مواردی از مسیرهای مهندسی پرامپت دانش‌آموزان متوسطه EFL برای تکمیل یک وظیفه نوشتاری با ChatGPT

1. مقدمه

ChatGPT، یک چت‌بات هوش مصنوعی مولد پیشرفته (SOTA)، به دلیل پتانسیل خود برای تحول در آموزش، به ویژه در زمینه نوشتار 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 متوسطه EFL را هنگام تکمیل یک وظیفه نوشتاری با ChatGPT برای اولین بار بررسی می‌کند. از طریق یک مطالعه موردی از چهار مسیر متمایز، نویسندگان فرآیند آزمون و خطا را نشان می‌دهند و بر نیاز به آموزش صریح مهندسی پرامپت در کلاس‌های EFL تأکید می‌کنند.

2. مرور ادبیات

3. روش‌شناسی

4. یافته‌ها: چهار مسیر مهندسی پرامپت

5. بحث

6. جزئیات فنی و فرمول‌بندی ریاضی

مهندسی پرامپت را می‌توان به عنوان یک مسئله بهینه‌سازی مدل‌سازی کرد. فرض کنید $P$ فضای پرامپت، $O$ فضای خروجی، و $f: P \rightarrow O$ تابع ChatGPT باشد. هدف یافتن $p^*$ به گونه‌ای است که:

$$p^* = \arg\max_{p \in P} \, \text{Relevance}(f(p), T)$$

که در آن $T$ وظیفه نوشتاری هدف است. تابع ارتباط را می‌توان با شباهت کسینوسی بین بردار嵌入 خروجی و بردار嵌入 هدف در یک فضای معنایی (مانند Sentence-BERT) تقریب زد. در عمل، دانش‌آموزان به صورت تکراری $p$ را بر اساس $f(p)$ مشاهده شده به‌روزرسانی می‌کنند:

$$p_{t+1} = p_t + \alpha \cdot \nabla \text{Score}(f(p_t), T)$$

که در آن $\alpha$ نرخ یادگیری و Score یک معیار کیفیت اکتشافی است. این کار از صعود گرادیان در فضای نهفته پیروی می‌کند، اگرچه دانش‌آموزان این کار را به صورت شهودی انجام می‌دهند.

7. نتایج تجربی و توضیح نمودار

شکل 1: توزیع مسیرها

یک نمودار میله‌ای که فراوانی هر مسیر را نشان می‌دهد: مسیر A (3 دانش‌آموز)، مسیر B (4)، مسیر C (2)، مسیر D (3). نمودار نشان می‌دهد که اصلاح تکراری (B) رایج‌ترین بود، در حالی که تجزیه داربستی (C) کم‌رایج‌ترین اما مؤثرترین بود.

شکل 2: میانگین تعداد پرامپت‌ها به ازای هر مسیر

یک نمودار خطی: مسیر A (1.0 پرامپت)، B (4.5)، C (6.0)، D (8.3). نمودار نشان می‌دهد که پرامپت‌های بیشتر لزوماً با نتایج بهتر همبستگی ندارند؛ مسیر C از پرامپت‌های کمتری نسبت به D استفاده کرد اما کیفیت نوشتار بالاتری به دست آورد (ارزیابی شده توسط دو معلم EFL در مقیاس 1-5: میانگین C 4.2، میانگین D 2.8).

8. نمونه موردی چارچوب تحلیلی

مورد: دانش‌آموز S7 (مسیر C - تجزیه داربستی)

1. پرامپت 1: «یک طرح کلی برای یک پاراگراف درباره کتابخانه مورد علاقه‌ام به من بده. شامل مقدمه، جزئیات حسی، و اینکه چرا خاص است.»
2. خروجی ChatGPT: یک طرح کلی 3 نکته‌ای ارائه می‌دهد.
3. پرامپت 2: «نکته 2 (جزئیات حسی) را با استفاده از کلماتی مانند 'نجوا'، 'غبارآلود'، 'گرم' به 3 جمله گسترش بده.»
4. خروجی ChatGPT: جملات توصیفی تولید می‌کند.
5. پرامپت 3: «طرح کلی و جملات را در یک پاراگراف منسجم ترکیب کن. از یک لحن رسمی استفاده کن.»
6. خروجی نهایی: یک پاراگراف خوب ساختاریافته با نمره 4.5/5.

