Compact Prompting in Instruction-tuned LLMs for Joint Argumentative Component Detection
यह शोध पत्र एक नवीन दृष्टिकोण प्रस्तावित करता है जो 'इंस्ट्रक्शन-ट्यून्ड' लार्ज लैंग्वेज मॉडल्स पर कॉम्पैक्ट इंस्ट्रक्शन-आधारित प्रॉम्प्ट्स का उपयोग करके 'आर्ग्युमेंटेटिव कंपोनेंट डिटेक्शन' को एक भाषा निर्माण (लैंग्वेज जनरेशन) कार्य के रूप में पुनर्गठित करता है, जिससे पूर्व-विभाजित घटकों पर निर्भर किए बिना सीधे प्लेन टेक्स्ट से आर्ग्युमेंटेटिव स्पैन की पहचान करके अत्याधुनिक (स्टेट-ऑफ-द-आर्ट) प्रदर्शन प्राप्त किया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप अपने एक मित्र का एक लंबा, अव्यवस्थित पत्र पढ़ रहे हैं। इस पत्र में, आपका मित्र आपको किसी बात के लिए मनाने की कोशिश कर रहा है। वह अपने मुख्य बिंदु (दावा/Claim) को उन कारणों (आधार/Premises) के साथ मिला देता है जिनकी वजह से वह ऐसा सोचता है। कभी-कभी वह आगे-पीछे कूदता है, कभी-कभी वह लंबे वाक्यों के भीतर अपने कारणों को छिपा देता है, और कभी-कभी वह स्पष्ट विराम चिह्नों का उपयोग नहीं करता जिससे यह पता चल सके कि एक विचार कहाँ समाप्त होता है और दूसरा कहाँ शुरू होता है।
समस्या:
लंबे समय तक, इन पत्रों को पढ़ने वाले कंप्यूटरों को कठिनाई होती रही। अधिकांश पुराने कंप्यूटर प्रोग्राम एक अनाड़ी असेंबली लाइन की तरह काम करते थे:
- चरण 1: एक रोबोट पत्र को साफ-सुथरे छोटे वाक्यों में काटने की कोशिश करता है।
- चरण 2: दूसरा रोबोट उन वाक्यों को देखता है और अनुमान लगाता है कि कौन से "दावे" (Claims) हैं और कौन से "आधार" (Premises) हैं।
यदि पहला रोबोट पत्र को गलत जगह से काट देता है, तो दूसरा रोबोट भ्रमित हो जाता है, और पूरा काम विफल हो जाता है। यह एक घर बनाने जैसा है जहाँ पहले आप एक अजनबी से सभी ईंटों को काटने के लिए कहते हैं, और फिर उम्मीद करते हैं कि राजमिस्त्री उन टुकड़ों से दीवार बना लेगा जो उसे दिए गए हैं।
नया विचार (पेपर का समाधान):
शोधकर्ताओं ने पूछा: "क्या होगा यदि हम बस एक सुपर-स्मार्ट, विद्वान रोबोट को पूरा पत्र पढ़ने और इसे फिर से लिखने के लिए कहें, लेकिन इस बार, वह महत्वपूर्ण हिस्सों के चारों ओर छोटे रंगीन टैग लगा दे?"
काटने और चिपकाने के बजाय, उन्होंने एक लार्ज लैंग्वेज मॉडल (LLM) को सिखाया—जो मूल रूप से एक बहुत ही उन्नत AI है जिसने इंटरनेट पर लगभग सब कुछ पढ़ा है—कि एक हाइलाइटिंग विशेषज्ञ की तरह कार्य करे।
यह कैसे किया गया, इसके लिए एक सरल उपमा का उपयोग किया गया है:
"हाइलाइटिंग शेफ" (Highlighting Chef) की उपमा
कल्पना कीजिए कि आपके पास एक कच्चा, बिना कटा हुआ स्टेक (सादा टेक्स्ट) है।
- पुराना तरीका: आप पहले स्टेक को सटीक क्यूब्स में काटने की कोशिश करते हैं (सेगमेंटेशन), और फिर आप यह पता लगाने की कोशिश करते हैं कि कौन से क्यूब्स लीन मीट (lean meat) हैं और कौन से फैट (fat) हैं। यदि आप इसे गलत तरीके से काटते हैं, तो लीन मीट और फैट आपस में मिल जाते हैं।
- नया तरीका (यह पेपर): आप एक मास्टर शेफ (इंस्ट्रक्शन-ट्यून्ड LLM) को स्टेक देते हैं। आप कहते हैं, "शेफ, इस स्टेक को देखो। जब आप इसे मुझे वापस वर्णित करें, तो कृपया लीन मीट को गोल्ड फॉयल में लपेटें और फैट को सिल्वर फॉयल में।"
