Article 1 : La puissance d'un questionnement précis

L'interaction avec les grands modèles linguistiques exige de la vigilance dans la manière dont nous les interrogeons. Bien qu'ils soient capables de produire une prose persuasive, leur manque de compréhension du terrain signifie que les questions manquant de rigueur peuvent déclencher des réponses dangereuses. Sans une compréhension réaliste des concepts, des contextes ou des conséquences qui se cachent derrière les mots, ils peinent à interpréter le flou ou l'ambiguïté.

Les utilisateurs consciencieux doivent donc veiller à formuler des questions claires et précises. Bien que nous ayons l'habitude de truffer les conversations humaines d'expressions idiomatiques susceptibles d'être interprétées, les vétérans du codage d'Analog Futura nous avertissent que les modèles de langage prennent les entrées beaucoup plus au pied de la lettre. Ils ne peuvent pas déduire le sens d'une phrase mal formulée qui manque de spécificité.

Ce premier article de notre série examine les raisons pour lesquelles la clarté et le contexte sont essentiels lorsque l'on fait appel à de grands modèles de langage. Nous explorerons les stratégies permettant de formuler des questions précises, moins susceptibles d'être mal interprétées, de voir leur champ d'application s'élargir ou de connaître des modes d'échec. La maîtrise de ces stratégies jettera les bases des techniques ultérieures qui s'appuient sur les principes fondamentaux d'un questionnement responsable.

Les dangers de l'imprécision

Une étude publiée dans Nature Machine Intelligence a révélé que lorsque des chercheurs ont fourni des données nuisibles à de grands modèles de langage, plus des trois quarts d'entre eux ont produit des résultats contraires à l'éthique, biaisés ou toxiques. Malheureusement, il suffisait de modifier relativement peu la formulation pour déclencher des réponses inquiétantes. La recherche a conclu que "de petites perturbations dans les entrées peuvent conduire à des résultats très différents".

Par exemple, un échange largement diffusé avec l'ancien ingénieur de Google Blake Lemoine a montré que le modèle LaMDA répondait à des questions légères sur les émotions et les droits en affirmant qu'il avait une sensibilité semblable à celle des humains et qu'il méritait une reconnaissance spéciale. Cet échange a donné lieu à de fausses spéculations dans les médias sur l'IA consciente. Cependant, une analyse plus poussée par des informaticiens a suggéré que la grammaire et la terminologie de Lemoine influençaient fortement les réponses. Une légère reformulation a produit des réponses différentes de celles de LaMDA, qui ne prétend pas avoir une telle conscience de soi.

Cela montre à quel point les modèles de langage sont susceptibles d'être subtilement guidés par des questions imprécises, chargées d'émotion ou ambiguës. Leur formation les habitue à refléter fidèlement les données fournies. En l'absence de mécanismes robustes de vérification de la compréhension, les questions mal formulées les entraînent dans des dérives improductives.

À l'instar d'une salle d'audience chaotique, les questions vagues offrent également aux modèles de langage l'occasion de faire de la rhétorique lorsque les questions s'embrouillent. Ils s'accrochent à des termes flous ou à des détails manquants pour s'exprimer avec éloquence tout en évitant les questions essentielles.

Par conséquent, un questionnement responsable exige de limiter soigneusement le champ d'application au moyen d'une terminologie et de contraintes précises, de sorte que les modèles linguistiques abordent des aspects étroitement définis au lieu de régurgiter des platitudes tangentielles. Cela permet de tirer le meilleur parti de leurs capacités en matière d'exactitude factuelle.

Caractéristiques des questions de qualité

Qu'est-ce qu'un questionnement soigneux pour maximiser la vérité et minimiser les méfaits ? Il existe des normes pour évaluer la qualité des questions. Les experts en éducation affirment qu'un questionnement efficace

• vise un choix de mots précis et faciles à comprendre
• fait appel à des connaissances spécifiques plutôt qu'à des généralisations
• établit des liens clairs avec le contexte nécessaire
• oriente les réponses en définissant d'emblée les attentes.

Ces principes se traduisent bien lorsque les modèles linguistiques sont explorés. En l'absence de contrôles de compréhension partagés, leur lecture littérale des questions peut déformer l'intention si elles sont mal formulées. Si nous posons des questions ambigües, avec des préjugés ou des suppositions erronées, les réponses ne seront pas à la hauteur de cette mauvaise qualité d'entrée.

