
 
 
 
 
 
 
 
 
 
 
 
 អ្នកនិពន្ធ : (1) Winnie Street, ការស្រាវជ្រាវរបស់ Google ។ (2) លោក John Oliver Siy, ការស្រាវជ្រាវរបស់ Google ។ (3) លោក Geoff Keeling, ការស្រាវជ្រាវរបស់ Google ។ (4) លោក Adrien Baranes, ក្រុមហ៊ុន Google DeepMind ។ (5) លោក Benjamin Barnett, ការស្រាវជ្រាវរបស់ Google ។ (6) លោក Michael Mckibben, សាកលវិទ្យាល័យសាកលវិទ្យាល័យ Johns Hopkins ។ (7) Tatenda Kanyere, ការធ្វើការនៅ Google ការស្រាវជ្រាវតាមរយៈ Harvey Nash; (8) Alison Lentz, ការស្រាវជ្រាវរបស់ Google ។ (9) លោក Blaise Aguera និង Arcas, អ្នកស្រាវជ្រាវរបស់ Google ។ (10) លោក Robin I. M. Dunbar, មជ្ឈមណ្ឌលវិទ្យាសាស្រ្តសាកលវិទ្យាល័យ Oxford istreet@google.com ។ Authors: (1) Winnie Street, ការស្រាវជ្រាវរបស់ Google ។ (2) លោក John Oliver Siy, ការស្រាវជ្រាវរបស់ Google ។ (3) លោក Geoff Keeling, ការស្រាវជ្រាវរបស់ Google ។ (4) លោក Adrien Baranes, ក្រុមហ៊ុន Google DeepMind ។ (5) លោក Benjamin Barnett, ការស្រាវជ្រាវរបស់ Google ។ (6) លោក Michael Mckibben, សាកលវិទ្យាល័យសាកលវិទ្យាល័យ Johns Hopkins ។ (7) Tatenda Kanyere, ការធ្វើការនៅ Google ការស្រាវជ្រាវតាមរយៈ Harvey Nash; (8) Alison Lentz, ការស្រាវជ្រាវរបស់ Google ។ (9) លោក Blaise Aguera និង Arcas, អ្នកស្រាវជ្រាវរបស់ Google ។ (10) លោក Robin I. M. Dunbar, មជ្ឈមណ្ឌលវិទ្យាសាស្រ្តសាកលវិទ្យាល័យ Oxford istreet@google.com ។ កុំព្យូទ័រ លក្ខណៈពិសេស 1: Introduction 
 
