Decoding Drift: Trustworthy Prompt Optimization in High-Stakes AI Environments
Notice bibliographique
Résumé
The reliability and trustworthiness of Large Language Models (LLMs) take shape as more high-stake industries like healthcare, finance, and legal systems embrace them as their applications. Nonetheless, the issue of prompt drift (minor cumulative deviations in the model behaviour because of differences in the prompt structure and contextual framing) is a major threat to model outputs that are consistent. We have introduced a sound solution to the trustworthy prompt optimization (TPO) problem in the form of a systematic and comprehensive methodology that mitigates the drift issue in three major ways: (1) a drift-sensitive evaluation criterion measuring semantic and policy deviation in the responses of LLCs through LLPitals, (2) a prompt tuning algorithm that balances performance and interpretability based on reinforcement learning, and (3) a module that allows the calibration of a human in the loop in high-stakes decision situations. The outcomes of experiments in three benchmark datasets of clinically relevant, fraud detection and legalistic reasoning tasks show that the proposed TPO framework is up to 27 percent more stable in output and 19 percent more faithful to the facts compared to the competing prompt engineering baselines. This study preconditions ethically sound and reproducible prompt design in safety-sensitive AI products, providing a template of compliance of regulations and ethical assurance within the framework of LLM implementation.
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 | 0,018 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».