فهرست مطالب
1. مقدمه
ChatGPT، یک ربات گفتگوی مولد پیشرفته (SOTA)، به دلیل پتانسیل خود برای دگرگونی آموزش، بهویژه در نوشتار زبان انگلیسی به عنوان زبان خارجی (EFL)، محبوبیت زیادی کسب کرده است. با این حال، همکاری مؤثر با ChatGPT مستلزم تسلط دانشآموزان بر مهندسی پرامپت است - مهارت ایجاد دستورالعملهای دقیق برای دریافت خروجیهای مطلوب. این مقاله محتوا و الگوهای پرامپتهای دانشآموزان دبیرستانی EFL را هنگام تکمیل یک تکلیف نوشتاری با ChatGPT برای اولین بار بررسی میکند. نویسندگان از طریق یک مطالعه موردی بر روی چهار مسیر متمایز، فرآیندهای آزمون و خطایی را که دانشآموزان طی میکنند، نشان میدهند و بر نیاز به آموزش صریح مهندسی پرامپت در کلاسهای درس EFL تأکید میکنند.
2. مرور ادبیات
2.1 مهندسی پرامپت در آموزش
مهندسی پرامپت یک مهارت حیاتی سواد هوش مصنوعی است (Long & Magerko, 2020). کاربران غیرفنی اغلب در ایجاد پرامپتهای مؤثر با مشکل مواجه میشوند که منجر به چرخههای آزمون و خطا میگردد. تحقیقات نشان میدهد که راهنمایی ساختاریافته میتواند کیفیت پرامپت و ارتباط خروجی را بهبود بخشد (Zamfirescu-Pereira et al., 2023).
2.2 نوشتار EFL با رباتهای گفتگو
رباتهای گفتگو مانند ChatGPT میتوانند با ارائه بازخورد بلاواسطه، تولید ایده و مدلسازی ساختارهای زبانی، از نوشتار EFL پشتیبانی کنند. با این حال، دانشآموزان باید یاد بگیرند که پرامپتها را به صورت تکراری اصلاح کنند تا با اهداف تکلیف هماهنگ شوند (Guo et al., 2023).
3. روششناسی
3.1 شرکتکنندگان و محیط
شرکتکنندگان 20 دانشآموز دبیرستانی EFL در هنگکنگ، با سنین 14 تا 16 سال و مهارت متوسط انگلیسی بودند. آنها برای اولین بار از ChatGPT روی آیپد برای نوشتن یک مقاله استدلالی 300 کلمهای استفاده کردند.
3.2 جمعآوری دادهها
دادهها از طریق ضبط صفحه نمایش آیپد جمعآوری شد که تمام پرامپتها و پاسخهای ChatGPT را ثبت میکرد. محققان همچنین مصاحبههای پس از انجام تکلیف را برای درک استدلال دانشآموزان انجام دادند.
3.3 چارچوب تحلیلی
تحلیل از رویکرد نظریه زمینهای برای دستهبندی پرامپتها بر اساس محتوا (مانند دستورالعمل، زمینه، قالب) و کمیت (تعداد پرامپتها در هر تکلیف) استفاده کرد. چهار مسیر متمایز از دادهها پدیدار شد.
4. نتایج: چهار مسیر مهندسی پرامپت
4.1 مسیر A: تکرار حداقلی
دانشآموزان از 2 تا 3 پرامپت کوتاه استفاده کردند (مانند "یک مقاله درباره آلودگی بنویس"). آنها به ندرت پرامپتها را بر اساس خروجی ChatGPT اصلاح میکردند که منجر به پاسخهای عمومی میشد. این مسیر نشاندهنده تعامل کم با مهندسی پرامپت است.
4.2 مسیر B: اصلاح پلکانی
دانشآموزان با یک پرامپت کلی شروع کردند، سپس محدودیتهای خاصی اضافه کردند (مانند "شامل سه استدلال و یک استدلال مخالف باشد"). آنها از 4 تا 6 پرامپت استفاده کردند که نشاندهنده بهبود تکراری در کیفیت خروجی بود.
4.3 مسیر C: کاوش واگرا
دانشآموزان با سبکهای مختلف پرامپت آزمایش کردند (مانند ایفای نقش، تغییرات قالب). آنها از 7 تا 10 پرامپت استفاده کردند اما فاقد یک استراتژی واضح بودند که منجر به خروجیهای ناسازگار شد.