 
 ការធ្វើការដែលមាន សម្ភារៈនិងវិធី 3.1 គោលដៅ 3.2 ការបង្កើតទិន្នន័យ 4. លទ្ធផល 4.1 ការធ្វើតេស្ត ToM 4.2 ការអនុវត្តការងារពិតប្រាកដ 4.3 ការប្រៀបធៀបការអនុវត្តលើ ToM និងការងារពិតប្រាកដ និង 4.4 Effect Anchoring 5.  ការពិភាក្សា 6.  ការស្រាវជ្រាវចុងក្រោយ 8 ការបញ្ជាក់, ការទទួលស្គាល់និងការបង្ហាញនៃការផ្តល់សេវាកម្មនិងពិន្ទុ សៀវភៅ សៀវភៅ សៀវភៅនេះពិនិត្យឡើងវិញពីទំហំដែលម៉ូឌុលភាសាធំ (LLMs) បានអភិវឌ្ឍគោលបំណងគោលបំណងខ្ពស់ (ToMs) ។ សមត្ថភាពរបស់មនុស្សដើម្បីគិតអំពីស្ថានភាពគោលបំណងនិងអារម្មណ៍ជាច្រើននៅលើវិធីសាស្រ្ត (ដូចជាខ្ញុំគិតថាអ្នកគិតថាវាបានដឹង) ។ សៀវភៅនេះត្រូវបានបង្កើតឡើងនៅលើការធ្វើការមុនដោយបង្កើតគោលបំណងគោលបំណងគោលបំណងដែលបានសរសេរដោយផ្ទាល់ខ្លួន - Multi-Order Theory of Mind Q&A - និងប្រើវាដើម្បីប្រៀបធៀបការអនុវត្តនៃ 5 LLMs ទៅនឹងគោលបំណងរបស់មនុស្សពេញវ័យដែលបានបង្កើតឡើងថ្មី។ យើងរកឃើញថា GPT-4 និង Flan-PaLM 1 ដំណឹង វេជ្ជបណ្ឌិតនៃអារម្មណ៍ (ToM) គឺជាសមត្ថភាពដើម្បីបាត់បង់និងគួរឱ្យចាប់អារម្មណ៍អំពីអារម្មណ៍របស់ខ្លួននិងអ្នកផ្សេងទៀត [Premack និង Woodruff, 1978, Wimmer និង Perner, 1983, Wellman et al., 2001] ។ វេជ្ជបណ្ឌិតគឺជាមូលដ្ឋាននៃអារម្មណ៍សង្គមរបស់មនុស្ស: វាមានសមត្ថភាពដើម្បីរៀបរាប់និងអនុវត្តលើพฤติกรรม [Humphrey, 1976, Wellman and Bartsch, 1988, Hooker et al., 2008] ។ ម៉ូដែលភាសាធំ (LLMs) បានបង្ហាញនូវសមត្ថភាព ToM មួយចំនួន [Kosinski, 2023, Bubeck et al., 2023, Shapira et al., 2023] ។ លក្ខណៈពិសេសភាគច្រើននៃសៀវភៅអំពី LLM ToM បានផ្តោតលើ ToM ប្រភេទទីពីរ [Sap et al., 2022, Kosinski, 2023, Gandhi et al., 2024, Shapira et al., 2023] ដែលជាកន្លែងដែល 'កំណត់នៃគោលបំណង' (បន្ទាប់ពីនេះ, 'កំណត់') គឺជាចំនួននៃស្ថាប័នអារម្មណ៍ដែលចូលរួមក្នុងដំណើរការគោលបំណង ToM (ប្រសិនបើការបង្ហាញប្រភេទទីបីគឺ "ខ្ញុំគិតថាអ្នកគិតថាវាបានដឹង" ។ ប៉ុន្តែ LLMs ត្រូវបានបន្ថែមទៀតត្រូវបានប្រើសម្រាប់ទំនាក់ទំនងស ក្នុងសៀវភៅនេះយើងពិនិត្យ LLM ToM ពីកំណត់ 2-6. យើងបានបង្ហាញនូវគោលបំណងថ្មី: គោលបំណងជាច្រើននៃសំណួរនិងការឆ្លើយតប (MoToMQA) ។ MoToMQA ត្រូវបានផ្អែកលើការធ្វើតេស្ត ToM ដែលត្រូវបានរចនាឡើងសម្រាប់មនុស្សពេញវ័យ [Kinderman et al., 1998] ហើយរួមបញ្ចូលទាំងការឆ្លើយតបសំណួរពិតប្រាកដ / មិនពិតប្រាកដអំពីរូបភាពនៅក្នុងប្រវត្តិសាស្រ្តរចនាសម្ព័ន្ធទាប។ យើងគិតពីរបៀបដែលការធ្វើតេស្ត ToM មានប្រសិទ្ធិភាពក្នុងការធ្វើតេស្ត LLM, របៀបដែលការធ្វើតេស្ត LLM មានប្រសិទ្ធិភាពក្នុងការធ្វើតេស្ត ToM មានប្រសិទ្ធិភាពក្នុងការធ្វើតេស្ត ToM 2 សកម្មភាពផ្សេងទៀត 2.1 មតិបរមា មនុស្សពេញវ័យជាទូទៅអាចធ្វើឱ្យការបញ្ជាក់ ToM ទៅ 5 ប្រភេទ (ដូចជាខ្ញុំគិតថាអ្នកគិតថាខ្ញុំគិតថាអ្នកចង់ឱ្យខ្ញុំគិត) [Kinderman et al., 1998, Stiller and Dunbar, 2007, Oesch and Dunbar, 2017].[1] សមត្ថភាព ToM នៃប្រភេទខ្ពស់ផ្សេងៗក្នុងចំណោមមនុស្សរួមទាំងដោយប្រភេទ [Hyde and Linn, 1988, Stiller and Dunbar, 2007] ហើយមិនត្រូវបានដំឡើងយ៉ាងសាកល្បងនៅទូទាំងពិភពលោកទាំងអស់ [Keysar et al., 2003]. ToM នៅលើប្រភេទខ្ពស់ផងដែរមានគុណភាពខុសគ្នានៅលើភាពងាយស្រួលសង្គម។ ការបញ្ជាក់គួរឱ្យភ្ញាក់ផ្អើលនិងតម្រូវការនៃមនុស្សជាច្រើនក្នុងមួយម៉ោងជំរុញការបណ្តុះបណ្ត 2.2 មូលនិធិ Tom Kostirinski Token [2023] បានបង្ហាញពីការបង្ហាញពីទិន្នន័យនៃការចាប់ផ្តើម ToM នៅលើ LLMs ដោយផ្អែកលើការជោគជ័យរបស់ GPT-4 នៅលើការជោគជ័យរបស់ GPT-4 នៅលើប្រព័ន្ធប្រតិបត្តិការ Sally-Anne ។ Ullman [2023] បានបង្ហាញពីទិន្នន័យនេះ, ការបង្ហាញពីការកាត់បន្ថយការអនុវត្តជាមួយនឹងការបាត់បន្ថយតម្រូវការតម្រូវការតូច។ ការពិសោធន៍បន្ថែមទៀតដែលរួមបញ្ចូលគ្នាជាមួយប្រព័ន្ធប្រតិបត្តិការប្រព័ន្ធប្រតិបត្តិការប្រព័ន្ធប្រតិបត្តិការដូចជា BigToM [Gandhi et al., 2024] និង SocialIQa [Sap et al., 2022] បានបង្ហាញពីផលិតផលផ្សេងៗនៅក្នុងសមត្ថភាព LLM ToM ។ ឧទ ឥឡូវនេះយើងគិតថាការប្រៀបធៀបការអនុវត្ត LLM ជាមួយនឹងការរបស់មនុស្សពេញវ័យមិនមែនជាកុមារគឺជាគោលដៅសំខាន់បំផុតសម្រាប់សកម្មភាពសង្គម LLM ដោយសារតែអាជីវកម្មសំខាន់បំផុតនៃ LLM នឹងជាមនុស្សពេញវ័យហើយគឺជាកន្លែងប្រៀបធៀបដែលមានលក្ខណៈពិសេសច្រើនជាងនេះដោយសារតែសមត្ថភាព ToM ដែលមានគុណភាពខ្ពស់បំផុតរបស់មនុស្សបានបន្តអភិវឌ្ឍទៅក្នុងអាយុដំបូង [Valle et al., 2015] ប៉ុន្តែយើងមិនគិតថាដំណើរការគេស្គាល់ខ្លួនដូចគ្នានេះគឺជាមូលដ្ឋាននៃការអនុវត្តរបស់មនុស្សនិង LLM នៅលើការធ្វើតេស្តសង្គម។ 
 
 សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 ។ សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 ។ អាសយដ្ឋាន Archive [1] យើងធ្វើដូចម្តេចដើម្បីដោះស្រាយបញ្ហាដែលបានបង្កើតឡើងសម្រាប់ IMT នៅពេលដែល "កម្រិតដំបូង" គឺជាស្ថាប័នវិជ្ជាជីវៈរបស់អ្នកដែលមានសមត្ថភាព ToM ដែលត្រូវបានវិញ្ញាបនប័ត្រ, "កម្រិតទីពីរ" គឺជាការបញ្ជាក់របស់អ្នកអំពីអ្វីដែលអ្នកផ្សេងទៀតគិតឬមានអារម្មណ៍, និងដូច្នេះនៅលើ។ ទោះបីជាយ៉ាងណាក៏ដោយអ្នកវិទ្យាសាស្រ្តមួយចំនួនចាប់ផ្តើមនៅ "កម្រិត 0" សម្រាប់ស្ថាប័នវិជ្ជាជីវៈរបស់អ្នក។ នៅពេលដែលការបញ្ហារបស់យើងមានប្រទាក់ជាមួយអ្នកផ្សេងទៀតដែលបានផ្លាស់ប្តូរយើងធ្វើឱ្យវាស្រប។ [2] សកម្មភាព Sally Ann ដែលបានរចនាឡើងជាដើមដោយ Baron-Cohen et al. [1985] មានការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការយល់ដឹងអំពីការ [3] ការបណ្តុះបណ្តាលបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្ត

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EScholar Technologies

EScholar

សំឡេងនេះផលិតជាភាសាដើមនៃរឿង!

តើអ្នកអាចយល់ដឹងអំពីការយល់ដឹង?

About Author

មតិយោបល់

ព្យួរស្លាក

អត្ថបទនេះត្រូវបានបង្ហាញនៅក្នុង

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps