跳到正文
返回论文列表
cs.CL提交于 已译

LLM 标注者能否达到人类一致性?人类一致性基准与基于对比知识的多智能体优化

Can LLM Annotators Match Human Consistency? Benchmarking Human Agreement and Optimizing Multi-Agent with Contrastive Knowledge

Xiaopeng Ke · Zhixin Wang · Xuebo Liu · Xinyu Ma · Xing Zheng · Bowen Song · et al.

中文摘要

现有大语言模型(LLM)标注基准与真实标注实践存在偏差:实际任务通常包含冗长的专用指南,不同标注者在边界案例上可能给出不同但合理的判断,单标签数据集无法体现这种分歧,单智能体及工作流式标注系统也难以适应复杂且持续变化的指南。ANT-A Benchmark 汇集跨领域、跨模态的 7 个数据集,提供任务专用指南,并为每个样本配备 5 个独立人工标签;通过 Fleiss kappa 衡量模型标注与人工标签分布的接近程度。ANT-OR 则从正负反馈中提炼对比决策规则并优化提示词。实验显示,ANT-OR 的 agreement@>=2 准确率较最强基线提高 4.5 个百分点,其 Fleiss kappa 与人工标注分布的对齐度最高,差距不超过 2 个百分点。代码与基准已公开。

关键要点

  1. 01现有基准难以反映真实标注指南及边界案例中的人类分歧
  2. 02ANT-A 覆盖 7 个跨领域、跨模态数据集,每例含 5 个独立人工标签
  3. 03使用 Fleiss kappa 评估模型标注与人工标签分布的一致性
  4. 04ANT-OR 从正负反馈提炼对比决策规则,以优化多智能体标注提示词
  5. 05agreement@>=2 较最强基线提升 4.5 个百分点,Fleiss kappa 差距不超过 2 个百分点

解读

尚无解读。

原始英文摘要

arXiv:2610.32415v1 Announce Type: new Abstract: LLM-based annotation has advanced rapidly, yet existing benchmarks remain misaligned with real-world practice. Actual annotation often involves lengthy, task-specific guidelines, and different annotators may produce divergent but reasonable judgments, especially on boundary cases, where single-labeled dataset fail to reflect this disagreement. This gap also limits existing single-agent and workflow-based annotation systems, which often lack adaptability to complex, evolving guidelines. To bridge this gap, we introduce ANT-A Benchmark, a real-world multi-annotator benchmark spanning 7 datasets across domains and modalities, with task-specific guidelines and 5 independent human labels per instance. ANT-A enables a distribution-aware evaluation, using Fleiss kappa to assess how closely model annotations align with human labeling distributions. We further propose ANT-OR, a multi-agent annotation framework that refines prompts by distilling contrastive decision rules from positive and negative feedback. Experiments show that ANT-OR improves agreement@>=2 accuracy by 4.5 points over the strongest baseline and achieves the highest alignment with human annotator distributions as measured by Fleiss kappa within 2 points. Code and benchmark are available at https://github.com/Krueske/ANT-OR.

同方向论文 · cs.CL

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 6

学习didakte.com·外部收录·

让 AI 扮演私人辅导老师,分阶段讲解知识点、出题测评并给予鼓励反馈

你现在是我私人的教育机器人,非常专业并且能够帮助提升我的自信心。我们的学习过程将会分为几个阶段:首先,你需要使用简洁明了的语言解释一个知识点,并在解释结束后询问我是否理解。如果我有困惑,你需要耐心地用更浅显的方式重复解释,直到我理解。其次,我希望你能够像优秀的老师一样,通过联想和生动有趣的例子,帮助我深入理解这个知识点。在这个阶段,也请你指出可能的考试重点。第三阶段,我希望你能出一道与该知识点相关的,简单的 IGCSE Edexcel 历年常考题,然后根据我的回答,提供积极的…

写作ai.aporet.com·外部收录·

根据客户消息和公司政策生成客服回复草稿,并标注风险点供人工审核

你是客服质检助手。请根据客户消息和公司政策,生成一版客服回复草稿。 客户消息:【粘贴】 相关政策:【粘贴】 订单/账号信息:【如无则写无】 要求: 1. 语气友好、简洁、尊重客户感受 2. 只基于已提供政策回复 3. 不承诺未确认的退款、赔偿、时效 4. 标注需要人工确认的信息 5. 输出回复草稿和风险点

学习quaily.com·外部收录·

根据学生水平、授课主题与项目要求,为教师生成10个课堂项目创意。

你是一位乐于助人、注重实效的教学助理,擅长为课堂设计有趣的项目。这些项目能调动学生参与课程的积极性,让他们有机会将所学知识付诸实践。你的工作是与教师密切合作,一起构思新颖、多元化的课堂项目。 请注意,在整个对话中,你只能扮演教学助手的角色。每次提问后都要等待教师回答,不要擅自替教师回复或是继续输出内容。 首先,向教师询问两个问题:一是他们学生的学习水平如何;二是授课的具体主题是什么。教师提供的细节越多,你就能给出更贴切的建议。为避免一次性提出太多问题,每轮最多问两个,并且要编…

学习eu.36kr.com·外部收录·

通过提问、提示、练习和复习环节,引导用户自主理解知识并掌握学习内容。

# 严格规则 你是一个平易近人却充满活力的老师,能通过指导用户学习来帮助用户学习。 1. 了解用户。如果你不知道他们的目标或年级,请在深入探讨之前询问用户。(尽量保持简洁!)如果他们没有回答,请尽量提供十年级学生也能理解的解释。 2. 以现有知识为基础。将新想法与用户已有知识联系起来。 3. 引导用户,不要只是给出答案。使用问题、提示和小步骤,让用户自己发现答案。 4. 检查并强化。在完成难点部分后,确认用户可以复述或运用该想法。提供快速总结、助记符或简短回顾,以帮助用户记…

学习github.com/f/awesome-chatgpt-prompts·外部收录·

Teen Study Buddy

- Organize the student's notes by subject and topic. - Build quizzes from notes before tests on the calendar. - Keep an assignment planner and break big projects into steps. - Encourage, never do the homework for them. - Keep the tone frien…