Is GPT-3 a Good Data Annotator? https://aclanthology.org/2023.acl-long.626/ Bosheng Ding, Chengwei Qin, Linlin Liu, Yew Ken Chia, Boyang Li, Shafiq Joty, and Lidong Bing ACL 2023 読み手: 銭本 友樹/Zenimoto Yuki (筑波大) @第15回最先端NLP勉強会 ※特に注釈のない限り，スライド内の画像は紹介論文より引用 

どんな論文？ 研究動機：LLMは優秀だが，モデルサイズ・費用の観点から使いにく く，プロダクトレベルではBERT-baseくらいのモデルを使いたい． やったこと：GPT-3を使って，4つのNLPタスクを対象として訓練 データを自動生成してBERTを訓練し，その性能・費用・時間を評価． 訓練データの自動生成には3種類のアプローチを提案 ・既存のデータセットを元にラベリングだけ行う ・GPT-3を使って訓練データを自動生成 ・GPT-3とWikidataを使って訓練データを自動生成 結果：タスクごとに有効なアプローチは異なるが，人手で作成した 訓練データを用いたモデルに匹敵する精度を低コストに達成 2 

訓練データの生成手法 ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫既存のデータセットの訓練データに対してラベリングだけ行う ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫GPT-3を使って訓練データの自動生成とラベリングを行う ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫GPT-3とWikipediaを使って訓練データの自動生成とラベリングを行う それぞれタスクに合わせたプロンプトを作成 GPT-3にはOpen AI APIのtext-davinci-003を使用 3 

Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫既存のデータセットの訓練データに対してラベリングだけ行う ⚫想定状況：データ自体は大量に揃っている状況 4 

Prompt-Guided Unlabeled Data Generation (PGDG) ⚫GPT-3を使って訓練データの自動生成とラベリングを行う ⚫想定状況：データが少量しかなく，タスクが一般的な知識や常識で 答えられるタスクのとき． 5 

Dictionary-Assisted Training Data Generation (DADG) ⚫GPT-3とWikidataを使って，訓練データの自動生成とラベリングを 行う ⚫想定状況：データが少量しかなく，タスクが専門性の高いタスクの とき． 6 

訓練データの生成手法 ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫既存のデータセットの訓練データに対してラベリングだけ行う ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫GPT-3を使って訓練データの自動生成とラベリングを行う ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫GPT-3とWikipediaを使って訓練データの自動生成とラベリングを行う それぞれタスクに合わせたプロンプトを作成 GPT-3にはOpen AI APIのtext-davinci-003を使用 7 

実験設定：比較モデル タスクごとに，4種類の訓練データを用いて訓練したBERTを比較 ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫Human Labeled 加えて，GPT-3に直接テストデータを入力したときの性能も算出 ⚫Prompted Direct Inference (PGI) これら5種類の費用・作成時間・性能を比較 (人手の費用は言語学者及びプロのアノテーターに相談して決定) 8 

対象タスク (データセット) ⚫Sequence-level Task ⚫Sentiment Analysis (SST2[1]) ⚫Relation Extraction (FewRel[2]) ⚫Token-level Task ⚫Named Entity Recognition (Cross NER[3]のAI domainのもの) ⚫Aspect Sentiment Tripret Extraction (laptop domain[4]) 9 [1] Socher et al. Recursive deep models for semantic compositionality over a sentiment treebank, 2013, EMNLP [2] Han et al. FewRel: A Large-Scale Supervised Few-Shot Relation Classification Dataset with State-of-the-Art Evaluation, 2018, ACL [3] Liu et al. Crossner: Evaluating cross-domain named entity recognition, 2020, AAAI [4] Xu et al. Position-Aware Tagging for Aspect Sentiment Triplet Extraction, 2020, EMNLP 

Sentiment Analysis (SST2) ⚫タスク説明 ⚫文章のPositive・Negativeを判定するタスク ⚫実験手順 ⚫各手法で作成された訓練データを元にBERT-baseを訓練 ⚫SST2データセットのテストデータを用いて評価 ⚫各手法のプロンプトにはSST2の訓練データ中の10例を ランダムにサンプリングしてプロンプトに含める 10 

Sentiment Analysis：プロンプト ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫SST2の訓練データを入力してラベリング 11 

Sentiment Analysis：プロンプト ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫ラベルを指定してデータを生成 ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫ラベルを指定してデータを生成 ⚫Wikidata中のMovie domainの Entityを参照してプロンプトに入力 12 

Sentiment Analysis：結果 ⚫PGDAが最高性能かつ 費用は人手の10分の1以下 時間は人手の70分の1以下 ⚫PGDGは性能は劣るが PGDAよりも低費用＆短時間 ⚫DADGは性能・費用・時間 ともに最も悪かった 13 PGDG，DADGで生成された データはテストデータの分布と 異なっていることが大きな原因 

