以大语言模型“啰嗦”成瘾？人类提问艺术面临挑战
随着大模型在各个领域的广泛应用，人们对其依赖程度也在逐渐加深。然而，与此同时，一些人开始担忧大模型在提问方面的影响。一项新研究表明，大模型和人类的提问模式存在显著差异，这引发了人们对下一代思考模式和阅读习惯的担忧。本文将围绕这一主题，从专业、中立的角度出发，探讨大模型提问模式的优缺点，以及如何应对这一趋势。
首先，让我们了解一下这项研究。研究人员通过将文本拆分为86万个段落，并利用亚马逊 Mechanical Turk 众包平台，由人类参与者为每个段落撰写对应的题目及答案。随后，将这些段落交给主流的大模型进行提问，并对问题的评价也由大模型进行。评价包含6个指标，涵盖了问题类型、长度、上下文覆盖率、可回答程度、罕见性和答案所需长度等方面。
研究结果显示，大模型在问题类型上更倾向于需要描述性、更长答案的问题，而人类倾向于提出更直接、基于事实的问题。此外，大模型生成的问题长度更长，且不同模型对问题长度的偏好有所不同。在上下文覆盖上，大模型产生的问题能更全面地覆盖上下文信息，但有时会揪着一个细节去提问。同时，大模型更关注文本的前部和后部，而忽略中间部分。
这些发现令人深思。首先，大模型的提问模式可能会影响下一代学生的思考模式和阅读习惯。他们可能会变得更加关注文本的特定细节，尤其是头尾部的信息，而忽略了文本的全面理解。这无疑会对他们的阅读能力和思维能力产生负面影响。其次，大模型的提问模式也可能导致一些问题无法回答或答案的可信度降低。在没有足够上下文信息的情况下，大模型的提问往往缺乏清晰的答案，甚至有些问题无法回答。
然而，我们也不能忽视大模型的优点。首先，大模型能够处理大量的文本数据，并从中提取出有用的信息。这使得它们在信息检索、摘要生成和问答系统等领域具有广泛的应用价值。其次，大模型的提问模式有助于用户编写更好的提示词，以期望AI生成更类人的问题或要求特定特征的问题。最后，对大模型提问模式的了解还有助于测试RAG系统或识别AI系统何时在编造事实。
面对这一趋势，我们应采取相应的应对策略。首先，教育机构应注重培养学生的阅读能力和思维能力，而不仅仅是关注文本的特定细节。其次，对于大模型的提问模式，我们可以针对性地进行微调。例如，通过训练大模型更多地关注文本的中间部分，以提高其上下文覆盖率。此外，我们还可以开发一些工具和技术，以帮助识别AI生成的提问和答案。
总之，大模型的提问模式对人类提问艺术带来了挑战。我们应正视这一趋势，采取相应的应对策略，以保护下一代思考模式和阅读习惯的健康发展。同时，我们也要充分利用大模型的优点，使其为人类社会带来更多的便利和价值。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
