新框架通过人类受访者分配优化LLM增强调查

一篇新发表在arXiv上的研究论文介绍了一个在使用大型语言模型（LLMs）生成响应时优化调查设计的框架。该框架通过表征问题特定的“纠正难度”来解决LLM准确性可变性的挑战，并提出了一种人类受访者的最优分配规则。该方法旨在将人类标注工作导向LLM最不可靠的任务，从而在不需要人类试点数据的情况下提高整体调查效率和准确性。 AI

影响 这项研究通过优化LLM和人类标注者的使用，可能带来更高效、更准确的调查设计。

排序理由 该集群包含一篇详细介绍LLM增强调查新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• DagsHub
• Gotit.pub
• Hugging Face
• large-language models
• Prediction-powered inference
• ScienceCast
• Zikun Ye

• 论文
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →