যিসকল উত্তৰক অন্যে মূল্যাংকন কৰে, সেই উত্তৰ লিখক

What this lesson is about

অন্য এজনৰ উত্তৰক বিচাৰ নকৰাকৈ, নিজে আদৰ্শ উত্তৰ লিখক। যি প্ৰশ্ন কৰা ঘটনাটো নিৰ্ণয় কৰে, তাৰ পদক্ষেপ দেখুৱায়, আৰু য’ত নাকচ কৰা উচিত, সেয়া নাকচ কৰে।

আপুনি এটা দোকানদাৰৰ বাবে আদৰ্শ উত্তৰ লিখি আছে যাক সুধা হৈছে কটা কাপোৰ উভতি দিব পাৰিব নেকি। প্ৰথমে কি লিখিব?

Why this matters

বহু প্ৰকল্পে অন্য এজনৰ উত্তৰক মূল্যাংকন নকৰি, আদৰ্শ উত্তৰ নিজে সংগ্ৰহ কৰে। মানৱ প্ৰতিক্ৰিয়াৰ সৈতে প্ৰশিক্ষণৰ প্ৰকাশিত কামত, মানুহে প্ৰথমে প্ৰয়োজনীয় উত্তৰ লিখিছিল। মূল্যাংকনৰ পৰ্ব তাৰ পিছত আহিছিল। এটা নমনীয় আদৰ্শ উত্তৰে তাৰ ওপৰত নিৰ্ভৰ কৰা সকলো মূল্যাংকন নমনীয় কৰি তোলে।

সেই আদৰ্শ উত্তৰ লিখক যাৰ ওপৰত পাছৰ সকলো মূল্যাংকন নিৰ্ভৰ কৰিব।

আদৰ্শ উত্তৰে সুধা ঘটনাটো নিৰ্ণয় কৰে, আপোনাৰ ইচ্ছা অনুসৰি নহয়।
মূল্যাংকনকাৰীয়ে পৰীক্ষা কৰিবলগীয়া প্ৰতিটো পদক্ষেপ দেখুৱাওক, আপোনাৰ মগজুত কৰা হিসাবসহ।
য’ত সঁচা উত্তৰ ‘নহয়’, সেয়া স্পষ্টকৈ ‘নহয়’ কয় আৰু কিয় সেয়া বুজায়।

Task

এটা কাপোৰৰ হোলচেল বিক্ৰেতাৰ গ্ৰাহকে উভতি লোৱাৰ বিষয়ে লিখিছে। তেওঁ ২ ছেপ্টেম্বৰ তাৰিখে চাৰি চাৰি মিটাৰ ক্ৰয় কৰিছিল, আৰু তাৰ ভিতৰত ছটা মিটাৰ তেওঁৰ মাপ অনুসৰি কটা হৈছিল। এতিয়া তেওঁ আঠ মিটাৰ উভতি দিব বিচাৰে।

Weak approach উত্তৰটো কয় যে ব্যৱহাৰ নকৰা সামগ্ৰী পন্ধৰ দিনৰ ভিতৰত উভতি ল’ব পাৰি, আৰু বিল অনুৰোধ কৰে। দোকানৰ গ্ৰাহকসকলৰ যত্নৰ বিষয়ে এটা শাৰী যোগ কৰে। কটা কাপোৰৰ উল্লেখ নাই।

Stronger approach কয় যে পন্ধৰ দিন ২ ছেপ্টেম্বৰ পৰা গণনা কৰা হয়, সেয়ে ১৭ ছেপ্টেম্বৰ শেষ দিন। কয় যে ছটা কটা মিটাৰ কাপোৰ উভতি ল’ব নোৱাৰি, আৰু কিয়। তাৰ পিছত বাকি থকা বিকল্পটো দিয়ে: নকটা মিটাৰ কাপোৰ একে বিলৰ বিপৰীতে বিনিময় কৰিব পাৰি। শেষত গ্ৰাহকে কি লৈ আহিব লাগে সেয়াও কয়।

Why the stronger approach works দুয়োটা উত্তৰ নম্ৰ আৰু কোনোটো মিছা নকয়। কেৱল এটা উত্তৰে এই গ্ৰাহকৰ ঘটনাটো নিৰ্ণয় কৰে, আৰু মূল্যাংকনকাৰীয়ে সেই শাৰীটো দেখুৱাব পাৰে যিয়ে সিদ্ধান্ত লৈছে।

Try a changed situation আপুনি এতিয়া লিখা আদৰ্শ উত্তৰ এটা অষ্টম শ্ৰেণীৰ গণিতৰ ছাড়ৰ প্ৰশ্নৰ বাবে। তাৰ ভিতৰত কি থাকিব লাগিব?

Make something yourself আপোনাৰ পৰিচিত ব্যৱসায়ত গ্ৰাহকে যি প্ৰকৃততে সুধে তেনে এটা প্ৰশ্ন লওক। তাৰ বাবে আদৰ্শ উত্তৰ লিখক। তাৰ পিছত তিনিটা শাৰী লিখক য’ত মূল্যাংকনকাৰীয়ে নম্বৰ কটা উচিত।

Read the primary or official source: Ouyang et al., Training language models to follow instructions (arXiv)