The rise of large language models informed by not so large corpora of training data
Notice bibliographique
Résumé
CSA ResearchThe general public first became aware of generative AI (GenAI) on November 15, 2022 when Meta launched its Galactica large language model (LLMs).Claims from its creators that it could "reason" about scientific knowledge proved to be overly optimistic and public social media posting about its limitations led Meta to withdraw the model just three days later, on November 18 (Dickson 2022).At the time, Meta's chief AI scientist, Yan LeCun, publicly blamed the demise of Galactica on public "casual misuse" of the model on X (formerly Twitter) (@ylecun, November 18, 2022).Nevertheless, media coverage introduced the term "hallucination" to a broader audience.With what can now be seen as very fortuitous timing, OpenAI launched its own ChatGPT service less than two weeks after Galactica shut down, filling the void left behind by Galactica for a public eager to try out the seemingly magic power of LLMs.The OpenAI team had learned how not to describe these models from watching Meta's struggles, and ChatGPT became a smash hit, far exceeding its creators' expectations (Heaven 2023). "Magical" English performance may not translateEarly adopters of ChatGPT quickly realized that it produced surprisingly good translations for many languages, leading to discussion in translation and localization circles about whether LLMs would soon replace Neural Machine Translation (NMT).GenAI hype led some companies to lay their localization teams off because they felt they could simply have ChatGPT translate all of their content.At CSA Research, our extensive testing found in April 2023 that although GenAI had significant promise and advantages over NMT in translation, it also had significant drawbacks that kept it from being a viable large-scale approach for enterprise translation (Lommel 2023).
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 | 0,016 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,014 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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 ».