તમારા અને બીજાઓ સાથે સતત સમાન રહો

What this lesson is about

જુઓ કે કેવી રીતે એક જ વસ્તુ લાંબા બેચમાં ખિસકાય છે. ડેટા સુધી ખિસકાવ પહોંચતા પહેલા પોતાને પાછું ખેંચો.

લાંબા બેચના છેલ્લા દિવસે તમે શરૂઆતમાં માર્ક કરેલું આઇટમ ફરીથી ખોલો છો. હવે તમે તેને અલગ રીતે માર્ક કરશો. હવે શું કરશો?

Why this matters

એક જ ઇનપુટને પહેલા અને છેલ્લા દિવસે સમાન લેબલ મળવો જોઈએ. ખિસકાવ શાંતપણે થાય છે, તેથી તે એન્કર્સ દ્વારા પકડાય છે, ધ્યાનથી કરવાનું લાગણુંથી નહીં.

લાંબા બેચમાં તમારા પોતાના ખિસકાવને ઓળખો અને તે ડેટા સુધી પહોંચતા પહેલા પોતાને ફરીથી સ્થિર કરો.

એક જ વસ્તુને સોમવારે અને શુક્રવારે સમાન લેબલ મળે.
દરેક સત્ર પહેલાં તમારા નિશ્ચિત ઉદાહરણો ફરી વાંચો, માત્ર પહેલા દિવસે નહીં.
જ્યારે તમે ભૂતકાળનો નિર્ણય બદલો ત્યારે શું બદલાયું અને કેમ તે નોંધો.

Task

તમે અને બીજું સમીક્ષક એ જ ચાળીસ જવાબોને પૂર્ણ કે અધૂરા તરીકે ચિહ્નિત કર્યા. એક નિશ્ચિત તથ્યોની યાદી આ નિર્ણય કરે છે.

Weak approach ગણતરી કરે છે કે તમે બંને ચાળીસમાંથી ત્રેતીસ જવાબોમાં મળ્યા. બેચ સાથે ૧૦૦ માંથી ૮૦ મોકલે છે, જે સહમતિનો આંકડો છે. ક્યારેય નથી જોયું કે તમે બંનેએ કેટલાંક વખત ‘પૂર્ણ’ કહ્યું.

Stronger approach રિપોર્ટ કરતા પહેલા સંભાવનાને દૂર કરે છે. તમે ૪૦ માંથી ૩૨ પર મળ્યા, જે ૦.૮૦ છે. તમે બંનેએ ૩૨ વખત ‘પૂર્ણ’ ચિહ્નિત કર્યું. માત્ર સંભાવનાથી ૦.૮ x ૦.૮ અને ૦.૨ x ૦.૨ થાય છે, જે ૦.૬૮ છે. કોહેનનું કપ્પા ૦.૮૦ માંથી ૦.૬૮ ઘટાડીને, ૧ માંથી ૦.૬૮ વિભાજિત: ૦.૩૮ થાય છે. ૦.૩૮, ૪૦ની ગણતરી અને બંનેએ ઉપયોગ કરેલા નિશ્ચિત ઉદાહરણો સાથે મોકલે છે.

Why the stronger approach works ૧૦૦ માંથી ૮૦ સાંભળવામાં નિશ્ચિત લાગે છે. તે બેચમાં જ્યાં તમે બંનેએ પાંચમાં ચારને ‘પૂર્ણ’ કહ્યું, ત્યાં મોટાભાગની સહમતિ સંભાવનાથી આવે છે. જે બાકી રહે છે તે ૦.૩૮ છે.

Try a changed situation હવે તમે ત્રણ સાંજોમાં શાળાના જવાબપત્રોની એક ઢગલ ચકાસી રહ્યા છો. કયો નિયમ હજી પણ લાગુ પડે છે?

Make something yourself તમે જે કામ વારંવાર કરો છો તેના માટે ત્રણ નિશ્ચિત ઉદાહરણ લખો: એક સ્પષ્ટ પસાર, એક સ્પષ્ટ નિષ્ફળ, અને એક બોર્ડરલાઇન કેસ જે વાંચન તમે નક્કી કર્યું છે.

Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant (arXiv)