дослідники описали способи використання ChatGPT для забезпечення ефективності економічних аналізів та прогнозів

Професор економіки Університету Вірджинії, Антон Коринек, опублікував результати своїх досліджень щодо використання великих мовних моделей (LLM) в області економіки для підвищення якості обробки матеріалу, повідомив QUARTZ 14 лютого 2023 року.

Про дослідження

Для демонстрації того, як LLM може підвищити ефективність економічних досліджень, Антон Корінек вдався до допомоги потужного доступного інструменту, схожого на ChatGPT , під назвою GPT-3, навчений загальнодоступним даним до 2021 року, але не має доступу до Інтернету. Коринек підкреслює, що LLM здатні революціонізувати дослідження економіки та інших дисциплін.

Він описує ряд випадків використання інструменту в шести областях, демонструючи те, яку користь приносить LLM в якості помічника дослідника, або навіть наставника:

• Створення ідей
• Ведення записів
• Фонові дослідження
• Аналіз даних
• Кодування
• Математичні висновки

За допомогою конкретних прикладів дослідник показує, які більше підходять для експериментів, а які є найбільш корисними, підкреслюючи, що можливість забезпечити безперервну продуктивність LLM покращить автоматизацію мікрозадач для найкращої продуктивності. Під мікрозадачами в даному випадку розуміються невеликі ділянки робіт, почасти рутинні, що виконуються співробітниками щодня.

При написанні роботи Коринек керувався цілями ознайомити звичайних користувачів мовних моделей з різними варіантами їх використання і переконати скептиків, які з недовірою ставляться до таких новинок.

Способи використання технології з боку економістів

1. Мозковий штурм. Економісти можуть задати ChatGPT питання про проблеми, пов'язані з широким набором даних, отримавши у відповідь близько 10 прикладів, включаючи посилення спостереження за робітниками і більш широке використання алгоритмів, керованих ШІ, для оптимізації ціноутворення.
2. Оцінка ідей та контраргументи. ChatGPT здатний оцінити користь напрямку дослідження, а також пред'явити аргументовані «за» або «проти» без будь-якої упередженості, до якої схильні люди.
3. Формування, редагування, оцінка тексту, генерація помітних назв і заголовків. Все це не вимагає пояснень – інструмент може створити текст по одному лише запиту, враховуючи при цьому його спрямованість, аудиторію читачів і навіть її схильність звертати увагу на кілька «провокаційні» елементи.
4. Переклад тексту. LLM можуть конкурувати з комерційними перекладацькими продуктами на «європейських мовах з високим ресурсом», але вони гірше працюють з мовами, які мають менше оцифрованого тексту і менше оцифрованих перекладів.
5. Пояснення понять. LLM можуть пояснити дослідження на рівні, зрозумілому як студентам, так і дослідникам, які намагаються дізнатися щось нове. (Іноді, однак, вони плутають фундаментальні теореми між собою.)
6. Кодування: написання, пояснення, переклад, налагодження коду.
7. Аналіз та обробка даних.

Висновки

Коринек перевірив, чи можуть LLM створювати математичні моделі відносин в економіці, яку вони вивчають. З'ясувалося, що інструмент не здатний демонструвати достатньо абстрактну інформацію, щоб отримати теоретичний результат з математичної моделі, але в середньостроковій перспективі LLM незабаром прогресує і в цій області.