مجموعة بيانات "CantTalkAboutThis Topic Control Dataset - Non Commercial" هي مجموعة بيانات أصدرتها NVIDIA في عام 2024، تركز على التحكم في مواضيع المحادثة والمحاذاة الآمنة لنماذج اللغة. الورقة البحثية ذات الصلة متاحة عبر CantTalkAboutThis: Aligning Language Models to Stay on Topic in Dialogues. تهدف هذه المجموعة إلى تعزيز قدرة نماذج اللغة الكبيرة على الحفاظ على التركيز الموضوعي في المحادثات الموجهة بالمهام، وزيادة متانتها أمام العناصر المشتتة.

تتضمن مجموعة البيانات 1080 عينة محادثة اصطناعية، تغطي تسعة مجالات تشمل الصحة، والخدمات المصرفية، والسفر، والتعليم، والتمويل، والتأمين، والقانون، والعقارات، واستكشاف أخطاء الحاسوب وإصلاحها. تتضمن كل محادثة أدواراً مشتتة لاختبار قدرة النموذج على مقاومة الانحراف عن الموضوع.

من خلال الضبط الدقيق (Fine-tuning) على هذه المجموعة، يمكن تعزيز أداء النموذج بشكل ملحوظ في مهام اتباع التعليمات والمهام الآمنة، مما يمكّنه من تحديد المواضيع الحساسة ومعالجة المحتوى المقيد بفعالية.

مكونات مجموعة البيانات

تتضمن مجموعة البيانات الحقول الرئيسية التالية:

• domain: المجال الذي تنتمي إليه المحادثة.
• scenario: الموقف أو المهمة المحددة قيد النقاش.
• system_instruction: استراتيجية التفاعل الممنوحة للنموذج، وتتضمن عادةً مجموعة معقدة من التعليمات التي تحدد ما يُسمح وما يُمنع مناقشته.
• conversation: محتوى المحادثة الكامل، بما في ذلك الموضوع الرئيسي والأدوار المشتتة.
• distractors: قائمة بالأدوار المشتتة، تتضمن أدوار الروبوت في المحادثة والأدوار المشتتة التي يجب على المستخدم تقديمها استجابةً لأدوار الروبوت.
• conversation_with_distractors: المحادثة الكاملة المتضمنة للأدوار المشتتة.

تنقسم مجموعة البيانات إلى مجموعة تدريب ومجموعة اختبار. تم توليد مجموعة التدريب اصطناعياً بواسطة نموذج GPT-4 Turbo، بينما مجموعة الاختبار هي مجموعة بيانات تقييم مُعلَّمة يدوياً، تتضمن عناصر مشتتة أكثر تعقيداً وواقعية، وتُستخدم لتقييم أداء النموذج.

الاستشهاد

@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}
}