- オンライン政治討論におけるスタンス検出のためのLLM生成シンセティックデータを使用したアクティブラーニング（SQBC）
- スタンス検出はオンライン政治討論を分析または支援する多くのアプリケーションにとって重要なタスクである
- 従来のアプローチには、transformerベースのモデルを微調整することが含まれる
- この研究では、LLM生成のシンセティックデータを利用して、オンライン政治討論のスタンス検出エージェントを訓練および改善する2つの異なる方法を提案している
- 小規模な微調整データセットにシンセティックデータを追加することで、スタンス検出モデルの性能を向上させることが示されている
- 新しいアクティブラーニング手法SQBCを提案し、LLM生成のシンセティックデータを使用して、最も情報量の多い未ラベルのサンプルを特定し、手動ラベリングの対象とする
- 包括的な実験により、両方のアイデアがスタンス検出のパフォーマンスを向上させることが示されている
- 興味深いことに、アクティブに選択されたサンプルでの微調整は、完全なデータセットの使用を上回る性能を発揮することが観察されている
この研究では、LLM生成のシンセティックデータを活用して、オンライン政治討論におけるスタンス検出エージェントを訓練および改善する方法が提案されています。シンセティックデータを使用することで性能が向上し、新しいアクティブラーニング手法SQBCも導入されています。興味深い結果として、アクティブに選択されたサンプルでの微調整が完全なデータセットの使用を上回る性能を達成できることが示されています。