Le modèle de grande langue prédit avec précision les déraillement de chat en ligne

Les salles de chat en ligne et les plateformes de réseautage social éprouvent souvent un comportement nocif alors que les discussions dérivent de leurs sujets prévus vers les conflits personnels. Les modèles prédictifs traditionnels dépendent généralement des données spécifiques à la plate-forme, limitant leur applicabilité et augmentant les coûts de mise en œuvre.

Dans une nouvelle étude, des chercheurs de l'Université de Tsukuba ont appliqué une méthode de prédiction à tirs zéro aux LLM pour détecter les déraillement conversationnels. Les performances de divers LLM non formées ont été comparées à celles d'un modèle d'apprentissage en profondeur formé sur des ensembles de données organisés. Les résultats ont montré que les LLM non formés avaient atteint une précision comparable et, dans certains cas, supérieure.

Ces résultats, publiés dans la revue Accès IEEEsuggèrez que les opérateurs de plate-forme peuvent mettre en œuvre des outils de modération efficaces à un coût réduit en tirant parti des LLM à usage général, en soutenant des communautés en ligne plus saines sur diverses plateformes.