Uzinduzi wa vijisehemu vya kisasa zaidi (SOTA) vya mazungumzo ya AI vinavyozalisha maandishi kama ChatGPT umeleta mabadiliko makubwa katika usaidizi wa kujifunza lugha na uandishi. Tofauti na mifumo ya zamani iliyotegemea kanuni, mifumo hii, iliyojengwa kwenye miundo ya mtandao wa neva kama Transformer, inaweza kutoa maandishi yanayofuatana na yanayohusiana na muktadha. Kwa wanafunzi wenye Kiingereza kama Lugha ya Kigeni (EFL), hii inawapa zana yenye nguvu, lakini pia ngumu. Changamoto kuu inayotambuliwa katika utafiti huu ni uhandisi wa amri (prompt engineering)—ustadi wa kuunda maagizo madhubuti ili kuvuta matokeo yanayotaka kutoka kwa AI. Bila ustadi huu, watumiaji, haswa wanafunzi wasio na ujuzi wa kiteknolojia, hushushwa kwenye mchakato wa kuchoka wa kujaribu na kukosea, na hivyo kupunguza uwezo wake wa kufundisha.
Makala hii inachunguza tabia mpya za uhandisi wa amri (prompt engineering) kwa wanafunzi wa sekondari wenye Kiingereza kama Lugha ya Kigeni (EFL) wakitumia ChatGPT kwa mara ya kwanza kukamilisha kazi ya uandishi. Inapita mjadala wa kinadharia na kutoa uchunguzi wa kisayansi wa ubora wa kesi zinazochora njia tofauti za watumiaji.
Utafiti huu unatumia mbinu ya uchunguzi wa ubora wa kesi, ukichambua data halisi ya mwingiliano kutoka kwa watumiaji wapya.
Washiriki walikuwa wanafunzi wa sekondari wenye Kiingereza kama Lugha ya Kigeni (EFL) ambao hawakuwa na uzoefu rasmi wa awali wa kutumia vijisehemu vya mazungumzo vya kisasa (SOTA) kama ChatGPT. Utafiti ulikamata mchakato wao kupitia makumbukumbu ya skrini ya iPad walipokuwa wakishirikiana na AI kukamilisha kazi maalumu ya uandishi. Mbinu hii inatoa mtazamo wa msingi, usiochujwa, wa mchakato wa ushirikiano kati ya mwanadamu na AI.
Makumbukumbu ya skrini yalitafsiriwa na kuchambuliwa ili kuweka alama kwa:
Kutokana na uchambuzi huu, njia nne za kimsingi za watumiaji zilitambuliwa na kukuzwa kuwa uchunguzi wa kina wa kesi.
Uchambuzi ulibainisha mifumo minne tofauti ya tabia, inayowakilisha anuwai ya ukomavu wa uhandisi wa amri (prompt engineering).
Mwanafunzi huyu alitumia idadi ndogo sana ya amri (prompts) (mfano: 1-2). Amri ya kwanza mara nyingi ilikuwa tafsiri rahisi na ya moja kwa moja ya maagizo ya kazi (mfano: "Andika insha kuhusu mabadiliko ya tabianchi"). Alionyesha ushirikiano mdogo sana na matokeo ya AI, akikubali matokeo ya kwanza bila kuboresha au kuboresha kidogo. Njia hii inaangazia dhana potofu ya zana-kama-bahiri (tool-as-oracle), ambapo AI inaonekana kutoa jibu kamili la mwisho badala ya kuwa mshirika wa ushirikiano.
Mwanafunzi huyu alitumia idadi ya wastani ya amri (prompts) kwa mtiririko wa mstari, unaorudiwa. Alianza na amri (prompt) ya msingi, akapitia matokeo, na kutoa amri zinazofuata (follow-up commands) kwa uboreshaji maalum (mfano: "Fanya iwe ndefu zaidi," "Tumia maneno rahisi zaidi"). Njia hii inaonyesha uelewa unaokua wa usikivu wa AI kwa maagizo lakini bado iko ndani ya mfumo wa msingi wa kuomba marekebisho (revision-request).
Mwanafunzi huyu alitumia idadi kubwa zaidi ya amri (prompts) kwa mbinu ya kimkakati, yenye hatua nyingi. Anaweza kwanza kumuuliza AI "toa mawazo matatu ya awali kwa insha kuhusu X," kisha kuchagua moja, kisha kuomba muhtasari, na hatimaye kuomba rasimu kulingana na muhtasari huo. Njia hii inaonyesha mkakati wa juu zaidi wa kujitambua (meta-cognitive strategy), ukivunja mchakato wa uandishi na kutumia AI kwa usaidizi wenye muundo katika kila hatua.
Mwanafunzi huyu alitumia idadi kubwa ya amri (prompts) zenye tofauti kubwa lakini bila mkakati unaoonekana wazi. Amri (prompts) zilibadilika kwa kasi katika mwelekeo na mtindo (mfano: kutoka rasmi hadi ya kirafiki, kutoka pana hadi nyembamba) bila maendeleo yaliyo wazi. Njia hii inawakilisha majaribio yasiyo na muundo (unstructured experimentation) ambayo ni sifa ya uzoefu wa mwanzo, mara nyingi husababisha mkanganyiko na matumizi mabaya ya muda, ingawa wakati mwingine inaweza kutoa matokeo ya ubunifu.