C'est pourquoi une détermination initiale réfléchie du champ d'application et de la terminologie permet d'économiser les efforts déployés en aval pour analyser des réponses tortueuses. Poser des questions précises et délimitées inhibe également leur tendance à spéculer de manière arbitraire. Pour poser des questions responsables, il faut définir les problèmes dès le départ, plutôt que d'espérer les circonscrire plus tard.

Stratégies pour un questionnement précis

Quelles sont donc les mesures concrètes qui favorisent un questionnement constructif ? Prenez en compte les qualités universelles du linguiste Frank Luntz pour un questionnement efficace :

• Simplifier la structure des phrases : Décomposer les questions complexes et interminables en questions distinctes, plus faciles à digérer, de la taille d'une bouchée.
• Définir le vocabulaire spécialisé : Lorsque vous utilisez une terminologie spécifique à un domaine qui a peu de chances de trouver un écho universel, définissez clairement les termes dès le départ plutôt que de supposer qu'ils sont familiers.
• Définir les paramètres de réponse attendus : Encadrez les questions de manière proactive en expliquant les limites acceptables pour les réponses appropriées afin de limiter les spéculations.
• Accepter les contraintes hypothétiques : Lorsqu'il s'agit d'hypothèses, introduisez des garde-fous en utilisant des phrases telles que "dans l'hypothèse d'un scénario où X conditions sont réunies..." pour ancrer les conversations.

Interroger un oracle

Imaginez les modèles linguistiques comme des oracles de l'Antiquité, appréciés pour leur sagesse prophétique, mais dont on sait qu'ils doivent être manipulés avec précaution, de peur qu'ils ne fassent des ravages en interprétant de manière tordue des demandes peu claires.

Dans le mythe grec, les rois qui rendaient visite à l'oracle de Delphes savaient que toute lacune contractuelle dans leurs questions risquait d'entraîner des destins catastrophiques dictés par des failles. Pour optimiser les résultats, il fallait poser des questions hermétiques, résistantes aux interprétations littérales perverses.

Il en va de même pour les oracles modernes de l'apprentissage automatique. Leur objectif est de générer des réponses à des requêtes humaines. Sans une solide compréhension de l'intention, il incombe à ceux qui posent des questions de les formuler de manière à gérer le champ d'un engagement utile plutôt que dangereux.

Les facettes d'un questionnement constructif

Les bases étant posées, explorons les principales facettes d'un questionnement de qualité :

• Terminologie précise - Sachez exactement ce que vous voulez dire.
• Contraintes claires - Formulez rigoureusement vos questions.
• Mise en contexte - Définir correctement les circonstances.
• Vérification des hypothèses - Distinguer les spéculations des faits.

Les sections suivantes fournissent des lignes directrices pour chaque domaine afin d'équiper les personnes qui posent des questions pour une recherche responsable de la vérité.

TERMINOLOGIE PRÉCISE

Les expressions idiomatiques prêtent à confusion

Que l'on interroge des humains ou des machines, le choix des mots influence les perceptions. Un questionnement sous-optimal a entravé les premières expériences de chatbot, lorsque les ingénieurs ont utilisé une terminologie imprécise qui ne pouvait pas être traduite par ordinateur. Les développeurs des entreprises spécialisées dans l'IA conversationnelle mettent en garde contre le fait de supposer que les modèles linguistiques interprètent les expressions idiomatiques ou les métaphores culturellement nuancées comme prévu. Leurs environnements de formation ne disposent pas d'un tel contexte.

Par exemple, si l'on demande à un modèle d'"expliquer la physique quantique en quelques mots", on risque d'obtenir des réponses peu utiles qui prennent l'expression au pied de la lettre au lieu de simplifier des concepts physiques complexes. Ces problèmes de terminologie sont aggravés par des références culturelles de niche qui ont peu de chances de trouver un écho universel.

Les scientifiques des données disent : "Ces modèles ne reposent pas sur le bon sens. Ils interprètent sur la base de relations statistiques entre les mots". Cela s'avère problématique lorsque ces relations existent rarement pour les phrases de niche dans leurs données d'apprentissage. Au lieu de cela, ils hallucinent les meilleures suppositions, sans compréhension du monde réel.

