EFL माध्यमिक छात्रों के ChatGPT के साथ लेखन कार्य पूरा करने के लिए प्रॉम्प्ट इंजीनियरिंग पथों के मामले

1. परिचय

ChatGPT, एक अत्याधुनिक (SOTA) जनरेटिव AI चैटबॉट, ने शिक्षा को बदलने की अपनी क्षमता के लिए अपार लोकप्रियता हासिल की है, विशेष रूप से अंग्रेजी एक विदेशी भाषा (EFL) लेखन संदर्भों में। हालाँकि, ChatGPT के साथ प्रभावी सहयोग के लिए छात्रों को प्रॉम्प्ट इंजीनियरिंग में महारत हासिल करने की आवश्यकता है - वांछित आउटपुट प्राप्त करने के लिए सटीक निर्देश तैयार करने का कौशल। यह पेपर पहली बार ChatGPT के साथ एक लेखन कार्य पूरा करते समय EFL माध्यमिक छात्रों के प्रॉम्प्ट की सामग्री और पैटर्न की जाँच करता है। चार विशिष्ट पथों के केस स्टडी के माध्यम से, लेखक परीक्षण-और-त्रुटि प्रक्रिया का वर्णन करते हैं और EFL कक्षाओं में स्पष्ट प्रॉम्प्ट इंजीनियरिंग शिक्षा की आवश्यकता पर प्रकाश डालते हैं।

2. साहित्य समीक्षा

3. कार्यप्रणाली

4. निष्कर्ष: चार प्रॉम्प्ट इंजीनियरिंग पथ

5. चर्चा

6. तकनीकी विवरण और गणितीय सूत्रीकरण

प्रॉम्प्ट इंजीनियरिंग को एक अनुकूलन समस्या के रूप में मॉडल किया जा सकता है। मान लीजिए $P$ प्रॉम्प्ट स्पेस है, $O$ आउटपुट स्पेस है, और $f: P \rightarrow O$ ChatGPT फ़ंक्शन है। लक्ष्य $p^*$ खोजना है जैसे कि:

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

जहाँ $T$ लक्ष्य लेखन कार्य है। प्रासंगिकता फ़ंक्शन को एक सिमैंटिक स्पेस (जैसे, Sentence-BERT) में आउटपुट एम्बेडिंग और लक्ष्य एम्बेडिंग के बीच कोसाइन समानता द्वारा अनुमानित किया जा सकता है। व्यवहार में, छात्र देखे गए $f(p)$ के आधार पर $p$ को पुनरावृत्तीय रूप से अपडेट करते हैं:

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

जहाँ $\alpha$ एक सीखने की दर है और स्कोर एक अनुमानी गुणवत्ता मीट्रिक है। यह अव्यक्त स्पेस में ग्रेडिएंट आरोहण को दर्शाता है, हालाँकि छात्र ऐसा सहज रूप से करते हैं।

7. प्रायोगिक परिणाम और आरेख विवरण

चित्र 1: पथों का वितरण

एक बार चार्ट जो प्रत्येक पथ की आवृत्ति दिखाता है: पथ A (3 छात्र), पथ B (4), पथ C (2), पथ D (3)। चार्ट इंगित करता है कि पुनरावृत्तीय परिशोधन (B) सबसे आम था, जबकि मचान-आधारित विघटन (C) सबसे कम आम लेकिन सबसे प्रभावी था।

चित्र 2: प्रति पथ प्रॉम्प्ट की औसत संख्या

एक रेखा ग्राफ: पथ A (1.0 प्रॉम्प्ट), B (4.5), C (6.0), D (8.3)। ग्राफ दर्शाता है कि अधिक प्रॉम्प्ट आवश्यक रूप से बेहतर परिणामों से संबंधित नहीं हैं; पथ C ने D की तुलना में कम प्रॉम्प्ट का उपयोग किया लेकिन उच्च लेखन गुणवत्ता प्राप्त की (दो EFL शिक्षकों द्वारा 1-5 पैमाने पर मूल्यांकन: C औसत 4.2, D औसत 2.8)।

8. विश्लेषणात्मक ढाँचा उदाहरण मामला

मामला: छात्र S7 (पथ C - मचान-आधारित विघटन)

