न्युरोसाइन्स अभ्यासाच्या निकालांचा अंदाज मानवी तज्ञांपेक्षा एआयद्वारे अधिक चांगल्या प्रकारे केला जाऊ शकतो, असे संशोधनात म्हटले आहे

इंग्लंड [UK], यूसीएल कॉलेज लंडनच्या नेतृत्वात असलेल्या एका नवीन अभ्यासानुसार, मोठ्या भाषेचे मॉडेल, मजकूराचे विश्लेषण करणारे एआयचा एक प्रकार, मानवी तज्ञांपेक्षा प्रस्तावित न्यूरो सायन्स अभ्यासाच्या निकालांची अधिक योग्यरित्या अंदाज घेऊ शकतो.

या निष्कर्षांवरून असे दिसून येते की मजकूराच्या विशाल डेटासेटवर प्रशिक्षित मोठ्या भाषेचे मॉडेल (एलएलएम) वैज्ञानिक साहित्यातून डिस्टिल करू शकतात, ज्यामुळे त्यांना वैज्ञानिक आऊटकॉन्फ्स साउचक आउटकॉन्फ्स सुप्रीम अचूकतेचा अंदाज लावता येतो.

संशोधकांचे म्हणणे आहे की हे केवळ ज्ञान पुनर्प्राप्तीच्या पलीकडे जाणा research ्या संशोधनास गती देण्यासाठी शक्तिशाली साधने म्हणून त्यांची क्षमता अधोरेखित करते.

आघाडीचे लेखक डॉ केन लुओ (यूसीएल मानसशास्त्र आणि भाषा विज्ञान) म्हणाले, "चॅटजीपीटी सारख्या जनरेटिव्ह एआयच्या आगमनापासून, बरेच संशोधन एलएलएमएसच्या प्रश्न-पिळण्याच्या क्षमतेवर लक्ष केंद्रित केले आहे, ज्यामुळे डेटा विस्तारित डेटापासून विस्तारित ज्ञानाचा सारांश देण्याचे त्यांचे उल्लेखनीय कौशल्य दर्शविले गेले आहे. तथापि, राथेरने मागील माहिती पुनर्प्राप्त करण्याच्या त्यांच्या मागासलेल्या क्षमतेवर जोर देण्यापेक्षा, आम्ही स्पष्ट केले की एलएलएमएसने भविष्यातील आउटोमासचा अंदाज लावण्यास माहित नाही.

"वैज्ञानिक प्रगती बर्‍याचदा चाचणी आणि त्रुटीवर अवलंबून असते, परंतु प्रत्येक सावध प्रयोग वेळ आणि संसाधनांची मागणी करतो. अगदी सर्वात कुशल परिणामदेखील साहित्यातील गंभीर अंतर्दृष्टीकडे दुर्लक्ष करू शकतात. एलएलएम अफाट वैज्ञानिक ग्रंथांमधील नमुने ओळखू शकतात की नाही हे आमचे कार्य तपासणी आणि अनुभवांच्या अंदाजानुसार अंदाज लावू शकतात."

आंतरराष्ट्रीय संशोधन कार्यसंघाने ब्रेनबेंच विकसित करून त्यांच्या अभ्यासाची सुरुवात केली, जे मोठ्या भाषेचे मॉडेल (एलएलएम) न्यूरोसायन्सच्या निकालांचा अंदाज किती चांगल्या प्रकारे करू शकतात याचे मूल्यांकन करण्याचे साधन.

ब्रेनबेंचमध्ये न्यूरोसाइन्स अभ्यासाच्या अ‍ॅबस्ट्रॅक्टच्या असंख्य जोड्या असतात. प्रत्येक जोडीमध्ये, एक आवृत्ती एक वास्तविक अभ्यास अमूर्त आहे जी संशोधनाची पार्श्वभूमी, वापरलेल्या पद्धती आणि अभ्यासाच्या निकालांचे थोडक्यात वर्णन करते. इतर आवृत्तीमध्ये, पार्श्वभूमी आणि पद्धती समान आहेत, परंतु संबंधित न्यूरो सायन्स डोमेनमधील तज्ञांनी परिणाम सुधारित केले आहेत परंतु चुकीच्या बाहेर पडले आहेत.