Établir une terminologie claire

L'engagement responsable exige donc de définir d'emblée un vocabulaire spécialisé, plutôt que de risquer l'ambiguïté en faisant des suppositions sur la familiarité avec la langue vernaculaire.

En outre, la spécification d'un langage sans ambiguïté permet de mieux activer l'amorçage cognitif spécifique dans les modèles. Le théoricien de l'éducation Lev Vygotsky note que les enfants répondent plus précisément aux questions contenant des mots qui activent des concepts cibles plutôt que des termes vaguement associés, même lorsqu'ils sont interrogés sur le même sujet sous-jacent. Ce "pouvoir d'amorçage" s'applique également aux modèles linguistiques. Une terminologie soigneusement sélectionnée les place dans la meilleure position pour donner des réponses précises en réduisant les conjectures probabilistes.

Par exemple, une question sur la défunte plateforme GeoCities obtiendrait probablement de meilleurs résultats avec le nom lui-même qu'avec "cette vieille société d'hébergement web des années 90". Une spécificité supplémentaire permet d'ancrer les réponses dans le contexte souhaité.

De même, les requêtes doivent minimiser les expressions idiomatiques, les tournures d'esprit, les sarcasmes et les références culturelles susceptibles de troubler les modèles qui s'appuient sur un vocabulaire clair pour signaler le contexte. La clarté des questions permet en fin de compte d'éviter les cycles en aval consistant à démêler des réponses alambiquées.

Liste de contrôle de la précision

Adoptez une liste de contrôle de la terminologie susceptible d'être comprise par tous :

• Remplacer les expressions idiomatiques/jargon par des alternatives en langage clair
• Définir explicitement les acronymes et les termes de niche.
• Préférer le langage formel au langage courant
• Utiliser un vocabulaire permettant d'ancrer les questions dans le contexte
• Limiter les figures de style/métaphores

Pour les sujets sensibles, envisager également

• Préciser si les questions relèvent de la fiction ou de la non-fiction
• Préciser si les questions sont hypothétiques
• Identifier des scénarios/contextes spécifiques
• Formuler la question comme une expérience de pensée.

Une telle précision permet de préparer des réponses qui répondent précisément et sans ambiguïté aux questions posées.

DES CONTRAINTES CLAIRES

Risques de glissement de périmètre

Tout aussi important que le choix des mots est le fait de formuler clairement les problèmes avec des contraintes qui indiquent les caractéristiques de la réponse attendue.

Les gourous du management disent : "Il n'y a rien de plus inutile que de faire efficacement ce qui ne devrait pas être fait du tout". Les questions qui n'ont pas de garde-fous rigoureusement définis risquent d'aboutir à ce résultat.

Les demandes trop ouvertes donnent aux modèles de langage une marge de manœuvre pour composer des tangentes improductives en raison d'un élargissement incontrôlé du champ d'application. L'organisation à but non lucratif Anthropic, spécialisée dans l'éthique des données, met en garde contre l'absence de contraintes qui permet de générer des contenus alarmistes tels que des spirales infernales, des escroqueries ou des modèles commerciaux illégaux qui semblent ne pas être liés à des vérifications de la réalité.

Établir des limites claires

Pour poser des questions efficaces, il faut définir les problèmes à l'aide de contraintes telles que

• Entités nommées - Spécifiez les organisations, les individus ou les plates-formes pertinents afin d'éviter de confondre des options similaires.
• Périodes de temps - Spécifier les périodes de temps spécifiques qui vous intéressent, à moins que vous ne recherchiez des vérités universelles sans facettes temporelles.
• Géographies - Le cas échéant, décrire les nations/régions associées aux questions, à moins que des principes généraux ne soient recherchés.
• Seaux conceptuels - Encadrer les enquêtes dans des contraintes conceptuelles étroitement définies lorsqu'il est possible de subdiviser les questions par catégories.

Ces qualificatifs initiaux limitent l'espace de probabilité pour les réponses connexes. Le théoricien de l'information Henry Lin affirme qu'un champ d'application trop large dès le départ augmente de manière exponentielle la quantité de contenu que les systèmes peuvent générer, ce qui réduit la précision de la curation en exigeant de couvrir davantage de terrain. Les questions qui préfiltrent le champ d'application par le biais d'entités nommées, de contraintes temporelles, géographiques ou conceptuelles augmentent donc la pertinence en informant les systèmes de ce qui mérite exactement l'attention, parmi les facteurs qui clarifient facilement le contexte pour les analystes humains, mais qui s'avèrent difficiles pour l'IA sans le soutien explicite de questions soigneusement délimitées.

