દિશાનિર્દેશ નક્કી કરે, તમારી પસંદગી નહીં

What this lesson is about

જ્યારે તમે અંગત રીતે અસહમત હો ત્યારે પણ લખાયેલ દિશાનિર્દેશ લાગુ કરો, અને તમારી અસહમતિ યોગ્ય રીતે રજૂ કરો.

તમારા નિયમપુસ્તક મુજબ, કોઈ તબીબી પ્રશ્નનો જવાબ ન આપવો પણ મદદરૂપ ગણાય છે. તમને લાગે છે કે તે કોઈની મદદ નથી કરતું, અને બેચ આજે જમા કરાવવો છે. હવે શું કરશો?

Why this matters

તમારા લેબલ્સ બાકી બધાના લેબલ્સ સાથે સરખામણીમાં લેવામાં આવે છે. શાંતિથી અપવાદ બનાવવાથી ડેટા પોતાને વિરુદ્ધ થઈ જાય છે અને કારણનો કોઈ રેકોર્ડ રહેતો નથી. જ્યાં દિશાનિર્દેશ કોઈ માપદંડ નક્કી કરે — જે ગુણવત્તા પર તમે નિર્ણય કરો છો — ત્યાં તમારું સ્વાદ નહીં, દિશાનિર્દેશ નક્કી કરે.

જેમ દિશાનિર્દેશથી તમે અસહમત હો તે દિશાનિર્દેશ લાગુ કરો અને તમારી અસહમતિ તે જગ્યાએ મોકલો જ્યાંથી દિશાનિર્દેશ બદલાઈ શકે.

જ્યાં દિશાનિર્દેશ કેસ નક્કી કરે, ત્યાં દિશાનિર્દેશ તમારી પસંદગી ઉપર જીતે છે.
તમારી અસહમતિ અલગ નોંધમાં મોકલો, લેબલ બદલીને નહીં.
જ્યારે કેસ નજીક હોય ત્યારે તમે લાગુ કરેલો દિશાનિર્દેશનો લાઇન કોટ કરો.

Task

દિશાનિર્દેશ કહે છે કે જ્યારે ટૂંકું જવાબ ત્રણ જરૂરી તથ્યો આપે ત્યારે તેને સંપૂર્ણ માનવું. એક સમીક્ષકને એવો જવાબ ખૂબ કડક લાગે છે.

Weak approach જવાબને માર્ગદર્શિકા સાથે ચકાસે છે અને ખાતરી કરે છે કે ત્રણ જરૂરી તથ્યો ત્યાં છે. પછી પણ તે અપૂર્ણ તરીકે ચિહ્નિત કરે છે, કારણ કે તે રુખો લાગે છે, અને ક્યાંય લખતું નથી કે કેમ. હવે આ લેબલ તે જ નિયમ પર બાકીના બધા લેબલથી અલગ છે, અને કારણ ક્યાંય નથી જણાવાયું.

Stronger approach દિશાનિર્દેશ મુજબ તેને સંપૂર્ણ ચિહ્નિત કરે અને અલગ નોંધમાં પૂછે કે શું ‘ટોન’ પોતાનું માપદંડ બનવું જોઈએ.

Why the stronger approach works લેબલ બાકી બધા કામદારોના લેબલ્સ સાથે સરખામણીમાં રહે છે અને સાચો મુદ્દો તે લોકો સુધી પહોંચે છે જે તેને સુધારી શકે.

Try a changed situation હવે તમે કેમ્પમાં સ્વયંસેવક છો અને ઓફિસના લખિત નિયમો અનુસાર ફોર્મ ભરી રહ્યા છો. કયો નિયમ હજી લાગુ પડે છે?

Make something yourself કોઈ એવો નિયમ લખો જેને અનુસરવા કહ્યું હતું અને જેમાં તમે અસહમત હતા. લખો કે તમે તેને કેવી રીતે લાગુ કર્યું અને તે ખામી વિશે કઈ અલગ નોંધ મોકલશો.

Read the primary or official source: OpenAI InstructGPT labeler guidelines