مطالعه موردی: مسیرهای مهندسی پرامپت دانش‌آموزان دبیرستانی زبان انگلیسی به عنوان زبان خارجی با ChatGPT برای تکالیف نوشتاری

1. مقدمه

ظهور چت‌بات‌های هوش مصنوعی مولد پیشرفته (SOTA) مانند ChatGPT، هم فرصت‌ها و هم چالش‌هایی را برای آموزش، به ویژه در یادگیری زبان، به همراه آورده است. این مقاله بررسی می‌کند که چگونه دانش‌آموزان دبیرستانی زبان انگلیسی به عنوان زبان خارجی (EFL)، به عنوان کاربران مبتدی، درگیر مهندسی پرامپت — مهارت تدوین دستورالعمل برای هوش مصنوعی — برای تکمیل یک تکلیف نوشتاری می‌شوند. مسئله اصلی این است که همکاری مؤثر با ChatGPT امری شهودی نیست؛ این کار مستلزم مهارتی اکتسابی است که بسیاری از دانش‌آموزان فاقد آن هستند و منجر به فرآیندهای ناکارآمد آزمون و خطا می‌شود. هدف این مطالعه ترسیم مسیرهای متنوعی است که دانش‌آموزان طی می‌کنند، با تحلیل محتوا، کیفیت و تکامل پرامپت‌های آنان، تا راهبردهای آموزشی برای ادغام سواد هوش مصنوعی در کلاس نوشتار EFL را روشن سازد.

2. روش‌شناسی

این پژوهش از رویکرد مطالعه موردی کیفی استفاده می‌کند. داده‌ها از ضبط صفحه نمایش آی‌پد دانش‌آموزان دبیرستانی EFL در هنگ‌کنگ که برای اولین بار از ChatGPT و چت‌بات‌های مشابه SOTA برای تکمیل یک تکلیف نوشتاری استاندارد استفاده می‌کردند، جمع‌آوری شد. تحلیل بر بررسی دقیق پرامپت‌های تولیدشده توسط دانش‌آموزان، توالی آن‌ها (مسیرها) و خروجی‌های متناظر هوش مصنوعی متمرکز بود. این مطالعه بر اساس الگوهای تعامل، پیچیدگی پرامپت و رویکرد راهبردی، چهار مسیر آرکی‌تیپال متمایز را شناسایی کرد.

3. مطالعات موردی: چهار مسیر مهندسی پرامپت

تحلیل چهار الگوی تعامل اولیه را آشکار کرد که سطوح مختلفی از درگیری و تفکر راهبردی را نشان می‌دهند.

4. نتایج و تحلیل

5. بحث: پیامدها برای آموزش سواد هوش مصنوعی

این مطالعه تأکید می‌کند که استفاده مؤثر از ChatGPT یک مهارت اکتسابی است، نه یک توانایی ذاتی. شیوع مسیرهای مینیمالیستی و تکراری ناکارآمد در میان مبتدیان، نشان‌دهنده شکافی حیاتی در آموزش فعلی است. نویسندگان استدلال می‌کنند که آموزش مهندسی پرامپت صریح باید در برنامه‌های درسی EFL ادغام شود. این امر دانش‌آموزان را فراتر از آزمون و خطا می‌برد و آن‌ها را با چارچوب‌هایی برای تدوین دستورالعمل‌های واضح، اختصاص نقش‌ها، مشخص کردن قالب‌ها و پالایش تکراری خروجی‌ها مجهز می‌کند — و هوش مصنوعی را از یک پیشگوی جعبه سیاه به یک ابزار مشارکتی تبدیل می‌کند.

