Prompts Teóricos para Agentes Sociais Generalizáveis
Um estudo do MIT usa teoria comportamental e pequenos conjuntos de dados humanos para ajustar prompts de agentes sociais e testar seu desempenho em cenários relacionados, mas distintos.
Um estudo do MIT explora como a teoria comportamental pode orientar prompts para agentes sociais. Os pesquisadores ajustam esses prompts com pequenos conjuntos de dados humanos e avaliam os agentes em cenários relacionados, mas diferentes daqueles usados no ajuste.
O estudo relata menor erro de previsão em novas variantes de jogos do que em modelos de linguagem e baselines. O resultado aponta para uma maneira de investigar se um agente generaliza, em vez de apenas reproduzir padrões dos dados de ajuste.
Para avaliar uma abordagem semelhante, separe os dados usados para ajustar prompts dos cenários de teste. Escolha situações novas, mas relacionadas, e compare as previsões com referências humanas e baselines pertinentes; registre o erro e as limitações da comparação.
Se usar IA para estudar ou aplicar o método, minimize os dados enviados e retire informações pessoais desnecessárias. Evite incluir dados humanos identificáveis em prompts ou exemplos, e confirme que tem autorização para usar os dados.