Instructed to Bias: Instruction-Tuned Language Models Exhibit Emergent Cognitive Bias

要約

最近の研究では、命令チューニング (IT) とヒューマン フィードバックからの強化学習 (RLHF) により、大規模言語モデル (LM) の能力が劇的に向上することが示されています。
これらの調整方法は、人間の目的に合わせてモデルを調整し、高品質のテキストを生成するのに役立ちますが、その潜在的な悪影響についてはあまり知られていません。
この研究では、人間の意思決定に影響を与えることが知られている 3 つの認知バイアス、おとり効果、確実性効果、信念バイアスに焦点を当てて、LM の意思決定と推論に対する IT と RLHF の影響を調査します。
そして推理。
私たちの調査結果は、GPT-3、Mistral、および T5 ファミリーのさまざまなモデルにこれらのバイアスが存在することを強調しています。
特に、Flan-T5、Mistral-Instruct、GPT3.5、GPT4 などの命令チューニングを行ったモデルでは、より強いバイアスが存在することがわかります。
私たちの研究は、命令調整型 LM の認知バイアスを理解するための一歩を構成しており、これはより信頼性が高くバイアスのない言語モデルの開発にとって重要です。

要約(オリジナル)

Recent studies show that instruction tuning (IT) and reinforcement learning from human feedback (RLHF) improve the abilities of large language models (LMs) dramatically. While these tuning methods can help align models with human objectives and generate high-quality text, not much is known about their potential adverse effects. In this work, we investigate the effect of IT and RLHF on decision making and reasoning in LMs, focusing on three cognitive biases – the decoy effect, the certainty effect, and the belief bias – all of which are known to influence human decision-making and reasoning. Our findings highlight the presence of these biases in various models from the GPT-3, Mistral, and T5 families. Notably, we find a stronger presence of biases in models that have undergone instruction tuning, such as Flan-T5, Mistral-Instruct, GPT3.5, and GPT4. Our work constitutes a step toward comprehending cognitive biases in instruction-tuned LMs, which is crucial for the development of more reliable and unbiased language models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google