• 文献阅读：AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators
  • 1. 文章简介
  • 2. 方法介绍
  • 3. 实验考察
    • 1. 实验结果
    • 2. 消解实验
    • 3. Consistency & Stability
  • 4. 结论 & 思考

• 文献链接：https://arxiv.org/abs/2303.16854

1. 文章简介

这一篇文章是我司的另一篇关于GPT模型的Prompt工程调优的文章，不过这篇文章的方法挺有启发意义的，而且这篇文章的工作本身也和我最近在做的工作比较契合，因此打算在这里对这篇文章进行一下整理。

这篇文章的核心工作如前所述，是一个prompt调优的工作，用于使得GPT任务在分类任务的标注上获取更好的效果。

而这篇文章的核心思路其实还是对齐，他在文章中引入了一个叫做explain-then-annotate的方法，算是一个few-shot的变体，不过不同于few-shot的直接给答案或者人工给一些答案，文中采用的方式是先给模型一些人工标注的ground-truth，然后要求模型对此生成explanation来作为few-shot的内容。

用这种方式，某种意义上可以强制LLM对齐任务的判断标准与人的标准相同，从而使得模型在标注任务当中能够收获更好的效果。

2. 方法介绍

下面，我们来具体看一下文中的prompt的具体构造方法以及给出一个具体的prompt例子。

首先，我们来看一下AnnoLLM的整体的设计，这个可以用文中的图表进行展示：

其中，左侧是人工标注的流程，而右侧则是AnnoLLM的过程。

可以看到，其主要是包含了两个步骤：

1. 给出task description以及一些标注数据，让模型来说明标注这些label的理由；
2. 将上述task description，样例数据以及模型回答的理由作为few-shot prompt输入给模型，然后要求模型回答目标问题。

其具体的一个样例如下表所示：

其中，粗体的部分就是预先给到LLM答案之后由LLM自己生成的explanation，其具体的prompt如下：

通过这种方式，我们就可以迫使模型去对齐ground truth当中人类的判断标准，从而获得一个更好的效果表达。

3. 实验考察

下面，我们来看一下文中给出具体实验结果。

1. 实验结果

文中实验主要使用了如下三个数据集：

其中：

1. QK数据集是一个query与keyword的relevance判断问题；
2. BoolQ数据集是一个针对doc以及question的是非判断问题；
3. WiC数据集则是判断同一个词在两个sentence当中是否有相同的语义；

给出三个数据集下的实验结果如下：

1. QK

   

2. BoolQ

   

3. WiC

   

可以看到：

• 在三个任务当中，模型都获得了很好的效果。

2. 消解实验

为了验证这个CoT方法的有效性，文中还给出了消解实验的实验结果如下：

我们首先来看一下各组实验都是什么：

1. baseline，先用label生成explanation，然后在explanation之后拼上label进行强调；
2. 先用label生成explanation，然后删掉句首的label内容，只保留explanation，但是在句尾拼上label的内容；
3. 先用label生成explanation，然后只将explanation拼到label之后；
4. 和1在格式上保持一致，但是在生成explanation时并不事先告诉模型ground truth，而是让模型自由发挥，然后在模型自由生成的explanation之后拼上ground truth;
5. 和4在格式和内容上保持一致，但是对explanation通过一些简单的过滤规则进行一些后处理，去除掉那些和ground truth不一致的解释。

可以看到：

• 实验2,3主要是在考察格式对结果的影响；
• 实验4,5主要是在考察explanation的生成方式对结果的影响；

结论来说：

1. 比较1和2，可以看到，句首的grouth truth对于模型的理解有很重要的作用，删除会对模型效果有所影响，即使句末会给到真实的ground truth也一样；
2. 比较1和3，我们注意到句末的ground truth label的拼接对于模型效果的影响是比较微弱的；
3. 比较1和4，我们发现，如果不使用label让模型生成explanation，事实上并没有起到标准对齐的效果，模型infer的效果下降会很明显；
4. 比较4和5，我们注意到即使通过一些规则过滤掉一些明显与ground truth不一致的explanation的情况下，模型效果依然无法恢复到baseline的水平，这可能由于某些问题模型自身始终无法给到正确的explanation，因此无法通过简单规则过滤得到ground truth对应的解释。

3. Consistency & Stability

最后，文章中还考察了一下这一方法的一致性和稳定性，具体来说，就是以下两个点：

1. 一致性：生成的不同explanation作为prompt是否都能获得较好的效果；
2. 稳定性：不同的few-shot上面CoT是否都能稳定的获得收益；

给出文中的具体实验结果图如下：

可以看到：

• CoT的提升效果是稳定且一致的。

4. 结论 & 思考

综上，这篇文章依然还是一个prompt调优的工作，不过确实感觉很有启发意义。

且核心的思路根据我的理解依然还是在于对齐，虽然文中称之为CoT，不过我个人觉得不是特别合适，因为并没有看出来Chain的效果，更多的感觉还是一个个单例来迫使模型对齐了标准，从而提升了模型判断与人类判断的一致性。

而另一个好的点在于这篇文章的方法论事实上是比较泛化的，基本上可以无缝衔接到所有的分类问题当中，而且实现上也非常简单，倒是可以在我们自己的工作中也试试看，应该可以获得比较好的效果。