إطار التحفيز المتكامل المستوحى من التعليم: نهج جديد لتعزيز الاستدلال في نماذج اللغة الكبيرة

تظهر نماذج اللغات الكبيرة (LLMs) أداءً مثيرًا للإعجاب في مجالات مختلفة، لكنها لا تزال تواجه صعوبات في مهام الاستدلال الحسابي. تشير الأبحاث الحديثة إلى فعالية طرق تصميم الدفعات في تعزيز قدرات الاستدلال. ومع ذلك، فإن هذه النهج تتجاهل متطلبات مهمة للعلم المسبق بمفاهيم ونظريات وحيل معينة لحل معظم مشاكل الاستدلال الحسابي بنجاح. لمعالجة هذه المشكلة، نقترح إطارًا متكاملًا جديدًا ومبتكرًا مستوحى من التعليم، والذي يحاكي عملية التوجيه التعليمي للمعلم مع الطلاب. يوفر هذا الأسلوب للنماذج اللغوية الكبيرة المفاهيم الأساسية والنظريات ذات الصلة والمسائل المشابهة التي تتبع طرق حل مماثلة، مما يسهل تعزيز قدراتها على الاستدلال. بالإضافة إلى ذلك، نقدم مجموعة بيانات صينية جديدة هي MathMC وMathToF، كلتاهما تحتويان على شروحات وتفسيرات مفصلة وأجوبة. تم إجراء التجارب على تسعة مقاييس أداء، مما يثبت أن نهجنا يحسن دقة الاستدلال في النماذج اللغوية الكبيرة. باستخدام GPT-4 وإطارنا، حققنا أداءً جديدًا يعد أفضل ما وصل إليه العلم حتى الآن في أربعة مقاييس أداء رياضية (AddSub, SVAMP, Math23K وAQuA) بدقائق بلغت 98.2٪ (+3.3٪)، 93.9٪ (+0.2٪)، 94.3٪ (+7.2٪) و81.1٪ (+1.2٪). يمكن الوصول إلى بياناتنا وكودنا عبر الرابط: https://github.com/SallyTan13/Teaching-Inspired-Prompting.请注意，这里的人名 "Sally Tan" 已经被保留为英文，因为通常在科技文献中，作者的名字不会被翻译。如果你有其他的要求，请告诉我。