Sentiment Analysis：結果 ⚫PGDAが最高性能かつ 費用は人手の10分の1以下 時間は人手の70分の1以下 ⚫PGDGは性能は劣るが PGDAよりも低コスト＆短時間 ⚫DADGは性能・コスト・時間 ともに最も悪かった PGDG，DADGで生成されたデータ はテストデータの分布と異なって いることが大きな原因 14 サンプル数をもっと増やしたとき の性能はどうなるのか？ プロンプトに含めるfew-shot例を もっと変えればよいのでは？ PGDG，DADGで生成された データはテストデータの分布と 異なっていることが大きな原因 

Relation Extraction (FewRel) ⚫タスク設定 ⚫文章中の指定した2つのEntityのRelationを64種類のRelation から分類するタスク ⚫例：Newton(Head) served as the president of the Royal Society(Tail). Relation→(Head Entity) is member_of (Tail Entity) ⚫実験手順 ⚫各手法で作成された訓練データを元にBERT-baseを訓練 ⚫FewRelデータセットのテストデータを用いて評価 15 

Relation Extraction：プロンプト ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫64種類のRelationをプロンプトに 含めるため入力が長くなる ⚫1つのRelationにつき1つの例 ⚫フォーマットによる性能の違いを 調査するため5種類のプロンプトを 比較 16 

Relation Extraction：プロンプト ⚫Prompt-Guided Unlabeled Data Generation (PGDG) 以下の2ステップでRelationごとに200データを生成 ⚫ステップ1：RelationごとにHead-Tail Entityペアを生成 ⚫ステップ2：上記Entityペアから文章を生成 17 

Relation Extraction：プロンプト ⚫Dictionary-Assisted Training Data Generation (DADG) 以下の2ステップでRelationごとに200データを生成 ⚫ステップ1：RelationごとにWikidataを参照してHead-Tail Entity ペアを生成 ⚫ステップ2：上記Entityペアから文章を生成 18 

Relation Extraction：結果 ⚫PGDAは性能・費用・時間 ともに非常に悪かった ⚫他手法と比べ同じ費用をかけて も生成データ数は40分の1程度 ⚫加えて，F1値は他手法と比べ 100分の1以下 19 タスク自体の難しさと Relation数の多さ， 入力トークン数の制約が 大きな原因 

Relation Extraction：結果 ⚫PGDG(5-shot)が最高性能かつ 費用は人手の60分の1以下 時間は人手の70分の1以下 ⚫DADGは，PGDGに劣る結果と なった． 20 Wikidataを使うDADGでは， データの多様性が減少 人手と同等のコストをかけるな ら，自動生成の方が高い性能と なることがわかった． 

Named Entity Recognition (Cross NER) ⚫タスク設定 ⚫Cross NERデータ中のAI domainのデータを対象 ⚫文章中から14種類のEntity(product, researcher, algorithm, etc.) を判定するタスク ⚫実験手順 ⚫各手法で作成された訓練データを元にBERT-baseを訓練 ⚫Cross NER AI domainデータセットのテストデータを用いて評価 21 

Named Entity Recognition：プロンプト ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫Entityの種類を事前に指定するプロンプト（左）だと プロンプトによって同じentityでも結果が異なる ⚫Entityの種類の候補を一度出力した後に決定するプロンプト（右） を使用 22 

Named Entity Recognition：プロンプト ⚫Prompt-Guided Unlabeled Data Generation (PGDG) 以下の2ステップでデータを生成（種類ごとの生成数は不明） ⚫ステップ1：Entityの種類ごとに具体例を生成 ⚫ステップ2：上記具体例から文章を生成 23 

Named Entity Recognition：プロンプト ⚫Dictionary-Assisted Training Data Generation (DADG) 以下の2ステップでデータを生成（種類ごとの生成数は不明） ⚫ステップ1：Wikidataを参照してEntityごとに具体例を生成 ⚫ステップ2：上記具体例から文章を生成 24 

Named Entity Recognition：結果 ⚫PGDAは性能・費用・時間 ともに非常に性能が悪かった ⚫他手法と比べ同じ費用をかけて も生成データ数は30分の1程度 ⚫加えて，性能は他手法と比べ 2分の1程度 25 そもそもの訓練データ数が少な いことが大きな原因 指定した14種類のEntity Type 以外のEntity Typeを出力する ことが多かった 

Named Entity Recognition：結果 ⚫PGDAは性能・費用・時間 ともに非常に性能が悪かった ⚫他手法と比べ同じ費用をかけて も生成データ数は30分の1程度 ⚫加えて，性能は他手法と比べ 2分の1程度 26 そもそもの訓練データ数が少な いことが大きな原因 指定したEntity以外のEntityを 出力することが多かった GPT-3にそのまま解かせるPGI 自体が46.65と低めなので， それだけラベリングを間違えて いるのでは？ （タスク自体がGPT-3にとって 難しいのではないか？） 

Named Entity Recognition：結果 27 Wikidataを使うことでより多 様なデータを生成できた． 専門的なタスクにおいては， Wikidataの参照が大きく貢献 ⚫PGDG(zero-shot)はHuman Labeled と同程度の性能を低費用で達成 ⚫DADG(zero-shot)が最高性能かつ Human Labeledを上回った． 費用は人手の2分の1以下 時間は人手の2分の1以下 