संशोधकांनी 15 वेगवेगळ्या सामान्य-प्रोपोज एलएलएम आणि 171 मानवी न्यूरोसाइन्स तज्ञांची चाचणी केली (ज्यांनी त्यांच्या कौशल्याची पुष्टी करण्यासाठी सर्वांनी स्क्रीनिंग टेस्ट पास केली होती) व्हाईटला हे निश्चितपणे निश्चित केले आहे की दोन जोडलेल्या अ‍ॅबस्ट्रॅक्टपैकी कोणते वास्तविक अभ्यासाच्या निकालांसह वास्तविक आहे.

सर्व एलएलएमएसने न्यूरोसाइंटिस्ट्सला मागे टाकले, एलएलएमने सरासरी 81% अचूकता आणि मानवांनी एव्हरेप 63% अचूकता केली. जरी अभ्यासाच्या कार्यसंघाने केवळ तेथे न्यूरोसाइंटिस्ट्सवर मानवी प्रतिक्रिया प्रतिबंधित केल्या तरीही एलएलएमएसपेक्षा कमी पडली, 66%. अतिरिक्त, संशोधकांना असे आढळले की जेव्हा एलएलएम त्यांच्या निर्णयावर अधिक विश्वास ठेवतात तेव्हा ते योग्य होण्याची अधिक शक्यता असते. चांगले कॅलिब्रेटेड मॉडेल.

त्यानंतर संशोधकांनी विद्यमान एलएलएम (मिस्त्रालची एक आवृत्ती, एक मुक्त-स्त्रोत एलएलएम) रुपांतर केले. न्यूरोसाइन्समध्ये तज्ज्ञ असलेले नवीन एलएलएम, ज्यास त्यांनी ब्रेनप्ट डब केले, अभ्यासाच्या निकालांचा अंदाज लावण्यात आणखी चांगले होते, 86% अचूकता (सामान्य हेतू असलेल्या श्लोक श्लोक श्लोक श्लोक श्लोक श्लोक व्हॉच व्हॉच 83% अचूक होते).

वरिष्ठ लेखक प्रोफेसर ब्रॅडली लव्ह (यूसीएल मानसशास्त्र आणि भाषा विज्ञान) म्हणाले: "आमच्या निकालांच्या प्रकाशात, आम्हाला त्याचा संशय आहे परंतु शास्त्रज्ञांनी त्यांच्या प्रश्नासाठी सर्वात प्रभावी अनुभव डिझाइन करण्यासाठी एआय साधने वापरल्या आहेत. आमचा अभ्यास न्यूरो सायन्सवर लक्ष केंद्रित करीत असताना, आमचा दृष्टीकोन सार्वत्रिक होता आणि सर्व विज्ञानात यशस्वीरित्या अर्ज केला पाहिजे.

"काय उल्लेखनीय आहे ते म्हणजे एलएलएमएस न्यूरो सायन्स साहित्याचा किती चांगला अंदाज लावू शकतो. या यशाने असे सुचवले आहे की विज्ञानाची मोठी गोष्ट खरी कादंबरी नाही, परंतु साहित्यातील परिणामांच्या विद्यमान नमुन्यांची अनुरुप आहे. आम्हाला आश्चर्य वाटते की जिथे वैज्ञानिक नाविन्यपूर्ण आणि शोध लावतात."

डॉ. लुओ जोडले: "आमच्या निकालांवर आधारित, आम्ही संशोधकांना मदत करण्यासाठी एआय साधने विकसित करीत आहोत. आम्ही अशा भविष्याची कल्पना करतो जिथे संशोधक त्यांचे प्रस्तावित अनुभव डिझाइन आणि अपेक्षित निष्कर्ष इनपुट करू शकतात, एआयने व्हेरिओस आउटस्टोनच्या संभाव्यतेबद्दल भविष्यवाणी केली आहे. हे प्रयोग डिझाइनमध्ये वेगवान पुनरावृत्ती आणि अधिक माहितीपूर्ण निर्णय घेण्यास सक्षम करेल."

या अभ्यासाला इकॉनॉमी अँड सोशल रिसर्च कौन्सिल (ईएसआरसी), मायक्रोसॉफ्ट आणि रॉयल सोसायटी वुल्फसन फेलोशिप यांनी पाठिंबा दर्शविला आणि यूसीएल, केंब्रिज विद्यापीठ, ऑक्सफोर्ड विद्यापीठ, न्यूरोबायोलॉजी ऑफ बिहेवियर (जर्मनी), बिलकेन्ट युनिव्हर्सिटी (तुर्की), रशिया, रशिया, रशिया, रशिया, रशिया, रशिया, रशिया, रशिया, यूके. स्पेन आणि ऑस्ट्रेलिया. (एजन्सी इनपुटसह)