शेफ केवल काटता नहीं है; वह एक साथ पूरे स्टेक को समझता है। वह जानता है कि "गोल्ड फॉयल" (दावा) "सिल्वर फॉयल" (आधार) के ठीक बगल में हो सकता है, या एक आधार एक लंबे वाक्य के भीतर छिपा हो सकता है। वह काटने और लेबलिंग का काम एक ही समय में करता है।
उन्होंने शेफ को कैसे सिखाया
शोधकर्ताओं ने AI को केवल यह नहीं बताया, "दावे खोजो।" उन्होंने इसे एक विशिष्ट रेसिपी (जिसे कॉम्पैक्ट प्रॉम्प्ट कहा जाता है) दी।
- उन्होंने हजारों उदाहरण लिए जहाँ मनुष्यों ने पहले ही टेक्स्ट को
<claim>और<premise>जैसे टैग के साथ चिह्नित किया था। - उन्होंने AI को सिखाया: "यहाँ कच्चा टेक्स्ट है। यहाँ टैग वाला संस्करण है। अब, तुम भी वैसा ही करो।"
- AI ने टैग्स को शामिल करते हुए टेक्स्ट को जेनरेट करना सीखा, न कि केवल पहले से कटे हुए टुकड़ों के लिए लेबल का अनुमान लगाना।
परिणाम: यह क्यों मायने रखता है
जब उन्होंने विभिन्न प्रकार के लेखन—औपचारिक स्कूल निबंधों से लेकर अस्त-व्यस्त, बीच में टूटी हुई राजनीतिक बहसों तक—पर इस "हाइलाइटिंग शेफ" का परीक्षण किया, तो यह पिछले किसी भी तरीके से बेहतर रहा।
- यह स्मार्ट है: यह लगभग एक मानव विशेषज्ञ जितना अच्छा रहा (99% के बराबर!)।
- यह लचीला है: इसने पुराने "असेंबली लाइन" रोबोटों की तुलना में वास्तविक दुनिया के अव्यवस्थित टेक्स्ट (जैसे कि एक गरमागरम बहस) को बहुत बेहतर तरीके से संभाला।
- इसने छिपे हुए रत्न खोजे: कभी-कभी, AI ने ऐसे तर्क खोज लिए जिन्हें मानव एनोटेटर्स (annotators) ने भी छोड़ दिया था! यह शेफ के कहने जैसा है, "हे, मुझे लगता है कि यह वाक्य वास्तव में मुख्य बिंदु के लिए एक कारण है, भले ही आपने इसे टैग न किया हो।"
एक एकमात्र कमी (द "हैलुसिनेशन" समस्या)
इसमें एक छोटी सी खामी है। कभी-कभी, शेफ बहुत अधिक रचनात्मक हो जाता है।
- लक्ष्य: "इस टेक्स्ट को बिल्कुल वैसा ही दोबारा लिखें, बस टैग जोड़ दें।"
- गलती: AI गलती से एक शब्द बदल सकता है। उदाहरण के लिए, यदि टेक्स्ट कहता है "वह यह पिछले 30 वर्षों से कर रही है," तो AI लिख सकता है "वह यह काम पिछले 30 वर्षों से कर रही है।"
- यह क्यों मायने रखता है: भले ही अर्थ वही है, लेकिन कंप्यूटर जो टेस्ट ग्रेड कर रहा है, वह एक अलग शब्द देखता है और उसे गलत बताता है। यह शेफ द्वारा मूल रेसिपी में नमक की एक चुटकी मिलाने जैसा है जो वहां नहीं थी। शोधकर्ता इस बात पर काम कर रहे हैं कि AI को बहुत अधिक रचनात्मक होने से कैसे रोका जाए।
बड़ी तस्वीर
यह पेपर एक बड़ा कदम है क्योंकि यह तर्क का पता लगाने (argument detection) को एक उबाऊ, दो-चरणीय गणितीय समस्या के रूप में मानना बंद कर देता है। इसके बजाय, यह इसे एक रचनात्मक लेखन कार्य के रूप में मानता है। AI को "टैग शामिल करते हुए कहानी लिखने" के लिए कहकर, उन्होंने एक कठिन पहेली को हल कर दिया है जिसने वर्षों से कंप्यूटरों को उलझा रखा था।
यह टुकड़ों को ढेरों में छाँटने के बजाय पहेली को जोड़ने के प्रयास से, सीधे कैनवास पर चित्र को देखकर उसके बॉर्डर पेंट करने की ओर बढ़ने जैसा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।