Fugu-MT 論文翻訳(概要): Tailoring Chatbots for Higher Education: Some Insights and Experiences

論文の概要: Tailoring Chatbots for Higher Education: Some Insights and Experiences

arxiv url: http://arxiv.org/abs/2409.06717v1
Date: Mon, 26 Aug 2024 14:59:14 GMT
ステータス: 処理完了
システム内更新日: 2024-09-15 05:21:30.427920
Title: Tailoring Chatbots for Higher Education: Some Insights and Experiences
Title（参考訳）: 高等教育用チャットボットの開発 - 洞察と経験から
Authors: Gerd Kortemeyer,
Abstract要約: 本報告ではスイスの特定の技術大学であるチューリッヒ工科大学(ETH Zurich)の知見と経験について述べる。この短い技術経験報告の目的は、高等教育機関の実践的な用語で「緩やかな」大規模言語モデルが何を意味するかを説明することである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The general availability of powerful Large Language Models had a powerful impact on higher education, yet general models may not always be useful for the associated specialized tasks. When using these models, oftentimes the need for particular domain knowledge becomes quickly apparent, and the desire for customized bots arises. Customization holds the promise of leading to more accurate and contextually relevant responses, enhancing the educational experience. The purpose of this short technical experience report is to describe what "customizing" Large Language Models means in practical terms for higher education institutions. This report thus relates insights and experiences from one particular technical university in Switzerland, ETH Zurich.
Abstract（参考訳）: 強力な大規模言語モデルの一般提供は高等教育に強力な影響を与えたが、一般的なモデルは関連する専門的なタスクに必ずしも役に立たない。これらのモデルを使用すると、しばしば特定のドメイン知識の必要性がすぐに明らかになり、カスタマイズされたボットへの欲求が生まれます。カスタマイズは、より正確で文脈的に関係のある応答を導き、教育経験を高めるという約束を守ります。この短い技術経験報告の目的は、高等教育機関の実践的な用語で「緩やかな」大規模言語モデルが何を意味するかを説明することである。本報告ではスイスの特定の技術大学であるチューリッヒ工科大学(ETH Zurich)の知見と経験について述べる。

関連論文リスト

Prompting Encoder Models for Zero-Shot Classification: A Cross-Domain Study in Italian [75.94354349994576]
本稿では,より小型のドメイン固有エンコーダ LM と,特殊なコンテキストにおける性能向上手法の併用の可能性について検討する。本研究は, イタリアの官僚的・法的言語に焦点をあて, 汎用モデルと事前学習型エンコーダのみのモデルの両方を実験する。その結果, 事前学習したモデルでは, 一般知識の頑健性が低下する可能性があるが, ドメイン固有のタスクに対して, ゼロショット設定においても, より優れた適応性を示すことがわかった。
論文参考訳（メタデータ） (2024-07-30T08:50:16Z)
Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
論文参考訳（メタデータ） (2024-06-11T15:58:59Z)
Finetuning an LLM on Contextual Knowledge of Classics for Q&A [0.0]
このプロジェクトは、クラシックの知識と人工知能の能力を統合する試みである。本研究の目的は,文脈知識を正確に再現するだけでなく,一貫した「個性」を示すLLMを開発することである。
論文参考訳（メタデータ） (2023-12-13T02:32:01Z)
Formal Aspects of Language Modeling [74.16212987886013]
大規模言語モデルは最も一般的なNLP発明の1つとなっている。これらのノートは、ETH Z "urich course on large language model" の理論的部分の伴奏である。
論文参考訳（メタデータ） (2023-11-07T20:21:42Z)
On the application of Large Language Models for language teaching and assessment technology [18.735612275207853]
我々は,AIによる言語教育とアセスメントシステムに大規模言語モデルを導入する可能性を検討する。より大きな言語モデルは、テキスト生成における以前のモデルよりも改善されていることがわかった。自動階調と文法的誤り訂正において、よく知られたベンチマークで進捗が確認されたタスクについては、初期の調査では、彼ら自身の大きな言語モデルが最先端の結果を改善していないことが示されている。
論文参考訳（メタデータ） (2023-07-17T11:12:56Z)
Commonsense Knowledge Transfer for Pre-trained Language Models [83.01121484432801]
ニューラルコモンセンス知識モデルに格納されたコモンセンス知識を汎用的な事前学習言語モデルに転送するフレームワークであるコモンセンス知識伝達を導入する。まず、一般的なテキストを利用して、ニューラルコモンセンス知識モデルからコモンセンス知識を抽出するクエリを形成する。次に、コモンセンスマスクの埋め込みとコモンセンスの関係予測という2つの自己教師対象で言語モデルを洗練する。
論文参考訳（メタデータ） (2023-06-04T15:44:51Z)
Language Model Behavior: A Comprehensive Survey [5.663056267168211]
本稿では,タスク固有の微調整前における英語モデル行動に関する最近の250以上の研究について論じる。モデルが数十億のパラメータにスケールするにつれて、生成テキストの品質は劇的に向上するが、モデルはまだ、非現実的な応答、常識的エラー、暗記されたテキスト、社会的偏見の傾向にある。
論文参考訳（メタデータ） (2023-03-20T23:54:26Z)
LM-CORE: Language Models with Contextually Relevant External Knowledge [13.451001884972033]
モデルパラメータに大量の知識を格納することは、絶え間なく増加する知識とリソースの要求を考えると、準最適である、と我々は主張する。 LM-CORE - これを実現するための一般的なフレームワークで、外部の知識ソースから言語モデルのトレーニングをテキストデカップリングすることができる。実験結果から, LM-COREは知識探索タスクにおいて, 最先端の知識強化言語モデルよりも大きく, 堅牢な性能を実現していることがわかった。
論文参考訳（メタデータ） (2022-08-12T18:59:37Z)
Solving Quantitative Reasoning Problems with Language Models [53.53969870599973]
我々は、一般的な自然言語データに基づいて事前訓練された大規模言語モデルであるMinervaを紹介し、さらに技術的な内容について訓練する。このモデルは、外部ツールを使わずに、技術的ベンチマークで最先端のパフォーマンスを達成する。我々はまた、物理学、生物学、化学、経済学、その他の科学における200以上の学部レベルの問題に対して、我々のモデルを評価した。
論文参考訳（メタデータ） (2022-06-29T18:54:49Z)
Knowledge Graph Fusion for Language Model Fine-tuning [0.0]
BERTの微調整段階における知識導入のメリットについて検討する。既存のK-BERTモデルは、知識グラフから三つ子で文を豊かにするものであり、英語に適応している。 K-BERTに変更された英語は、他の単語ベースの言語にも拡張されている。
論文参考訳（メタデータ） (2022-06-21T08:06:22Z)
Generated Knowledge Prompting for Commonsense Reasoning [53.88983683513114]
本稿では,汎用的なプロンプト形式を用いて,言語モデルから直接知識文を生成することを提案する。このアプローチは、4つのコモンセンス推論タスクにおいて、既製の言語モデルと微調整された言語モデルの両方のパフォーマンスを向上させる。特に、モデルが生成した知識を使用することで、予測が改善できることが分かる。
論文参考訳（メタデータ） (2021-10-15T21:58:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。