WildChat：実環境における100万件のChatGPTインタラクションログ

WildChat: 1M ChatGPT Interaction Logs in the Wild

May 2, 2024

著者: Wenting Zhao, Xiang Ren, Jack Hessel, Claire Cardie, Yejin Choi, Yuntian Deng

cs.AI

要旨

GPT-4やChatGPTなどのチャットボットは現在、数百万人のユーザーにサービスを提供しています。しかし、その広範な使用にもかかわらず、実際にこれらのツールがどのように使用されているかを示す公開データセットは不足しています。このギャップを埋めるため、私たちはオンラインユーザーにChatGPTの無料アクセスを提供し、その代わりにチャットの記録とリクエストヘッダーを匿名で収集するための同意を得ました。これにより、100万件のユーザーとChatGPTの会話からなるWildChatコーパスを構築しました。このコーパスは250万以上のインタラクションツーンで構成されています。WildChatを他の人気のあるユーザーとチャットボットのインタラクションデータセットと比較すると、私たちのデータセットは最も多様なユーザープロンプトを提供し、最も多くの言語を含み、研究者が研究するための潜在的に有害な使用例の最も豊富なバリエーションを提示しています。タイムスタンプ付きのチャット記録に加えて、州、国、ハッシュ化されたIPアドレス、リクエストヘッダーなどの人口統計データをデータセットに追加しました。この拡張により、異なる地理的領域や時間的次元にわたるユーザーの行動をより詳細に分析することが可能になります。最後に、広範な使用例を捕捉しているため、指示追従モデルのファインチューニングにおけるデータセットの潜在的な有用性を実証しました。WildChatは、AI2 ImpACTライセンスの下でhttps://wildchat.allen.aiで公開されています。

English

Chatbots such as GPT-4 and ChatGPT are now serving millions of users. Despite their widespread use, there remains a lack of public datasets showcasing how these tools are used by a population of users in practice. To bridge this gap, we offered free access to ChatGPT for online users in exchange for their affirmative, consensual opt-in to anonymously collect their chat transcripts and request headers. From this, we compiled WildChat, a corpus of 1 million user-ChatGPT conversations, which consists of over 2.5 million interaction turns. We compare WildChat with other popular user-chatbot interaction datasets, and find that our dataset offers the most diverse user prompts, contains the largest number of languages, and presents the richest variety of potentially toxic use-cases for researchers to study. In addition to timestamped chat transcripts, we enrich the dataset with demographic data, including state, country, and hashed IP addresses, alongside request headers. This augmentation allows for more detailed analysis of user behaviors across different geographical regions and temporal dimensions. Finally, because it captures a broad range of use cases, we demonstrate the dataset's potential utility in fine-tuning instruction-following models. WildChat is released at https://wildchat.allen.ai under AI2 ImpACT Licenses.