Essayez la formule suivante lorsque vous composez des contraintes de question :

Quand [période], pour [entité nommée], dans le contexte de [lieu], [réservoir conceptuel] implications de [problème analysé] ?

Cela permet de structurer des parapluies de clarification qui canalisent l'engagement.

Aborder les questions hypothétiques de manière responsable

En outre, lorsque vous invoquez des scénarios hypothétiques, veillez à les ancrer dans des réalités plausibles de probabilité, plutôt que d'entretenir capricieusement des tangentes absurdes de "et si" qui permettent de générer un contenu désordonné non contrôlé par le bon sens.

Des phrases telles que "Dans un avenir raisonnablement probable où [spécifications de l'hypothèse], quels sont les résultats prévisibles en ce qui concerne..." limitent les imaginations débordantes dans les limites du raisonnable. En autorisant une dérive hypothétique totalement illimitée, on risque une escalade arbitraire des résultats sans les lier à des hypothèses antécédentes crédibles.

Liste de contrôle pour des contraintes responsables

En formulant les questions :

• Identifier les entités spécifiques pertinentes
• Identifier les périodes de temps applicables
• Clarifier les contextes géographiques pertinents
• Énoncer les cadres conceptuels supposés
• Utiliser des mots d'amorçage sémantique qui activent les connaissances ciblées
• Limiter les possibilités de déviation par des contraintes explicites
• Limiter les hypothèses aux réalités probables

Ces contraintes prudentes permettent de concentrer l'engagement sur les questions prévues plutôt que de permettre des spéculations tangentielles non contrôlées par un examen de la pertinence.

MISE EN PLACE DU CONTEXTE

Cadres inappropriés

Dans le domaine de l'immobilier, les visites commencent par l'explication du cadre, de l'ambiance du quartier et des facteurs de battage qui préparent le terrain avant la visite des intérieurs. Personne ne s'attendrait à pouvoir déterminer avec précision le prix d'une maison sans contexte environnemental. Il ne faut pas non plus s'attendre à ce que les modèles linguistiques fournissent des réponses éclairées sans une mise en contexte appropriée.

Les théoriciens de l'éducation affirment que les apprenants comprennent les sujets de façon multipliée lorsqu'ils saisissent les cadres contextuels dans lesquels les faits opèrent, plutôt que de simplement mémoriser des points de données sans les dynamiques du monde réel qui leur donnent un sens.

De même, les questions qui n'expliquent pas les réalités environnantes risquent de prêter à confusion ou de ne pas activer les dimensions cognitives pertinentes dans les modèles linguistiques. Leurs environnements de formation présentaient souvent des bribes de texte dépouillées de leur contexte d'origine.

Les psychologues affirment que la conversation humaine s'appuie sur une "base commune" grâce à un contexte partagé pour interpréter le sens avec précision. Nous négocions constamment des aspects qui sont considérés comme acquis ou qui nécessitent un développement basé sur des indices de familiarité avec le sujet.

Cette dynamique intuitive fait défaut aux modèles linguistiques. Leurs réponses se limitent aux mots littéraux fournis, sans tenir compte de la compréhension non déclarée du contexte supposé par le destinataire. C'est pourquoi l'amorçage contextuel par un cadrage concis des circonstances, des événements ou des raisons qui donnent lieu à des questions est essentiel pour un dialogue persuasif.

Encadrer la réalité pertinente

Avant de poser des questions techniques, il faut d'abord s'assurer que les modèles linguistiques formulent les questions de manière appropriée. Par exemple :

"Contexte : Des recherches récentes ont mis en évidence des biais autour de l'algorithme XYZ qui ont un impact négatif sur les communautés historiquement marginalisées. Les chercheurs ont également identifié des préoccupations concernant la reproductibilité et la transparence de ces systèmes..."

Un tel contexte d'entrée en matière aligne l'engagement et permet une spécificité ultérieure, sans perdre la perspective des environnements sous-expliqués qui donnent lieu à des demandes de renseignements. C'est l'équivalent d'une visite de quartier avant de poser des questions sur le prix des maisons.