این مورد تجزیه وظیفه مؤثر و ویژگی‌گرایی زمینه‌ای را نشان می‌دهد.

9. کاربردها و جهت‌گیری‌های آینده

تحقیقات آینده باید موارد زیر را بررسی کند:

• راهنمایی خودکار پرامپت: ابزارهای هوش مصنوعی که بازخورد بلادرنگ در مورد کیفیت پرامپت ارائه می‌دهند (مثلاً «پرامپت شما بیش از حد مبهم است. سعی کنید لحن را مشخص کنید.»)
• مهندسی پرامپت بین‌زبانی: چگونه استراتژی‌ها برای EFL در مقابل سخنوران بومی متفاوت است.
• مطالعات طولی: پیگیری چگونگی تکامل مهارت‌های مهندسی پرامپت دانش‌آموزان در طول زمان.
• ادغام با برنامه‌های درسی نوشتار: توسعه طرح‌های درسی که مهندسی پرامپت را در کنار مهارت‌های نوشتاری سنتی آموزش می‌دهند.

10. تحلیل اصلی

این مطالعه با ترسیم تجربی چگونگی تعامل کاربران تازه‌کار EFL با ChatGPT، شکاف حیاتی بین آزمون و خطای شهودی و مهندسی پرامپت استراتژیک را آشکار می‌کند و سهمی به موقع دارد. چارچوب چهارمسیره یک ابزار آموزشی ارزشمند است، اما حجم نمونه کوچک و عدم کنترل برای مواجهه قبلی با هوش مصنوعی تعمیم‌پذیری آن را محدود می‌کند. یافته مبنی بر اینکه تجزیه داربستی (مسیر C) نتایج برتری به همراه دارد با نظریه بار شناختی (Sweller, 1988) همسو است، که بیان می‌کند شکستن وظایف پیچیده به بخش‌های قابل مدیریت، بار شناختی را کاهش داده و یادگیری را افزایش می‌دهد. با این حال، این مطالعه به بعد اخلاقی نمی‌پردازد: دانش‌آموزانی که برای تولید ایده به ChatGPT متکی هستند ممکن است ناخواسته سرقت ادبی کنند یا صدای خود را از دست بدهند. کار آینده باید آموزش اخلاق دیجیتال را در برنامه‌های درسی مهندسی پرامپت ادغام کند. علاوه بر این، فرمول‌بندی ریاضی بهینه‌سازی پرامپت (بخش 6) یک لنز دقیق ارائه می‌دهد، اما کاربرد عملی آن در محیط کلاس درس هنوز تأیید نشده است. برای حرکت به جلو، مربیان باید مهندسی پرامپت را نه به عنوان یک افزونه فنی، بلکه به عنوان یک مهارت سوادآموزی اصلی، مشابه سواد موتور جستجو (Head & Eisenberg, 2010) در نظر بگیرند. تنها در این صورت است که دانش‌آموزان می‌توانند از هوش مصنوعی به عنوان یک شریک مشارکتی استفاده کنند، نه یک عصا.

11. منابع

• Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry. American Psychologist, 34(10), 906–911.
• Guo, K., Woo, D. J., & Susanto, H. (2023). Exploring EFL students' prompt engineering strategies with ChatGPT. Computers & Education: Artificial Intelligence, 5, 100156.
• Head, A. J., & Eisenberg, M. B. (2010). How today's college students use the Web for research. Project Information Literacy Progress Report.
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
• Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL secondary students' prompt engineering pathways to complete a writing task with ChatGPT. Journal of Educational Computing Research, 61(4), 789–812.