6. چارچوب فنی و تحلیل

از منظر فنی، مهندسی پرامپت با توابع احتمالاتی مدل زبانی زیربنایی تعامل دارد. یک پرامپت خوش‌ساخت $P$، مدل $M$ را هدایت می‌کند تا از ناحیه‌ای محدودتر و مطلوب‌تر از توزیع خروجی آن $D$ برای یک زمینه $C$ نمونه‌برداری کند. این فرآیند را می‌توان به طور انتزاعی به عنوان بیشینه‌سازی احتمال شرطی یک دنباله خروجی مطلوب $O$ نشان داد:

$O^* = \arg\max_{O} P(O | C, P, M)$

در حالی که یک پرامپت مبهم آنتروپی را در $D$ افزایش می‌دهد و منجر به خروجی‌های کلی می‌شود، یک پرامپت خاص با محدودیت‌ها (نقش، قالب، سبک) آنتروپی را کاهش می‌دهد و $M$ را به سمت یک $O^*$ هدفمندتر هدایت می‌کند. مسیرهای دانش‌آموزان به طور مؤثر نشان‌دهنده راهبردهای مختلف برای دستکاری این احتمال شرطی از طریق دستورالعمل‌های زبان طبیعی هستند.

مثال چارچوب تحلیل

سناریو: یک دانش‌آموز می‌خواهد ChatGPT به او کمک کند تا یک پاراگراف متقاعدکننده درباره بازیافت بنویسد.

• پرامپت ضعیف (آنتروپی بالا): "درباره بازیافت بنویس."
  تحلیل: مدل حداقل محدودیت را دارد و احتمالاً یک مرور کلی و سبک دایره‌المعارفی تولید می‌کند.
• پرامپت قوی (آنتروپی پایین): "به عنوان یک مدافع محیط زیست عمل کن. یک پاراگراف متقاعدکننده 80 کلمه‌ای خطاب به نوجوانان بنویس که آن‌ها را به بازیافت بطری‌های پلاستیکی متقاعد کند. از لحنی مستقیم و فوری استفاده کن و یک آمار را شامل شو."
  تحلیل: این پرامپت نقش (مدافع)، مخاطب (نوجوانان)، هدف (متقاعد کردن)، تمرکز محتوا (بطری‌های پلاستیکی)، طول (80 کلمه)، لحن (مستقیم، فوری) و عنصر (آمار) را مشخص می‌کند. این امر توزیع خروجی مدل را به شدت محدود می‌کند.

7. کاربردهای آتی و جهت‌های پژوهشی

یافته‌ها چندین مسیر برای کارهای آینده باز می‌کنند:

• مربیان پرامپت سازگارشونده: توسعه مربیان مبتنی بر هوش مصنوعی که پرامپت دانش‌آموز را تحلیل کرده و بازخورد بلادرنگ درباره چگونگی بهبود آن ارائه می‌دهند (مثلاً "سعی کن مخاطب خود را مشخص کنی").
• مطالعات طولی: ردیابی چگونگی تکامل مهارت‌های مهندسی پرامپت دانش‌آموزان در طول زمان با و بدون آموزش رسمی.
• مقایسه‌های بین‌فرهنگی و زبانی: بررسی اینکه آیا راهبردهای مهندسی پرامپت در بین زبان‌ها و زمینه‌های آموزشی فرهنگی متفاوت است.
• ادغام با آموزش نوشتار: پژوهش درباره چگونگی بافت چارچوب‌های مهندسی پرامپت در مدل‌های فرآیند نوشتار موجود (پیش‌نویسی، طرح‌ریزی، بازنگری).
• ابعاد اخلاقی و انتقادی: گسترش سواد هوش مصنوعی فراتر از کارایی، به منظور شامل کردن ارزیابی انتقادی خروجی‌های هوش مصنوعی، تشخیص سوگیری و استفاده اخلاقی.

8. منابع

1. Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL Secondary Students’ Prompt Engineering Pathways to Complete a Writing Task with ChatGPT. Manuscript in preparation.
2. Caldarini, G., Jaf, S., & McGarry, K. (2022). A Literature Survey of Recent Advances in Chatbots. Information, 13(1), 41.
3. Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16.
4. OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.
5. Zhao, W. X., et al. (2023). A Survey of Large Language Models. arXiv preprint arXiv:2303.18223.
6. The Stanford Center for AI Safety. (n.d.). AI Literacy. Retrieved from https://aisafety.stanford.edu/ai-literacy