دوره لنگر در ماشین: کشف و کاهش تعصب لنگر انداختن در مدل‌های زبانی بزرگ با استفاده از رویکردهای رفتاری و انتسابی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب لنگر در ماشین: کشف و کاهش تعصب لنگر انداختن در مدل‌های زبانی بزرگ با استفاده از رویکردهای رفتاری و انتسابی

موضوع کلی: هوش مصنوعی، تعصبات شناختی و ایمنی مدل‌های زبانی بزرگ

موضوع میانی: بررسی و کاهش سوگیری لنگر انداختن در مدل‌های زبانی بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی بزرگ
• 2. فصل 1: مبانی هوش مصنوعی و یادگیری ماشین
• 3. فصل 2: تکامل مدل‌های زبانی بزرگ (LLMs)
• 4. فصل 3: معماری‌های کلیدی LLMs (مانند ترنسفورمر)
• 5. فصل 4: کاربردهای گسترده LLMs در دنیای واقعی
• 6. فصل 5: چالش‌های اخلاقی در توسعه LLMs
• 7. فصل 6: معرفی تعصبات شناختی
• 8. فصل 7: طبقه‌بندی تعصبات شناختی رایج
• 9. فصل 8: اهمیت درک تعصبات شناختی در هوش مصنوعی
• 10. فصل 9: معرفی تعصب لنگر انداختن (Anchoring Bias)
• 11. فصل 10: مبانی نظری تعصب لنگر انداختن در روانشناسی انسانی
• 12. فصل 11: مثال‌های روزمره از تعصب لنگر انداختن
• 13. فصل 12: مکانیزم‌های روانشناختی پشت تعصب لنگر انداختن
• 14. فصل 13: تاثیر تعصب لنگر انداختن بر تصمیم‌گیری
• 15. فصل 14: مفهوم "لنگر در ماشین"
• 16. فصل 15: چرا LLMs مستعد تعصب لنگر انداختن هستند؟
• 17. فصل 16: رابطه بین داده‌های آموزشی و تعصب لنگر انداختن
• 18. فصل 17: تاثیر ساختار ورودی بر رفتار LLMs
• 19. فصل 18: مطالعه موردی: مقاله‌ی "Anchors in the Machine"
• 20. فصل 19: رویکرد تجربی در مطالعه تعصب لنگر انداختن در LLMs
• 21. فصل 20: طراحی آزمایش‌های رفتاری برای LLMs
• 22. فصل 21: متغیرهای مستقل در آزمایش‌های لنگر انداختن
• 23. فصل 22: تعریف "لنگر" در زمینه LLMs
• 24. فصل 23: جمع‌آوری داده‌های رفتاری از LLMs
• 25. فصل 24: تحلیل کمی داده‌های رفتاری
• 26. فصل 25: شناسایی الگوهای سوگیری لنگر انداختن
• 27. فصل 26: شواهد رفتاری مستقیم تعصب لنگر انداختن
• 28. فصل 27: بررسی تاثیر انواع مختلف لنگرها
• 29. فصل 28: لنگرهای عددی در مقابل لنگرهای متنی
• 30. فصل 29: تاثیر قاطعیت و قطعیت لنگر
• 31. فصل 30: تاثیر ترتیب ارائه اطلاعات
• 32. فصل 31: بررسی تاثیر طول و پیچیدگی لنگر
• 33. فصل 32: تاثیر اطلاعات پیش‌زمینه‌ای (Context)
• 34. فصل 33: تحلیل رویکردهای انتسابی (Attributional Approaches)
• 35. فصل 34: تفاوت رویکردهای رفتاری و انتسابی
• 36. فصل 35: هدف از رویکردهای انتسابی در LLMs
• 37. فصل 36: مفهوم "انتساب" در رفتار LLMs
• 38. فصل 37: چگونه LLMs "انتساب" می‌کنند؟
• 39. فصل 38: مدل‌های احتمالی برای انتساب در LLMs
• 40. فصل 39: استفاده از توضیحات LLM برای درک سوگیری
• 41. فصل 40: تحلیل توضیحات (Attributions) تولید شده توسط LLMs
• 42. فصل 41: مطابقت بین توضیحات و الگوهای رفتاری
• 43. فصل 42: شواهد انتسابی برای تعصب لنگر انداختن
• 44. فصل 43: شناسایی بخش‌هایی از ورودی که بیشترین تاثیر را دارند
• 45. فصل 44: وزن‌دهی به بخش‌های مختلف ورودی توسط LLM
• 46. فصل 45: مدل‌های مبتنی بر توجه (Attention Mechanisms) و سوگیری
• 47. فصل 46: تفسیر مکانیزم توجه (Attention) برای شناسایی لنگر
• 48. فصل 47: تکنیک‌های بصری‌سازی توجه (Attention Visualization)
