The Calibration Gap: Model-Specific Confidence Thresholds for Reliable Customer Service LLMs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Every automated reply in customer service is a bet on a model's self-belief. When that confidence is wrong, brands either frustrate customers with bad answers or swamp agents with avoidable escalations. Deploying Large Language Models (LLMs) for customer service therefore hinges on calibrated confidence-i.e., the alignment between a model's stated confidence and the likelihood it is correct-because that signal governs automate-vs-escalate decisions. We benchmark three LLMs (GPT-4o, Claude-3.5-Sonnet, LLaMA-70B) on 2500 realistic hospitality cases spanning billing disputes, room service requests, experience complaints, and policy inquiries. Using an LLM-as-Judge framework that scores factual accuracy, process correctness, and completeness, we quantify calibration with reliability curves and confidence-accuracy gaps, and we sweep decision thresholds under a utility objective (accuracy minus escalation cost). Results show clear, category-dependent calibration differences: Claude-3.5-Sonnet is best aligned with the reliability diagonal overall; LLaMA-70B is most overconfident-especially for subjective experience complaints (gap 0.183)-and GPT-4o sits between these extremes. Threshold analysis indicates that optimal confidence cutoffs are model-specific and lower than common industry defaults: 0.55 for Claude-3.5-Sonnet, 0.60 for GPT4o, and 0.55-0.65 for LLaMA-70B (sensitive to escalation costs). These findings argue that confidence-based automation must consider calibration quality alongside accuracy, with model- and category-specific thresholds (stricter for subjective complaints) to balance automation gains against service reliability.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle