જમાવનારા લોકોનું માપ કરો

What this lesson is about

બે જમાવનારા લોકોને એકસરખા દસ વસ્તુઓ આપો, જ્યાં તેઓ ભિન્ન પડે તે ગણો, અને વ્યક્તિ પહેલા માર્ગદર્શિકા સુધારો.

ગઇકાલે તમે તાલીમ આપેલા બે લોકો તેમની પ્રથમ દસ ક્લિપ્સ આપે છે, સમાન દસ પ્રશ્નોથી. હવે શું કરશો?

Why this matters

તાલીમપ્રાપ્ત લોકો પણ અલગ પડે છે. એક પ્રકાશિત અભ્યાસમાં લેબના પોતાના સંશોધકો અને તેના ચૂકવાયેલા સમીક્ષકોને સમાન તુલનાઓ આપી હતી. તેઓ લગભગ 63% વખત સહમત હતા. એ જ એક સૂચન વાંચનારા બે લોકોની સામાન્ય સ્થિતિ છે. તમે બેચમાં આ સાંભળી શકતા નથી. તમે તે ત્યારે જ જોઈ શકો છો જ્યારે બે લોકોને સમાન વસ્તુઓ આપી અને ગણો.

બે જમાવનારા એકબીજાના સામે માપો અને જે ફરક દેખાય તે સુધારો.

બે જમાવનારા લોકોને સમાન દસ વસ્તુઓ આપો અને જ્યાં તેમના જવાબો ભિન્ન હોય તે ગણો.
વિવાદને પહેલા માર્ગદર્શિકાની ખામી તરીકે વાંચો, પછી વ્યક્તિની ખામી તરીકે.
બેચ પહેલાં ફરી તપાસ અને રોકવાની રેખા નક્કી કરો અને બંને લખી લો.

Task

ગોરખપુરના બે નવા જમાવનારા સમાન દસ ભોજપુરી પ્રશ્નો સાથે પ્રથમ દિવસ પૂરું કરે છે.

Weak approach બન્ને સેટ્સ પોતે સાંભળીને નક્કી કરો કે બીજો જમાવનારો પહેલા કરતાં નબળો છે. ફોન પર તેને કહો કે કાલે નાના જવાબો પર વધુ ધ્યાન આપે.

Stronger approach દસને બાજુ બાજુ મૂકી ગણો: ત્રણ પર ફરક છે. તે ત્રણમાંથી બે એક જ ખામી છે: એક શબ્દનો જવાબ, જેને બંનેએ ફરીથી પૂછવો જોઈએ હતો. માર્ગદર્શિકાએ તે ક્યારેય ન કહ્યું. તે લીટી ઉદાહરણ સાથે માર્ગદર્શિકામાં ઉમેરાય છે. ત્રીજો ખરેખર ભૂલ છે અને ક્લિપ સાથે પાછો મોકલાય છે.

Why the stronger approach works નબળા નેતાએ કદાચ સાચું જ સમજ્યું હોય કે કોણ નબળો છે. તે ત્રીણું ગણાવી શકતી નથી, અને જે નિયમથી બે ખામીઓ થઈ તે જ રીતે રહે છે.

Try a changed situation હવે તે જ બે લોકો સાંભળેલી વાત લખી રહ્યા છે, અને એક જ ક્લિપની તેમની બંને ફાઇલો મેળ ખાતી નથી. તમે શું જુઓ?

Make something yourself તમારા પોતાના સંગ્રહમાંથી બે લોકોને સમાન દસ વસ્તુઓ આપો. જણાવો કે તેઓ ક્યાં ભિન્ન પડ્યા, કયો ફરક માર્ગદર્શિકાની ખામી હતી, અને તે માટે તમે માર્ગદર્શિકામાં કઈ લીટી ઉમેરેલી.

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