यः उत्तरः अन्यैः मूल्यीकृतः स्यात् तं लिखतु

What this lesson is about

परस्य न निर्णयं, स्वस्यैव संदर्भोत्तरं लिखतु। यत् प्रश्नं समापयति, तस्य चरणानि दर्शयति, यत्र निषेधः उचितः तत्र निषेधं करोति।

त्वं तेन दुकानदाराय सुवर्णोत्तरं लिखसि यः पृष्टः यत् छिन्नवस्त्रं प्रत्यागन्तुं शक्यते वा। प्रथमं किं लिखिष्यसि?

Why this matters

अनेकानि परियोजनानि परस्य उत्तरस्य मूल्यांकनं न कुर्वन्ति, स्वस्यैव आदर्शोत्तरं क्रेतुम् इच्छन्ति। मानवीयप्रतिक्रियया शिक्षणस्य प्रकाशिते कार्ये जनाः प्रथमं इच्छितं उत्तरं लिखितवन्तः। मूल्यांकनं तदनन्तरं अभवत्। मृदु संदर्भोत्तरं तस्मिन् आधारेण सर्वाणि मूल्यांकनानि मृदूनि भवति।

यः संदर्भोत्तरः यः पश्चात् सर्वे मूल्यांकनानि तस्मै आधारितानि स्युः तं लिखतु।

सुवर्णोत्तरं तद्विषयं निर्णेतुम् यत् पृष्टं तत्त एव, न तद् यत् त्वं इच्छसि पृष्टम्।
यत् प्रत्येकं चरणं मूल्याकर्तृणः परीक्षितुम् आवश्यकं तद् दर्शय, तदपि यत् मस्तिष्के त्वया कृतं तदपि।
यत्र सत्यं उत्तरं नास्ति, तत्र सुवर्णोत्तरं नकारं वदति च कस्य कारणात् इति अपि सूचयति।

Task

वस्त्रथोकविक्रेता ग्राहकः प्रत्यागमनस्य विषये लिखति। सः द्वितीयं सितम्बरं चत्वारिंशत् मितरान् क्रेतवान्, तेषु षट् मितराः तस्य मापनानुसारं छिन्नाः। सः अष्ट मितरान् प्रत्यागन्तुम् इच्छति।

Weak approach उत्तरं यत् अपयोगितं मालं पञ्चदशदिनपर्यन्तं प्रत्यागच्छति, बिलं आनयतु इति वदति। दुकाने ग्राहकेभ्यः कियत् स्नेहः इति एकं पङ्क्तिम् अपि योजयति। छिन्नवस्त्रस्य उल्लेखः नास्ति।

Stronger approach पञ्चदशदिनानि द्वितीयात् सितम्बरात् आरभ्य गणनीयानि, अतः सप्तदशं सितम्बरः अन्तिमः दिनः इति वदति। छिन्नाः षट् मितराः प्रत्यागन्तुं न शक्नुवन्ति, कारणं च वदति। ततः यत् मुक्तं अस्ति तद् निर्दिशति — अछिन्नानि तु तस्मै बिलायै समापन्नानि विनिमीयन्ते। अन्ते ग्राहकः किम् आनयितव्यं तदपि लिखति।

Why the stronger approach works उभे उत्तरौ शिष्टौ सन्ति न च मिथ्या वदन्ति। केवलं एकः एषः ग्राहकस्य प्रकरणं निर्णेतुम् अर्हति, मूल्याकर्ता तं पङ्क्तिम् निर्दिशितुं शक्नोति या निर्णेतुम् अर्हति।

Try a changed situation अद्य त्वया लिखितं सुवर्णोत्तरं वर्गः ८ गणितस्य छूटविषयकः प्रश्नः अस्ति। तस्मिन् किं आवश्यकं?

Make something yourself यत् प्रश्नं तव परिचिते व्यवसाये ग्राहकाः यथार्थतया पृच्छन्ति तद् गृह्णीहि। तस्मै सुवर्णोत्तरं लिख। ततः त्रयः पङ्क्तयः लिख यत् मूल्याकर्ता किं कारणं अङ्कान् अपहर्तुम् अर्हति।

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