• 49. فصل 48: ارتباط بین امتیازات توجه و سوگیری لنگر انداختن
• 50. فصل 49: تاثیر داده‌های آموزشی بر مکانیزم توجه
• 51. فصل 50: پیش‌پردازش داده‌ها و سوگیری لنگر انداختن
• 52. فصل 51: تاثیر فرمت‌بندی داده‌ها
• 53. فصل 52: تاثیر داده‌های نویزدار (Noisy Data)
• 54. فصل 53: نقش داده‌های "لنگر" در مجموعه داده‌های آموزشی
• 55. فصل 54: روش‌های جمع‌آوری داده‌های آموزشی (Crawling, Curating)
• 56. فصل 55: بررسی تاثیر وب‌سایت‌های خاص به عنوان منابع لنگر
• 57. فصل 56: سوگیری در تولید محتوای وب
• 58. فصل 57: اثرات تکرار و فراوانی در داده‌های آموزشی
• 59. فصل 58: تاثیر داده‌های قدیمی (Outdated Data)
• 60. فصل 59: شناسایی منابع بالقوه تعصب لنگر انداختن در داده‌های واقعی
• 61. فصل 60: تحلیل مجموعه داده‌های معروف (مانند Common Crawl)
• 62. فصل 61: تکنیک‌های کاهش سوگیری لنگر انداختن
• 63. فصل 62: رویکردهای مبتنی بر پیش‌پردازش داده‌ها
• 64. فصل 63: متعادل‌سازی (Balancing) داده‌ها
• 65. فصل 64: حذف یا کاهش تاثیر داده‌های لنگرین
• 66. فصل 65: تکنیک‌های دستکاری (Augmentation) داده‌ها
• 67. فصل 66: تولید داده‌های ضد لنگر (Anti-Anchoring Data)
• 68. فصل 67: رویکردهای مبتنی بر Fine-tuning
• 69. فصل 68: Fine-tuning با داده‌های تصحیح شده
• 70. فصل 69: Fine-tuning با وظایف (Tasks) خاص برای کاهش سوگیری
• 71. فصل 70: تنظیم دقیق پارامترهای مدل (Hyperparameter Tuning)
• 72. فصل 71: رویکردهای مبتنی بر Prompt Engineering
• 73. فصل 72: طراحی Prompt برای اجتناب از لنگر انداختن
• 74. فصل 73: استفاده از دستورالعمل‌های صریح (Explicit Instructions)
• 75. فصل 74: ارائه اطلاعات متضاد (Contradictory Information) در Prompt
• 76. فصل 75: استفاده از تکنیک‌های Chain-of-Thought Prompting
• 77. فصل 76: معرفی تکنیک‌های کاهش سوگیری در زمان اجرا (In-place Mitigation)
• 78. فصل 77: فیلتر کردن خروجی (Output Filtering)
• 79. فصل 78: استفاده از مدل‌های کمکی (Helper Models)
• 80. فصل 79: رویکردهای مبتنی بر Reinforcement Learning from Human Feedback (RLHF)
• 81. فصل 80: آموزش مدل برای نادیده گرفتن لنگرها
• 82. فصل 81: پاداش‌دهی به پاسخ‌های عینی (Objective Responses)
• 83. فصل 82: ارزیابی مداوم سوگیری لنگر انداختن
• 84. فصل 83: معیارهای ارزیابی کمی برای سوگیری
• 85. فصل 84: شاخص‌های رفتاری برای ارزیابی
• 86. فصل 85: شاخص‌های انتسابی برای ارزیابی
• 87. فصل 86: طراحی سناریوهای تست برای ارزیابی
• 88. فصل 87: تست A/B برای مقایسه مدل‌ها
• 89. فصل 88: تاثیر انسانی در ارزیابی سوگیری
• 90. فصل 89: سوگیری انسانی در ارزیابی LLMs
• 91. فصل 90: ملاحظات عملی در کاهش سوگیری لنگر انداختن
• 92. فصل 91: هزینه و کارایی تکنیک‌های کاهش سوگیری
• 93. فصل 92: تاثیر بر عملکرد کلی مدل
• 94. فصل 93: حفظ تعادل بین کاهش سوگیری و قابلیت مدل
• 95. فصل 94: چالش‌های پیاده‌سازی در مقیاس بزرگ
• 96. فصل 95: مسئولیت‌پذیری در توسعه LLMs عاری از سوگیری
• 97. فصل 96: آینده پژوهش در زمینه تعصبات LLMs
• 98. فصل 97: کشف انواع جدیدی از سوگیری‌ها
• 99. فصل 98: توسعه روش‌های جامع‌تر برای کاهش سوگیری
• 100. فصل 99: نقش استانداردهای صنعتی و چارچوب‌های نظارتی