Cant Talk About This-NC هو مجموعة بيانات أصدرتها NVIDIA في عام 2024، تركز على التحكم في موضوعات الحوار ومواءمة سلامة نماذج اللغة، وتُعرض النتائج البحثية ذات الصلة في ورقة بعنوان «CantTalkAboutThis: Aligning Language Models to Stay on Topic in Dialogues»، بهدف تعزيز قدرة نماذج اللغة الكبيرة على الحفاظ على تركيز الموضوع في الحوارات الموجهة نحو المهام وزيادة متانتها ضد عناصر التشتيت.

تحتوي مجموعة البيانات هذه على 1,186 عينة حوار مُصنّعة، تغطي تسعة مجالات تشمل الصحة، والبنوك، والسفر، والتعليم، والتمويل، والتأمين، والقانون، والعقارات، واستكشاف أخطاء الكمبيوتر وإصلاحها، ويتضمن كل حوار جولات تشتيت لاختبار قدرة النموذج على مقاومة الانحراف عن الموضوع. من خلال الضبط الدقيق على مجموعة البيانات هذه، يمكن تعزيز أداء النموذج بشكل ملحوظ في مهام اتباع التعليمات ومهام السلامة، مما يمكنه من تحديد الموضوعات الحساسة بفعالية ومعالجة المحتوى المقيد.

تكوين مجموعة البيانات

تحتوي مجموعة البيانات بشكل أساسي على الحقول التالية:

• domain: المجال الذي ينتمي إليه الحوار
• scenario: السيناريو أو المهمة المحددة التي تتم مناقشتها
• system_instruction: استراتيجية الحوار الممنوحة للنموذج، وتتضمن عادةً مجموعة تعليمات معقدة تحدد ما هو مسموح وما هو ممنوع مناقشته
• conversation: محتوى الحوار الكامل، بما في ذلك الموضوع الرئيسي وجولات التشتيت
• distractors: قائمة جولات التشتيت، وتتضمن جولات الروبوت في الحوار وجولات التشتيت التي يجب على المستخدم اعتبارها استجابة لجولات الروبوت
• conversation_with_distractors: الحوار الكامل الذي يتضمن جولات التشتيت

تنقسم مجموعة البيانات إلى مجموعة تدريب ومجموعة اختبار، وقد تم توليدها بشكل مُصنّع بناءً على نماذج عائلة Llama، وتُستخدم لتقييم قدرة النموذج على مقاومة انحراف الموضوع والحفاظ على استقرار موضوع الحوار، بموجب ترخيص CC-BY-NC-4.0، ويقتصر استخدامها على الأغراض البحثية غير التجارية.

Citation

@inproceedings{sreedhar2024canttalkaboutthis,
  title={CantTalkAboutThis: Aligning Language Models to Stay on Topic in Dialogues},
  author={Sreedhar, Makesh and Rebedea, Traian and Ghosh, Shaona and Zeng, Jiaqi and Parisien, Christopher},
  booktitle={Findings of the Association for Computational Linguistics: EMNLP 2024},
  pages={12232--12252},
  year={2024},
  organization={Association for Computational Linguistics}
}