LLMの学習において；人間の指示に対する回答の「質」をランク付けし；それを報酬として強化学習させる手法はどれか。

強化学習において；エージェントが「どの状態（State）でどの行動（Action）を取るべきか」を決定する確率分布を何と呼ぶか。