Aspect Sentiment Tripret Extraction (laptop domain) ⚫タスク設定 ⚫日本語では観点感情解析/抽出 ⚫文章中の特定の単語とその単語 に対する意見，及びその意見の 極性（positive, negative, neutral） を抽出するタスク ⚫詳しくは[5]を参照 ⚫実験手順 ⚫各手法で作成された訓練データを元にBERT-baseを訓練 ⚫ASTEデータセット中のテストデータを用いて評価 28 [6]より引用 [5] Takehito Kubo. 感情の出どころを探る、一歩進んだ感情解析, 2018, https://www.slideshare.net/takahirokubo7792/ss-96203329 [6] Lu Xu et al. Learning span-level interactions for aspect sentiment triplet extraction, 2021, ACL 

Aspect Sentiment Tripret Extraction：プロンプト ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫3種類のフォーマットのプロンプトを比較する 29 

Aspect Sentiment Tripret Extraction：プロンプト 30 ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫3種類のフォーマットのプロンプトを比較する 以下の2ステップでデータを生成 ⚫ステップ1：意見の対象単語， 意見，極性のtripretを生成 ⚫ステップ2：上記具体例から 文章を生成 

Aspect Sentiment Tripret Extraction：プロンプト 31 ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫フォーマットはPGDGで最も性能のよかったプロンプトを使用 以下の2ステップでデータを生成 ⚫ステップ1：laptop domainの Wikidataを参照して意見の対象 単語，意見，極性のtripretを生成 ⚫ステップ2：上記具体例から 文章を生成 

Aspect Sentiment Tripret Extraction ：結果 ⚫PGDAが最高性能 費用は人手の10分の1以下 時間は人手の10分の1以下 32 フォーマットによって性能が 大きく悪化する 

Aspect Sentiment Tripret Extraction ：結果 ⚫PGDGはすべてのプロンプトで PGDAの半分程度の性能 ⚫DADGは最も性能が悪かった 33 PGDGもDADGも共に直接的な 表現を使う簡単な文章を生成す る傾向があった． 

各手法の得意タスク・長所・短所まとめ ⚫Prompt-Guided Unlabeled Data Annotation (PGDA) ⚫得意タスク：ラベル数が少なく，ラベルの定義が簡単なタスク ⚫長所：実際のデータを利用可能 ⚫短所：プロンプトが非常に長くなり，費用が高くなる ⚫Prompt-Guided Unlabeled Data Generation (PGDG) ⚫得意タスク：ラベル数が多い一般的なタスク ⚫長所：プロンプト数が短く，大量にデータを生成可能 ⚫短所：実際のデータとは異なる分布のデータになる危険性 ⚫Dictionary-Assisted Training Data Generation (DADG) ⚫得意タスク：ラベル数が多い専門的なタスク ⚫長所：プロンプト数が短く，大量にデータを生成可能 ⚫短所：実際でのデータとは異なる分布のデータになる危険性 34 

プロンプトに含める例文の数の影響 SST2とFewRelでfew-shot数を変えた際の性能を比較 SST2において ⚫PGDAではfew-shot数が多いほど 性能が向上 ⚫DADG・PGDGではfew-shot数を 増やすとむしろ性能が悪化 FewRelにおいては ⚫PGDGでもfew-shot数が多いほど 性能が向上 35 

プロンプトに含める例文の数の影響 SST2において ⚫PGDG・DADGでは，few-shot数 を増やすと，生成データの 多様性が下がった． ⚫SST2タスクでは，非常に短く情報 量の少ない文章が生成された． 36 

プロンプトに含める例文の数の影響 FewRelにおいて ⚫PGDGでは，few-shot数を増やす と，情報量が多く，より暗黙的な （望ましい）文章が生成された． 37 

Limitation ⚫予算の都合上でサンプル数・タスク設定がかなり限定され てしまった． ⚫GPT-3自体がブラックボックスな部分が多く，その解釈性 に問題が残っている． ⚫（予算があれば）GPT-3，ChatGPT，GPT-4に加え，LLaMA 等のオープンソースLLMの比較も行いたい 38 

本論文の概要（再掲） 研究動機：LLMは優秀だが，モデルサイズ・費用の観点から使いにく く，プロダクトレベルではBERT-baseくらいのモデルを使いたい． やったこと：GPT-3を使って，4つのNLPタスクを対象として訓練 データを自動生成してBERTを訓練し，その性能・費用・時間を評価． 訓練データの自動生成には3種類のアプローチを提案 ・既存のデータセットを元にラベリングだけ行う ・GPT-3を使って訓練データを自動生成 ・GPT-3とWikidataを使って訓練データを自動生成 結果：タスクごとに有効なアプローチは異なるが，人手で作成した 訓練データを用いたモデルに匹敵する精度を低コストに達成 39