Estás leyendo la publicación: Automatización cognitiva y LLM en investigación económica: 25 casos de uso para LLM que aceleran la investigación en 6 dominios
La investigación en economía y otros campos podría verse revolucionada por modelos de lenguaje extenso (LLM), como ChatGPT. En seis áreas: ideación, escritura, investigación de antecedentes, análisis de datos, codificación y derivaciones matemáticas, donde los LLM comienzan a ser valiosos como investigadores de Oficina Nacional de Investigación Económica Ofrece 25 escenarios de uso. El grupo de investigación categoriza las capacidades de los LLM de experimentales a muy útiles y brinda pautas generales y ejemplos particulares para utilizar cada una. Según los académicos, el desempeño de los LLM seguirá mejorando en todas estas áreas, quienes también predicen que los economistas que usan LLM para automatizar microtareas serán mucho más productivos. Los investigadores también especulan sobre los efectos a largo plazo de la automatización cognitiva a través de LLM en la investigación económica. Repasemos rápidamente el estudio.
Los LLM son un subconjunto de modelos básicos que representan el nuevo paradigma en inteligencia artificial para el siglo XXI. Los grandes modelos de aprendizaje profundo conocidos como “modelos básicos” tienen recuentos de parámetros que comienzan en diez y aumentan. Reciben una amplia capacitación previa sobre una gran cantidad de datos para establecer una base que luego se puede ajustar para varias aplicaciones. Se utilizan cantidades masivas de potencia informática y datos para entrenar previamente los modelos básicos mediante una técnica conocida como aprendizaje autosupervisado, que le enseña al modelo la estructura de los datos de entrenamiento mediante la predicción repetida de porciones que se ignoran.
La escala de la que disfrutan los modelos básicos y, en consecuencia, los LLM en generaciones anteriores de modelos de aprendizaje profundo los distingue de esos modelos. Los modelos de aprendizaje profundo de la mayoría de la década de 2010 mostraron potentes capacidades en algunas aplicaciones, como el reconocimiento de imágenes. Aún así, seguía habiendo una diferencia significativa entre las capacidades humanas de amplio alcance y los sistemas de IA enfocados. Con la generación más reciente de LLM que exhibe una gama cada vez mayor de capacidades, esa distinción comienza a ser menos clara.
Los siguientes son algunos de los usos clave de LLM, según el investigador:
- La ideación, o el acto de generar, elegir y desarrollar ideas, es un aspecto de la investigación para el cual los LLM se están volviendo cada vez más valiosos. Pueden servir como tutores y asistentes. Esto demuestra cómo los LLM difieren de las aplicaciones anteriores de aprendizaje profundo en economía, ya que exhiben una inventiva que anteriormente solo se encontraba en las personas. Los LLM modernos tienen grandes habilidades de ideación, pero también tienen restricciones significativas.
- Los LLM son muy útiles para la lluvia de ideas (o quizás más apropiadamente, la lluvia de ideas) de ideas y ejemplos relacionados con un tema específico porque están capacitados en datos masivos que representan una muestra representativa de todo el conocimiento humano.
- Los LLM son tan hábiles para presentar argumentos en apoyo de un punto en particular como para plantear contraargumentos, independientemente del lado de un argumento en el que se encuentren. Esto podría ayudar a combatir el sesgo de confirmación que está presente en todos los cerebros humanos.
- La generación de texto es la habilidad principal de un LLM. Esto sugiere que son extremadamente capaces y útiles para varias tareas relacionadas con la escritura, como crear contenido desde cero usando viñetas, alterar el estilo del texto, editarlo, evaluar tipos y crear títulos, titulares y tweets.
- La capacidad de transformar viñetas descuidadas en oraciones comprensibles y bien estructuradas puede ser una de las habilidades más útiles de los LLM.
- La edición es otra habilidad útil. Los LLM pueden editar texto en cuanto a gramática, ortografía, estilo, simplicidad o claridad. Aquellos que quieran mejorar su escritura pero que no sean hablantes nativos pueden encontrar esta colección de habilidades particularmente útil.
- Los LLM pueden evaluar el estilo, la claridad u otros factores de un texto.
- Los LLM solo son beneficiosos para las búsquedas bibliográficas. Aunque normalmente tienen acceso a las referencias estándar comúnmente mencionadas en la literatura, es una buena idea verificar dos veces las referencias que ofrecen. Pueden alucinar y crear documentos que parecen autorizados pero no lo son cuando se solicitan para su consideración.
- Los LLM pueden servir como tutores y explicar varios temas económicos básicos de una manera que sea útil para los estudiantes que intentan dominar material nuevo e incluso para académicos más experimentados que se aventuran fuera de su campo de estudio.
- Los LLM pueden ayudar tanto con asistencia en tareas pequeñas como con tutoría de código. Pueden crear, cambiar, traducir o depurar fragmentos de código utilizando instrucciones en inglés sencillo (u otros idiomas comunes). Los LLM pueden formatear datos, extraer datos de texto sin formato, clasificar y puntuar texto, extraer opiniones e incluso simular sujetos de prueba humanos. Además, pueden actuar como tutores cuando se usan nuevas bibliotecas, funciones o incluso lenguajes de programación con los que el usuario no está muy familiarizado al generar rápidamente resultados que muestran qué bibliotecas y funciones se necesitan para tipos específicos de operaciones o qué estructuras sintácticas usar. en un lenguaje de programación dado. Además, quizás lo más útil es que se puede acceder a estas funciones a través de una API y una interfaz web, como se demuestra en los ejemplos a continuación. Los LLM están mostrando signos de poder ejecutar derivaciones matemáticas. Los LLM también pueden extraer opiniones del texto.
Los LLM se han convertido en herramientas de investigación útiles para diversas tareas, que incluyen lluvia de ideas, escritura, investigación de antecedentes, análisis de datos, codificación y derivaciones matemáticas. Pronto, la automatización cognitiva que hacen posible los LLM aumentará significativamente la productividad de la investigación. A medida que se desarrolle la tecnología, se supondrá que los LLM están mejorando cada vez más en lo que hacen y necesitan cada vez menos aportes humanos, edición y retroalimentación. Podríamos terminar simplemente respaldando el trabajo de los LLM a medida que se vuelven más sofisticados.
