A Faceted Approach to Language in OLab scenarios
Notice bibliographique
Résumé
How is the approach we are taking with conversational agents in OLab different from ChatGPT? Over the past decade, we have been exploring a variety of different approaches for incorporating natural language understanding into OLab.(1–3) Indeed, there is a long history in virtual patients of trying to introduce natural language. Our stance is that, while this is apparently engaging (and cute) at first sight, there are generally only a few areas in any given scenario where constructed responses are important. (https://olab.ca/constructed-responses-in-olab/ ) Our work with TTalk since 2013 has shown just what can be done with a simple chat-based interface, linked to the powerful virtual scenario engine in OLab. This has been shown to be cost-effective, scalable, extensible and with high learning impacts. But it does depend on a human element to a degree, which is both a strength and a limitation. More recently in our DFlow-related work, we have been incorporating more intelligent conversational agents in a manner that is limited in both scope and risk. And given the most recent developments with Microsoft’s AI Bing and ChatGPT, we are glad we have been cautious.(4) It would have been disastrous to unleash an unfettered ChatGPT in certain high risk scenarios. Part of what has made OLab and TTalk so effective in the past ten years is our success in creating scenarios that present a safe space, or more accurately a brave space (somewhere you can be brave enough to try new things), that shields learners from toxic risks and outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 tête enseignante, 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 ».