જેમના સામે અન્ય જવાબોનું મૂલ્યાંકન થાય તે જવાબ લખો

What this lesson is about

કોઈના જવાબનું મૂલ્યાંકન ન કરી, પોતાનો સંદર્ભ જવાબ લખો. તે પૂછાયેલા પ્રશ્નનું નિરાકરણ આપે, તેના પગલાં બતાવે અને જ્યાં ના કહેવું યોગ્ય હોય ત્યાં ના કહે.

તમે દુકાનદાર માટે સોનાનો જવાબ લખી રહ્યા છો. તેને પૂછાયું કે કાપેલું કપડું પાછું લઈ શકાય કે નહીં. તમે પહેલા શું લખશો?

Why this matters

ઘણા પ્રોજેક્ટો કોઈના જવાબનું મૂલ્યાંકન નહીં કરી, પોતાનો આદર્શ જવાબ ખરીદે છે. માનવ પ્રતિસાદથી તાલીમમાં પ્રકાશિત કામમાં લોકોએ પહેલા ઇચ્છિત જવાબ લખ્યો. પછી મૂલ્યાંકન થયું. નરમ સંદર્ભ જવાબ દરેક આધારિત મૂલ્યાંકનને નરમ બનાવે છે.

એવો સંદર્ભ જવાબ લખો જેના સામે દરેક પછીનું મૂલ્યાંકન થાય.

સોનાનો જવાબ તે કેસ નક્કી કરે જે પૂછાયો છે, જે તમે ઇચ્છો તે નહીં.
દરેક પગલું બતાવો જે મૂલ્યાંકન કરનારને તપાસવું પડે, જેમાં તમે મનમાં કરેલો હિસાબ પણ શામેલ છે.
જ્યાં સાચો જવાબ ના હોય, ત્યાં સોનાનો જવાબ ના કહે અને કયા મુદ્દે તે પણ જણાવે.

Task

કપડાંના થોક વેપારીનો ગ્રાહક વાપસી વિશે લખે છે. તેણે 2 સપ્ટેમ્બરએ 40 મીટર લીધા હતા અને તેમાંથી 6 મીટર તેના માપ પ્રમાણે કાપવામાં આવ્યા હતા. હવે તે 8 મીટર પાછું મોકલવા માંગે છે.

Weak approach જવાબ આપે કે બિનઉપયોગ કરેલા માલને પંદર દિવસમાં પાછું લઈ શકાય છે અને બિલ લાવવાનું કહે છે. દુકાન ગ્રાહકોની કાળજી વિશે એક પંક્તિ ઉમેરે છે. કાપેલા કપડાંનો ઉલ્લેખ નથી.

Stronger approach કહે છે કે પંદર દિવસ 2 સપ્ટેમ્બરથી ગણાશે એટલે 17 સપ્ટેમ્બર છેલ્લો દિવસ છે. કહે છે કે કાપેલા છ મીટર પાછા લઈ શકાતા નથી અને કેમ. પછી ખુલ્લું શું છે તે આપે: બિનકાપેલા મીટર સમાન બિલ પર બદલાઈ શકે છે. અંતે ગ્રાહકે શું લાવવું તે લખે છે.

Why the stronger approach works બન્ને જવાબો શિષ્ટ છે અને કોઈમાં ખોટ નથી. માત્ર એક જ આ ગ્રાહકનો કેસ નક્કી કરે છે અને મૂલ્યાંકન કરનાર તે પંક્તિ બતાવી શકે છે જેનાથી નિર્ણય થયો.

Try a changed situation હવે તમે જે સોનાનો જવાબ લખી રહ્યા છો તે ધોરણ 8ના ગણિતનો ડિસ્કાઉન્ટ પ્રશ્ન છે. તેમાં શું આવવું જરૂરી છે?

Make something yourself તમારા જાણતા વ્યવસાયમાં ગ્રાહકો જે પ્રશ્નો સાચે પૂછે છે તેમાંથી એક લો. તેના માટે સોનાનો જવાબ લખો. પછી ત્રણ પંક્તિઓમાં લખો કે મૂલ્યાંકન કરનાર કયા મુદ્દાઓ પર ગુણ કાપી શકે.

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