas para aprender de las plataformas LLM. Aplicamos JMP para implementar métodos de experimentos con diseño estadístico, con el fin de configurar una secuencia de indicaciones y utilizar un análisis de respuestas derivado de métodos de análisis de texto, como el análisis semántico latente. Posteriormente, aplicamos regresión generalizada para modelar el efecto de los factores utilizados en la indicación sobre las puntuaciones temáticas obtenidas con Text Explorer.
Resulta notable cómo JMP permite combinar sin problemas el diseño de experimentos con el análisis de texto y la regresión penalizada para mejorar el aprendizaje a partir de modelos lineales aleatorizados (MLA). Este enfoque puede aplicarse en cualquier ámbito y, desde esa perspectiva, es ampliamente generalizable.
