提示大语言模型生成多样化激励信息：与人工撰写信息的比较
计算与语言
2023-08-28 v1 人机交互
摘要
大语言模型（LLMs）日益强大且普及，可用于生成创造性内容。内容质量受所用提示的影响，通常更具体且包含示例的提示能产生更好的结果。由此看来，使用为众包任务撰写的指令（具体且包含引导工作者的示例）或可作为有效的 LLM 提示。为探究此点，我们采用先前的众包流程，该流程向人们提供示例以帮助他们生成具有集体多样性的激励信息语料。随后我们使用同一流程借助 GPT-4 生成信息，并比较以下来源的信息的集体多样性：(1) 众包写手，(2) 使用流程的 GPT-4，以及 (3 和 4) 两种基线 GPT-4 提示。我们发现，采用众包流程的 LLM 提示使 GPT-4 比两种基线提示产生更多样化的信息。我们还讨论了由人类写手与 LLM 所生成信息的启示。
引用
@article{arxiv.2308.13479,
title = {Prompting a Large Language Model to Generate Diverse Motivational Messages: A Comparison with Human-Written Messages},
author = {Samuel Rhys Cox and Ashraf Abdul and Wei Tsang Ooi},
journal= {arXiv preprint arXiv:2308.13479},
year = {2023}
}
备注
3 pages, 1 figure, 1 table, to be published in Proceedings of the 11th International Conference on Human-Agent Interaction (ACM HAI'23)