4.4 مسیر D: تجزیه استراتژیک
دانشآموزان تکلیف را به زیرتکالیف تقسیم کردند (مانند "ابتدا یک طرح کلی تولید کن، سپس مقدمه را بنویس"). آنها از 8 تا 12 پرامپت با ویژگی بالا استفاده کردند و به منسجمترین و مرتبطترین مقالات دست یافتند.
5. بحث
5.1 بینش اصلی
این مطالعه نشان میدهد که مهندسی پرامپت دانشآموزان EFL بسیار متغیر است. تجزیه استراتژیک (مسیر D) بهترین نتایج را به همراه دارد، اما اکثر دانشآموزان به رویکردهای حداقلی یا واگرا تمایل دارند. این امر شکاف حیاتی در آموزش سواد هوش مصنوعی را برجسته میکند.
5.2 جریان منطقی
پیشرفت از مسیر A به D همبستگی واضحی بین پیچیدگی پرامپت و کیفیت خروجی نشان میدهد. با این حال، فقدان آموزش صریح به این معنی است که دانشآموزان به ندرت بدون راهنمایی به مسیر D میرسند.
5.3 نقاط قوت و ضعف
نقاط قوت: این مطالعه دادههای کیفی غنی را از محیطهای واقعی کلاس درس ارائه میدهد و بینشهای معتبری را در مورد رفتار دانشآموز ارائه میکند. نقاط ضعف: حجم نمونه کوچک (20=n) قابلیت تعمیمپذیری را محدود میکند. این مطالعه همچنین مواجهه قبلی با هوش مصنوعی را کنترل نمیکند.
5.4 بینشهای عملی
مربیان باید مهندسی پرامپت را در برنامههای درسی EFL ادغام کنند، به دانشآموزان تجزیه تکالیف، استفاده از محدودیتهای خاص و اصلاح تکراری پرامپتها را آموزش دهند. مدارس باید داربستهای ساختاریافته، مانند قالبهای پرامپت و بررسی همتایان پرامپتها را فراهم کنند.
6. تحلیل اصلی
این مطالعه با ترسیم تجربی چگونگی تعامل کاربران تازهکار EFL با ChatGPT، سهمی بهموقع دارد. چهار مسیر، یافتههای تحقیقات تعامل انسان و رایانه را بازتاب میدهد، جایی که کاربران اغلب در رفتارهای "رضایتبخش" (Simon, 1956) قرار میگیرند - پذیرش اولین خروجی قابل قبول به جای بهینهسازی. مسیر تجزیه استراتژیک با مفهوم "پرامپتنویسی زنجیرهای" (Wei et al., 2022) همسو است که استدلال را در مدلهای زبانی بزرگ بهبود میبخشد. با این حال، اتکای مطالعه به یک تکلیف نوشتاری واحد و حجم نمونه کوچک، اعتبار خارجی آن را محدود میکند. تحقیقات آینده باید مداخلات طولی را بررسی کند که مهندسی پرامپت را به عنوان یک مهارت فراشناختی آموزش میدهند. نویسندگان به درستی خواستار گنجاندن سواد هوش مصنوعی در برنامههای درسی EFL هستند، اما از ارائه یک چارچوب آموزشی مشخص خودداری میکنند. یک رویکرد عملیتر میتواند توسعه یک "روبریک مهندسی پرامپت" باشد که دانشآموزان را از استراتژیهای پایه به پیشرفته هدایت کند. علاوه بر این، این مطالعه به نگرانیهای اخلاقی، مانند اتکای بیش از حد به هوش مصنوعی یا سرقت ادبی، که در محیطهای آموزشی حیاتی هستند، نمیپردازد. با وجود این محدودیتها، این کار گام ارزشمند اولیهای در درک چگونگی یادگیری همکاری دانشآموزان با هوش مصنوعی مولد است.
7. جزئیات فنی و فرمولبندی ریاضی
مهندسی پرامپت را میتوان به عنوان یک مسئله بهینهسازی فرمولبندی کرد. فرض کنید $P$ مجموعه تمام پرامپتهای ممکن باشد و $O$ خروجی از ChatGPT با توجه به پرامپت $p \in P$ باشد. هدف دانشآموز یافتن $p^*$ است که کیفیت خروجی $Q(O)$ را با توجه به محدودیتهای تکلیف $C$ به حداکثر برساند:
$$p^* = \arg\max_{p \in P} Q(\text{ChatGPT}(p)) \quad \text{s.t.} \quad C(p) \leq \epsilon$$
در عمل، دانشآموزان یک جستجوی حریصانه انجام میدهند و به صورت تکراری $p_{t+1} = p_t + \Delta_t$ را بهروزرسانی میکنند، جایی که $\Delta_t$ یک اصلاح بر اساس خروجی قبلی است. چهار مسیر نشاندهنده استراتژیهای جستجوی مختلف هستند: مسیر A از $\Delta_t$ کوچک استفاده میکند، مسیر B از $\Delta_t$ ساختاریافته، مسیر C از $\Delta_t$ تصادفی و مسیر D از تجزیه سلسلهمراتبی استفاده میکند.
