Defnyddio Deallusrwydd Artiffisial yn y Llyfrgell: Canllaw Myfyriwr: Cyfyngiadau Deallusrwydd Artiffisial

Mae'n bwysig cofio bod nifer o gyfyngiadau i ddeallusrwydd artiffisial. Mae'r rhain yn cynnwys:

• Nid yw deallusrwydd artiffisial cynhyrchiol wedi'i gynllunio i gynhyrchu gwybodaeth ffeithiol gywir
• Mae'n bosib na fydd y wybodaeth a gynhyrchir yn gyfoes. Mae'r system sy'n rhedeg GPT-3.5 (megis y fersiwn sydd ar gael am ddim o ChatGPT OpenAI) wedi'u hyfforddi ar ddeunyddiau hyd at y flwyddyn 2021. (Felly os byddwch chi'n gofyn pwy yw Prif Weinidog y Deyrnas Unedig, nid yw'n gwybod.) Mae gan y system sy'n rhedeg GPT-4 (megis BingAI Microsoft, a'r fersiwn y mae'n rhaid talu amdani o ChatGPT) lawer mwy o wybodaeth gyfoes.
• Gall yr allbwn a gynhyrchir ailadrodd y tueddiadau yn y deunyddiau hyfforddi. (Gallai hyn gynnwys: rhagfarn ar sail oedran, ableddiaeth, rhywiaeth, homoffobia a hiliaeth)
• Efallai na fydd gan y deallusrwydd artiffisial fynediad at wybodaeth y mae'n rhaid talu amdani (er enghraifft: erthyglau cyfnodolion academaidd a adolygir gan gymheiriaid).

Gall ChatGPT ddweud wrthych chi am ei gyfyngiadau ei hun. Dyma rai enghreifftiau:

"ChatGPT may produce inaccurate information about people, places, or facts"

"My knowledge is based on information available up until September 2021, and I don't have access to the internet to provide real-time updates."

"My responses are generated based on pre-existing knowledge up until September 2021. I don't have the ability to browse the internet or access specific book details beyond what I've been trained on. If you have a specific book in mind, I recommend referring to the table of contents or index of the book itself, or conducting an online search to find the chapter listings or summaries."

"It's important to note that while I strive to provide helpful and accurate information, there may be instances where the responses may be incomplete, biased, or incorrect. Therefore, it's always a good idea to verify and cross-reference the information from reliable sources."

"I apologize for the confusion, but the book "Preserving Cultural Heritage: Caring for the Past in the Present" by Joshua A. Bell and Simon J. Knell does not exist. I generated the title and authors in error. I apologize for any inconvenience caused. If you have any other requests or need assistance with a different topic, feel free to let me know."

Er ei bod yn ymddangos bod deallusrwydd artiffisial cynhyrchiol yn aml yn cynhyrchu testun credadwy iawn, cyfrifoldeb y myfyriwr yw sicrhau bod yr hyn a gynhyrchir yn gyfredol ac yn gywir. Sut gallwch chi wneud hyn?

Mae eich Tîm Llyfrgelloedd wedi llunio canllawiau ar sut i ddechrau gwerthuso gwybodaeth y gallech ddod ar ei thraws pan fyddwch ar-lein. Bydd y canllaw hwn yn eich helpu i wirio dilysrwydd unrhyw allbwn a gynhyrchir gan ddeallusrwydd artiffisial cynhyrchiol.   
 

Mae'r fideo hwn, gan Phil Edwards o Vox Media, yn ddefnyddiol er mwyn deall sut y gall yr allbwn a gynhyrchir gan ddeallusrwydd artiffisial fod yn bleidiol yn erbyn rhai ieithoedd lleiafrifol. Er mai ar Gatalaneg mae'r fideo hwn yn canolbwyntio, rydym yn credu bod y wybodaeth a gyflwynir yma yn berthnasol i fyfyrwyr sy'n astudio drwy gyfrwng y Gymraeg.

