On the data requirements of probing
Notice bibliographique
Résumé
As large and powerful neural language models are developed, researchers have been increasingly interested in developing diagnostic tools to probe them.There are many papers with conclusions of the form "observation X is found in model Y ", using their own datasets with varying sizes.Larger probing datasets bring more reliability, but are also expensive to collect.There is yet to be a quantitative method for estimating reasonable probing dataset sizes.We tackle this omission in the context of comparing two probing configurations: after we have collected a small dataset from a pilot study, how many additional data samples are sufficient to distinguish two different configurations?We present a novel method to estimate the required number of data samples in such experiments and, across several case studies, we verify that our estimations have sufficient statistical power.Our framework helps to systematically construct probing datasets to diagnose neural NLP models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,151 | 0,685 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,011 | 0,034 |
| Science ouverte | 0,010 | 0,014 |
| Intégrité de la recherche | 0,011 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».