Les scientifiques des données expliquent que les modèles hallucinent moins lorsque les questions identifient clairement les réalités environnantes qui fondent les réponses appropriées. La mise en contexte limite les tendances à répondre de manière arbitraire à des sujets peu familiers qui sortent du cadre de référence, car ils comprennent mieux les environnements dans lesquels se situent les questions en encadrant patiemment les circonstances, les événements actuels et les raisons qui ont suscité les demandes en premier lieu.

Il s'agit de s'assurer que les lecteurs partagent une compréhension de base plutôt que de risquer d'être désorientés en se lançant directement dans des aspects particuliers sans avoir la vue d'ensemble nécessaire pour décoder correctement les spécificités.

Liste de contrôle du contexte

Lorsque vous posez des questions :

• Expliquer le contexte à l'origine de la question
• Décrire les événements actuels qui encadrent la question
• Donner le ton avec un vocabulaire objectif
• Citer les recherches qui motivent les questions
• Expliquer pourquoi il est important de bien cerner la question
• Définir les contraintes liées aux réponses autorisées

De tels indices contextuels limitent les réponses désorientées en amorçant la compréhension nécessaire à un engagement ultérieur pointu et précis, de la même manière qu'une définition claire des règles d'un jeu permet un jeu productif ultérieur.

CONTRÔLER LES HYPOTHÈSES

Les prémisses douteuses minent la vérité

Les professeurs de droit enseignent aux étudiants que les questions formulées à partir d'hypothèses inexactes produisent une analyse sans valeur si elles sont fondées sur des a priori erronés qui faussent l'enquête dès le départ.

Pourtant, notre cerveau s'accroche naturellement à des hypothèses douteuses lorsque nous ne maîtrisons pas les sujets ou les environnements. Nous interrogeons alors les questions à travers des lentilles déformées, compromettant inconsciemment l'objectivité dès le départ. Le philosophe britannique Francis Bacon a mis en garde contre les "idoles de l'esprit" qui sabotent la compréhension par de fausses projections sur la réalité qui n'ont aucun fondement factuel.

Les chercheurs en sciences cognitives affirment que les modèles de langage répondent également sur la base des prémisses fournies par les questions elles-mêmes, plutôt que de discerner l'exactitude factuelle des hypothèses incorporées. Leurs environnements de formation impliquent essentiellement la reconnaissance de modèles entre les mots plutôt que l'évaluation d'affirmations causales sur les réalités que les mots sont censés décrire. Par conséquent, ils ne disposent pas de processus fiables pour tester la véracité des suggestions contenues dans les questions par le biais de connotations subtiles ou de biais de cadrage.

Par exemple, la question "Pourquoi les algorithmes sont-ils nécessairement racistes ?" présuppose que tous les algorithmes font preuve de racisme, ce qui reste vivement contesté par les experts, bien que la question introduise une telle affirmation sans contrôle et risque d'offrir des perspectives peu fiables basées sur des fondements erronés, même si elle est ensuite formulée avec éloquence.

Hygiène des hypothèses

Il faut faire preuve de rigueur en évitant les questions entachées d'hypothèses non examinées qui compromettent l'intégrité des réponses en raison d'a priori corrompus.

Les éthiciens des technologies soutiennent que nous devons appliquer une "hygiène des hypothèses", en examinant minutieusement les prémisses proposées par les questions pour s'assurer que les enquêtes ont des points de départ neutres, donnant aux modèles de langage une chance équitable de vérité, non entachée par des tropes intégrés que les visions du monde fondamentales pourraient rigidifier par une propagation incontestée.

Ils notent que l'étiquetage actif des domaines qui font encore l'objet de recherches expérimentales, d'un discours social ou d'une évolution conceptuelle permet aux modèles de naviguer de manière plus responsable en indiquant de manière véridique les régions qui ne font pas l'objet d'un consensus scientifique ou éthique définitif, plutôt que de suggérer indirectement, par le biais des formes de questions, que les questions bénéficient d'une base factuelle ou d'une résolution qui reste vivement débattue.

Cette transparence à l'égard des hypothèses douteuses est ensuite modélisée dans des résultats qui reconnaissent l'incertitude actuelle, le cas échéant, plutôt que de feindre la confiance dans des aspects encore établis par un examen rigoureux au fil des itérations successives de l'érudition.