Un her y mae deallusrwydd artiffisial yn ei hwynebu yw cynhyrchu dyfyniadau a chyfeiriadau yn gywir. Mae modelau deallusrwydd artiffisial yn dibynnu ar batrymau ystadegol yn hytrach na dealltwriaeth wirioneddol o sut y dylid cyflwyno dyfyniad neu gyfeiriad. Gall hyn arwain at wallau mewn cyfeiriadau a allai gynnwys:

• Creu cyfeirnod yn y dull anghywir.
• Gall elfennau megis lleoliadau cyhoeddi a dyddiadau cyhoeddi fod yn anghywir neu ar goll.
• Priodoli gwaith i’r awdur anghywir.
• Diffyg gwybodaeth adalw (DOI, URLau, ac ati).
• Drysu math o adnoddau, er enghraifft, cymysgu penodau llyfrau gydag erthyglau cyfnodolion. 
• Rhifau cyfnodolion a rhifynnau yn anghywir neu ddim yn cyd-fynd ar gyfer erthyglau academaidd.
• Rhifau tudalennau anghywir
• Datganiadau argraffiad anghywir.

Fel y nodwyd eisoes yn y canllaw hwn, os ydych chi'n defnyddio deallusrwydd artiffisial cynhyrchiol ar gyfer unrhyw ran o'ch gwaith a asesir, eich cyfrifoldeb chi yw gwirio popeth a gynhyrchir gan y deallusrwydd artiffisial er mwyn sicrhau bod y wybodaeth a gynhyrchir yn gyfredol ac yn gywir.

Edrychwch ar ein Canllaw LibGuides ar Ymwybyddiaeth ynglŷn â Chyfeirnodi a Llên-ladrad i gael rhagor o wybodaeth am theori ac ymarfer y sgil academaidd hanfodol hon.

Gall modelau deallusrwydd artiffisial cynhyrchiol ddangos amrywiol fiasau oherwydd y data y maent wedi'u hyfforddi arnynt a chyfyngiadau cynhenid eu halgorithmau. Dyma bum nodwedd gyffredin a welir mewn deallusrwydd artiffisial cynhyrchiol:

1. Bias o ran rhywedd: Gall modelau deallusrwydd artiffisial cynhyrchiol efelychu a chynnal rhagfarnau cymdeithasol presennol sy'n gysylltiedig â rhywedd, megis stereoteipiau neu ddefnydd iaith rhyweddedig.

2. Bias hiliol ac ethnig: Gall modelau deallusrwydd artiffisial sydd wedi'u hyfforddi ar setiau data pleidiol neu gyfyngedig gynhyrchu cynnwys sy'n atgyfnerthu stereoteipiau hiliol neu ethnig neu'n dangos triniaeth anghyfartal o grwpiau penodol yn anfwriadol.

3. Bias diwylliannol: Gall modelau deallusrwydd artiffisial cynhyrchiol sydd wedi'u hyfforddi mewn cyd-destunau diwylliannol penodol gynhyrchu cynnwys sydd o blaid diwylliannau eraill neu sy'n eu heithrio, gan arwain at ddiffyg cynrychiolaeth neu gamgynrychiolaeth.

4. Bias cytuno: Gall modelau deallusrwydd artiffisial atgyfnerthu'n anfwriadol y credoau neu'r farn sydd yn y data hyfforddi, gan arwain o bosib at allbwn pleidiol sy'n cyd-fynd â safbwyntiau neu ideolegau penodol.

5. Bias cynnwys: Gall modelau deallusrwydd artiffisial cynhyrchiol ddangos bias yn y mathau o gynnwys y maent yn ei gynhyrchu, gan ffafrio rhai pynciau, themâu neu safbwyntiau dros eraill, yn seiliedig ar y tueddiadau sy'n bresennol yn y data hyfforddi.

Mae'n bwysig i fyfyrwyr ddeall y gall y tueddiadau hyn fod yn bresennol mewn unrhyw allbwn a grëir gan ddeallusrwydd artiffisial cynhyrchiol ac un o sgiliau allweddol y broses ddysgu yw gallu gwerthuso'r hyn a gynhyrchir yn feirniadol a gallu adnabod unrhyw fias posib. 

Yn yr un modd â gwirio ffeithiau ac adnabod gwybodaeth anghywir, gall canllawiau'r Llyfrgell ar werthuso gwybodaeth fod yn ddefnyddiol wrth adnabod bias.