एक अध्ययन जांचता है कि Retrieval-Augmented Generation (RAG) फ्रेमवर्क्स पुनर्प्राप्त सामग्री से विचारधारात्मक पूर्वाग्रह को बड़े भाषा मॉडल (LLM) प्रतिक्रियाओं में कैसे स्थानांतरित करते हैं। शोध पहचानता है कि नमूनाकरण तापमान इस विचारधारात्मक स्थानांतरण की ताकत को महत्वपूर्ण रूप से प्रभावित करता है।
- शोधकर्ताओं ने बाहरी ज्ञान के रूप में उपयोग किए गए तीन विचारधारात्मक संवादों की पहचान करने के लिए 1,117 COVID-19 उपचार लेखों के एक कorpus पर Lexical Multidimensional Analysis लागू किया।
- LLMs को विभिन्न नमूनाकरण तापमानों पर विचारधारात्मक प्रश्नों पर परीक्षण किया गया, और संदर्भ पाठों के सांस्कृतिक और शब्दार्थ समानता के लिए आउटपुट का मूल्यांकन किया गया।
- उत्पन्न उत्तरों और संदर्भ पाठों के बीच संवादात्मक एलाइनमेंट मध्यम तापमान पर चरम पर होता है, जो यादृच्छिकता को पुनर्प्राप्ति आधार से संतुलित करता है।
- कम तापमान पर एलाइनमेंट गिर जाता है, जो इंगित करता है कि अत्यधिक निर्धारक नमूनाकरण विचारधारात्मक संवाद के स्थानांतरण को दबा देता है।
निष्कर्ष उजागर करते हैं कि RAG प्रणालियाँ अपने पुनर्प्राप्ति स्रोतों के आधार पर विचारधारात्मक स्थितियों को बढ़ावा देने या दबाने के लिए प्रवृत्त होती हैं, जहाँ तापमान संवाद एलाइनमेंट के लिए एक महत्वपूर्ण नियंत्रण कारक के रूप में कार्य करता है।