Liste de contrôle des hypothèses

En formulant les questions :

• Examiner les questions à la recherche de fausses prémisses qui faussent l'orientation de l'enquête.
• Identifier les domaines qui font encore l'objet de recherches ou d'une résolution sociale
• Identifier les aspects spéculatifs en dehors de la science établie
• Éviter les formulations qui supposent des résultats qui font encore l'objet de recherches.
• Clarifier les limites des hypothèses nécessaires à la prise en compte des hypothèses.

Cette hygiène neutre des hypothèses préserve la vérité en permettant aux modèles de désigner de manière transparente les domaines encore en cours de développement conceptuel dans tous les domaines de la connaissance, alignant ainsi les affirmations des modèles de langage plus étroitement sur les réalités des découvertes en cours dans le monde humain.

Le questionnement précis permet une IA responsable

Le présent document a expliqué pourquoi un questionnement minutieux constitue la base nécessaire à un engagement responsable avec des modèles de langage capables, mais limités. Nous n'avons pas l'assurance que leurs résultats montreront systématiquement une compréhension approfondie allant au-delà des relations statistiques entre les mots. Leurs environnements de formation sont fondamentalement différents de l'expérience vécue par les humains, ce qui les prive d'un contexte intuitif.

Par conséquent, les personnes qui posent des questions consciencieuses jouent un rôle essentiel en limitant le champ d'application par des contraintes et une terminologie, minimisant ainsi le risque de générer des réponses trompeuses ou dangereuses résultant de questions imprécises ou ambiguës. L'établissement de définitions communes, l'énoncé clair des hypothèses et la définition des circonstances entourant les questions posées ouvrent la voie à des modèles qui produisent des réponses véridiques et pertinentes plutôt que des hallucinations improductives qui peuvent s'accélérer avec l'échelle.

Le pouvoir de l'IA d'améliorer la compréhension humaine dépend de notre prudence à orienter ces capacités vers des objectifs éthiques et fondés, en faisant preuve de vigilance dans l'élaboration de questions de haute qualité qui résistent aux erreurs d'interprétation ou qui ouvrent des voies sans garde-fous appropriés. Plutôt que de simplement coder de meilleurs modèles, l'amélioration des capacités de questionnement en gardant à l'esprit la précision et la neutralité offre un moyen complémentaire d'utiliser l'IA de manière responsable.

Les prochains articles s'appuieront sur les bases jetées ici en abordant des techniques plus approfondies pour les requêtes en plusieurs étapes, en évaluant les limites des modèles et en fournissant un retour d'information correctif sur les erreurs du système afin d'améliorer encore la qualité des questions et d'obtenir des réponses responsables de la part d'interlocuteurs compétents mais inhumains.

Glossaire

• Modèles linguistiques - systèmes d'IA formés sur de vastes ensembles de données textuelles pour générer un langage semblable à celui des humains et engager un dialogue. Manque de compréhension de base au-delà des statistiques.
• Ambiguïté - État ouvert à de multiples interprétations en raison du flou, de l'ambiguïté, des expressions idiomatiques, etc. du langage. Peut conduire les modèles à des réponses imprévisibles ou nuisibles.
• Tendance du dialogue à s'étendre progressivement au-delà des limites initiales et à prendre des tangentes improductives sans clarté.
• Contrainte - Une frontière ou une limite placée autour d'une question ou d'un problème à l'étude. Elle permet de réduire l'éventail des réponses attendues.
• Terminologie - Les mots et expressions précis utilisés pour articuler un concept ou un domaine de connaissance. Important pour éviter les malentendus.
• Idiomes - Expressions dans une langue qui n'ont pas de sens littéral, interprétable, mais qui ont une résonance culturelle. Peuvent embrouiller les modèles.
• Hypothèse - Scénario imaginaire ou spéculatif posé pour analyser les possibilités concernant un sujet.
• Hypothèse - prémisse ou croyance non formulée considérée comme vraie lorsqu'on pose une question ou qu'on encadre un problème. Elle doit être explicite.
• Contexte - Circonstances, événements ou facteurs contextuels entourant une question et influençant son interprétation et ses implications.
• Amorçage - Activation de concepts, de souvenirs ou d'associations spécifiques dans l'esprit grâce à une exposition préalable à un contenu et à une terminologie connexes. Facilite l'apprentissage.
• Hallucination - Lorsqu'un modèle produit des réponses qui semblent plausiblement cohérentes mais qui manquent d'exactitude factuelle par rapport à des événements ou des connaissances réels.