1. प्रॉम्प्ट 1: "मेरी पसंदीदा लाइब्रेरी के बारे में एक पैराग्राफ के लिए एक रूपरेखा दें। परिचय, संवेदी विवरण और यह विशेष क्यों है शामिल करें।"
2. ChatGPT आउटपुट: एक 3-बिंदु रूपरेखा प्रदान करता है।
3. प्रॉम्प्ट 2: "बिंदु 2 (संवेदी विवरण) को 'फुसफुसाहट', 'धूल भरा', 'गर्म' जैसे शब्दों का उपयोग करके 3 वाक्यों में विस्तारित करें।"
4. ChatGPT आउटपुट: वर्णनात्मक वाक्य उत्पन्न करता है।
5. प्रॉम्प्ट 3: "रूपरेखा और वाक्यों को एक सुसंगत पैराग्राफ में संयोजित करें। एक औपचारिक लहज़े का उपयोग करें।"
6. अंतिम आउटपुट: एक अच्छी तरह से संरचित पैराग्राफ जिसने 4.5/5 स्कोर किया।

यह मामला प्रभावी कार्य विघटन और प्रासंगिक विशिष्टता को प्रदर्शित करता है।

9. भविष्य के अनुप्रयोग और दिशाएँ

भविष्य के शोध को निम्नलिखित का पता लगाना चाहिए:

• स्वचालित प्रॉम्प्ट कोचिंग: AI उपकरण जो प्रॉम्प्ट गुणवत्ता पर वास्तविक समय प्रतिक्रिया प्रदान करते हैं (जैसे, "आपका प्रॉम्प्ट बहुत अस्पष्ट है। लहज़ा निर्दिष्ट करने का प्रयास करें।")
• अंतर-भाषाई प्रॉम्प्ट इंजीनियरिंग: EFL बनाम देशी वक्ताओं के लिए रणनीतियाँ कैसे भिन्न होती हैं।
• अनुदैर्ध्य अध्ययन: समय के साथ छात्रों के प्रॉम्प्ट इंजीनियरिंग कौशल कैसे विकसित होते हैं, इसका ट्रैकिंग।
• लेखन पाठ्यक्रम के साथ एकीकरण: पाठ योजनाएँ विकसित करना जो पारंपरिक लेखन कौशल के साथ-साथ प्रॉम्प्ट इंजीनियरिंग सिखाती हैं।

10. मूल विश्लेषण

यह अध्ययन अनुभवजन्य रूप से यह मैप करके एक समयोचित योगदान देता है कि नौसिखिए EFL उपयोगकर्ता ChatGPT के साथ कैसे बातचीत करते हैं, जो सहज परीक्षण-और-त्रुटि और सामरिक प्रॉम्प्ट इंजीनियरिंग के बीच एक महत्वपूर्ण अंतर को प्रकट करता है। चार-पथ ढाँचा एक मूल्यवान शैक्षणिक उपकरण है, लेकिन छोटा नमूना आकार और पूर्व AI एक्सपोज़र के लिए नियंत्रण की कमी इसकी सामान्यीकरण क्षमता को सीमित करती है। यह निष्कर्ष कि मचान-आधारित विघटन (पथ C) बेहतर परिणाम देता है, संज्ञानात्मक भार सिद्धांत (Sweller, 1988) के अनुरूप है, जो मानता है कि जटिल कार्यों को प्रबंधनीय टुकड़ों में तोड़ने से संज्ञानात्मक बोझ कम होता है और सीखने में वृद्धि होती है। हालाँकि, अध्ययन नैतिक आयाम को संबोधित नहीं करता है: जो छात्र विचार निर्माण के लिए ChatGPT पर निर्भर करते हैं, वे अनजाने में साहित्यिक चोरी कर सकते हैं या अपनी आवाज़ खो सकते हैं। भविष्य के कार्य में प्रॉम्प्ट इंजीनियरिंग पाठ्यक्रम में डिजिटल नैतिकता प्रशिक्षण को एकीकृत करना चाहिए। इसके अलावा, प्रॉम्प्ट अनुकूलन का गणितीय सूत्रीकरण (धारा 6) एक कठोर लेंस प्रदान करता है, लेकिन कक्षा सेटिंग्स में इसकी व्यावहारिक प्रयोज्यता अप्रमाणित बनी हुई है। आगे बढ़ने के लिए, शिक्षकों को प्रॉम्प्ट इंजीनियरिंग को एक तकनीकी ऐड-ऑन के रूप में नहीं, बल्कि एक मुख्य साक्षरता कौशल के रूप में मानना चाहिए, जैसे सर्च इंजन साक्षरता (Head & Eisenberg, 2010)। तभी छात्र AI का उपयोग एक सहयोगी भागीदार के रूप में कर सकते हैं, न कि एक सहारे के रूप में।

11. संदर्भ

• 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.