人类评估已不是NLG的最佳标准，华盛顿大学提出新观点遭网友质疑

明敏 发自 凹非寺

研究人员就给出了一个例子：

他们分别让未经训练的人类和机器来评价一段GPT-3生成的文字。

这段文字翻译过来为：

从前，有一个海盗。他是那种宁愿把时间花在驱赶在船周围游泳的鲨鱼上，也不愿驶向外国港口寻找战利品的海盗。他是个好海盗，高尚的海盗，诚实的海盗。他是个宁愿和妻儿呆在家里也不愿出海的海盗。

人类评估员认为这段文字除了有些啰嗦外，没什么大毛病。

这可能就是一个海盗想回家陪老婆孩子吧，AI可能没理解，但是这也没什么稀奇的。

机器评估也认为这段文字很啰嗦，不过它对文段的内容提出了质疑：

海盗会有老婆孩子？还不和他一起在船上生活？

对比两种判断，人类评估更看重这段话像不像人话，在检验过它的确非常流畅后，就会默认这段文本没什么大问题了。

而机器的判断角度则更加多维，会考虑到文字传达的意思是否正确。

很难分辨出GPT-3生成的文本

为了验证自己的观点，研究人员让未经训练的评估人员来区分人类写的文本和AI生成的文本。

他们选择了故事、新闻、菜谱三种不同的文体进行测试。

具体测试中，受试人员不仅要判断给出的文本是否人类创作的，还要填写相应的理由。

结果显示，在区分人类和GPT-2创作的文本时，被测试群体的正确率为57.9%。

但是在区分GPT-3生成的文本上，正确率就下降到了49.9%。

而二选一问题的随机概率就有50%……

显然，普通人已经很难识别出当下最先进的NLG模型所生成的文本。

为了更进一步了解受试人员是如何做出判断的，研究人员对150个回答进行了分析。

结果发现，受试人员在做出判断后，更加倾向于从文本的格式、风格、语法角度上给出理由。

150个回答中，基于文本形式的判断几乎是基于内容判断的2倍。

但是，GPT-3在文本流畅度方面的表现其实已经非常出色，这或许也是为什么人类很难分辨GPT-3生成文本。

而且研究人员发现，受试人员给出判断的理由都不尽相同，这也表明人类评估文本没有一个明确的标准。

既然NLG模型训练后可以变强，那培训一下评估人员呢？

研究人员决定对一些受试人员进行了培训，提高他们评估文字的能力和速度。

他们准备了3种不同的培训：

第一种是给出明确的判断标准，让受试人员学习后来判断；

第二种是通过大量的实例训练，也就是题海战术；

第三种是通过不断对比来完成训练。

然而结果表明，这好像并没有什么用。

三种培训后的判断正确率分别为52%、55%、53%，相较于未受训时的表现，没有显著提高。

不过从受试人员的回答中可以看到，更多人现在会多维度判断文本了，还是有进步的。

基于这样的实验结果，研究人员认为在评估最先进的NLG模型方面，人类可能真的不太靠谱了。

这实验不太靠谱

对于这样的结论，网友们提出了一些不同的看法：

判断文本质量其实是一件非常艰巨的任务，需要专家来进行评估。

或许是这项研究中的受试人员不太行？

有人就指出了问题所在：他们用的Amazon Mechanical Turk的评估员。

是受试人员不太行。

AMTurk作为一个众包平台，近年来实在是饱受诟病。

此前BBC报道称，由于招募到的志愿者所在的地区存在一些观念偏见，导致最后研究出的算法也存在偏见。

而且招募到的人员水平也常常参差不齐。

不过有人也表示：这些人可能也是最适合的，因为他们最接近普通大众水平，专家认为好的文字，普通人未必也这么认为。

这要取决于生成文本的目标人群是谁。

实验中的志愿者对乔伊斯（后现代文学作家）的欣赏程度肯定和英文系教授不同。

尽管顶级文学评论家将其描述为“20世纪实验文学的伟大纪念碑之一”和“英语中最美丽的散文诗之一”，但对于大多数普通读者而言，它非常晦涩难懂。

此外，也有人就对这项研究提出了改进建议：

我认为他们可以用更简单的NLG算法(基于规则，n-gram, rnn)进行更精细的分析，并对“非专家”评估者进行排名，而不是将他们作为一个群体来处理。

而关于NLG模型生成文本的评估问题，Google曾给出过一个方案。

2020年，它们提出了一个可量化评估NLG模型性能的指标——BLEURT。

这是一个基于BERT的学习评价指标，在学习了几千个人类评估案例后，它可以对不同模型生成的文本进行打分。

其最大的优势就是，评估速度更快。

Google研究人员认为这个指标有助于NLG模型的研究和开发，而且可以为开发人员提供更加多维的评判标准。

论文地址：