8. نتایج تجربی و شرح نمودار
شکل 1: نمای کلی مسیرهای مهندسی پرامپت
یک نمودار فلوچارت که چهار شاخه را از یک گره مرکزی با برچسب "تکلیف نوشتاری" نشان میدهد. هر شاخه نشاندهنده یک مسیر (A, B, C, D) با فلشهایی است که تکرارهای پرامپت را نشان میدهد. مسیر D زیرحلقههایی برای تولید طرح کلی، مقدمه، بدنه و نتیجهگیری را نشان میدهد. نمودار از کدگذاری رنگی استفاده میکند: قرمز برای مسیر A (حداقلی)، آبی برای B (داربستی)، سبز برای C (واگرا) و طلایی برای D (استراتژیک).
جدول 1: معیارهای کلیدی بر اساس مسیر
| مسیر | میانگین پرامپتها | کیفیت خروجی (1-5) | زمان (دقیقه) |
|---|---|---|---|
| A | 2.5 | 2.1 | 8 |
| B | 5.0 | 3.4 | 15 |
| C | 8.5 | 2.8 | 22 |
| D | 10.0 | 4.2 | 28 |
مسیر D به بالاترین کیفیت خروجی دست مییابد اما به زمان و پرامپت بیشتری نیاز دارد، که نشاندهنده یک مبادله بین کارایی و اثربخشی است.
9. مثال چارچوب تحلیلی
مثال موردی: دانشآموز S7 (مسیر D)
پرامپت 1: "یک طرح کلی سهنقطهای برای یک مقاله استدلالی درباره لباس فرم مدرسه تولید کن."
پرامپت 2: "یک پاراگراف مقدمه بر اساس طرح کلی بنویس. از یک قلاب و یک جمله پایاننامه واضح استفاده کن."
پرامپت 3: "اولین پاراگراف بدنه را گسترش بده. شامل یک جمله موضوع، شواهد و توضیح باشد."
پرامپت 4: "یک پاراگراف استدلال مخالف اضافه کن و آن را رد کن."
پرامپت 5: "یک نتیجهگیری بنویس که نکات اصلی را خلاصه کرده و پایاننامه را بازنویسی کند."
این استراتژی تجزیه، فرآیند نوشتاری آموزش داده شده در کلاسهای درس EFL را منعکس میکند و نشان میدهد که چگونه مهندسی پرامپت میتواند با بهترین شیوههای آموزشی همسو شود.
10. کاربردها و جهتگیریهای آینده
یافتهها به چندین جهت آینده اشاره میکنند: (1) توسعه برنامههای درسی سواد هوش مصنوعی که به صراحت تجزیه پرامپت و اصلاح تکراری را آموزش میدهند. (2) ادغام مهندسی پرامپت در برنامههای آموزش معلمان. (3) طراحی سیستمهای آموزشی تطبیقی که بازخورد بلاواسطه در مورد کیفیت پرامپت ارائه میدهند. (4) مطالعات طولی که چگونگی تکامل مهارتهای مهندسی پرامپت دانشآموزان را در طول زمان ردیابی میکنند. (5) بررسی چارچوبهای اخلاقی برای اطمینان از استفاده مسئولانه از هوش مصنوعی در آموزش. با فراگیر شدن هوش مصنوعی مولد، مهندسی پرامپت یک مهارت بنیادین، مشابه سواد دیجیتال در دهه 1990، خواهد بود.
11. منابع
- Guo, K., et al. (2023). Second language writing and AI chatbots. Computers & Education, 198, 104789.
- Long, D., & Magerko, B. (2020). What is AI literacy? Proceedings of the 2020 CHI Conference, 1-13.
- Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129-138.
- Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. NeurIPS 2022.
- Zamfirescu-Pereira, J. D., et al. (2023). Why Johnny can't prompt. Communications of the ACM, 66(8), 64-73.