Utafiti uligundua hakuna uhusiano rahisi kati ya idadi ya amri (prompts) na ubora wa matokeo ya mwisho. Njia C (Mwenye Kuuliza Kwa Muundo) mara nyingi ilitoa maandishi yanayofaa zaidi kwa kazi, si kwa njia ya amri (prompts) nyingi zaidi, bali kwa njia ya amri (prompts) zenye mkakati na ubora wa juu zaidi. Ubora ulifafanuliwa kwa usahihi, utoaji wa muktadha, na kuvunjika kwa kazi. Amri (prompt) moja iliyoundwa vizuri (mfano: "Andika insha ya kushawishi ya maneno 300 kwa gazeti la shule ukibishana kwa ajili ya mizamia zaidi ya kuchakata taka tena kwenye chuo, ukitumia takwimu mbili na wito wa hatua") inaweza kuzidi amri (prompts) kadhaa zisizo wazi.
Njia C (Iliyo na Muundo) ilitoa mara kwa mara rasimu za mwisho zilizopimwa juu zaidi na wakaguzi huru, licha ya kutumia zamu nyingi zaidi. Njia D (Kujaribu na Kukosea) ilikuwa na tofauti kubwa zaidi katika ubora wa matokeo.
Njia hizo zinaonyesha wazi viwango tofauti vya ujuzi wa AI usio wazi. Wanafunzi katika Njia A na D hawakuwa na mfano wa kiakili unaofanya kazi wa jinsi ChatGPT inavyochakata maombi. Kinyume chake, wanafunzi katika Njia B na C walionyesha uelewa unaokua wa AI kama mfumo wa nasibu unaofuata maagizo (stochastic, instruction-following system). Waligundua kwa urahisi kwamba pembejeo zilizo wazi zaidi, zenye muundo zaidi, husababisha matokeo yanayotabirika zaidi na muhimu zaidi. Ugunduzi huu unasaidia moja kwa moja wito kutoka kwa mashirika kama Jumuiya ya Kimataifa ya Teknolojia katika Elimu (ISTE) ya kuunganisha misingi ya ujuzi wa AI katika mitaala ya shule za msingi hadi sekondari (K-12).
Kuelewa njia hizi kunahitaji mtazamo wa kiufundi. ChatGPT na mifumo kama hiyo inategemea muundo wa Transformer na kimsingi ni vitabiri vya alama (token) inayofuata. Uwezekano wa kuzalisha mlolongo maalum wa matokeo $O$ ukizingatia amri (prompt) ya pembejeo $P$ unatabiriwa kama: $$P(O|P) = \prod_{t=1}^{|O|} P(o_t | P, o_1, ..., o_{t-1})$$ ambapo $o_t$ ni alama (token) katika nafasi $t$. Amri (prompt) ya mwanafunzi $P$ huweka muktadha wa kwanza na usambazaji wa uwezekano wa matokeo.
Mfano wa Mfumo wa Uchambuzi: Tunaweza kuiga kipindi cha uhandisi wa amri (prompt engineering) cha mwanafunzi kama mashine ya hali. Wacha Hali (S) iwe dirisha la sasa la muktadha wa mazungumzo (alama (tokens) $k$ za mwisho). Kitendo (A) ni amri (prompt) inayofuata ya mwanafunzi. Tuzo (R) ni manufaa yanayoonwa ya jibu la AI (mfano: alama ya kibinafsi kutoka 1-5). Lengo la mwanafunzi ni kujifunza sera $\pi$ inayounganisha hali na vitendo ili kuongeza jumla ya tuzo. Njia nne zinawakilisha sera tofauti, mara nyingi zisizo bora, za upelelezi wa tatizo hili la kujifunza kwa nguvu (reinforcement learning) linalokabiliwa na mtumiaji mwanadamu.
Maelezo ya Chati: Chati ya dhana ingeonyesha Usahihi wa Amri (Prompt Specificity) (Mhimili wa X) dhidi ya Kuvunjika kwa Kazi (Task Decomposition) (Mhimili wa Y). Njia A (Mwenye Msimamo Mdogo) ingekusanyika katika robo ya chini-chini. Njia D (Mpelelezi wa Kujaribu na Kukosea) ingeonyesha wingu lililotawanyika kwenye chati. Njia B (Mwenye Kuboresha Kwa Kurudia) ingeonyesha mwendo wa usawa kwenda kulia (kuongezeka kwa usahihi). Njia C (Mwenye Kuuliza Kwa Muundo) ingechukua robo ya juu-juu, ikionyesha usahihi wa juu na matumizi makubwa ya kuvunjika kwa kazi katika amri zao (prompts).
Maana Kuu: Kuwaacha wanafunzi wakigundue uhandisi wa amri (prompt engineering) kupitia kujaribu na kukosea hakuna ufanisi wa kielimu na sio sawa. Inawafaa wanafunzi ambao kiasili hukuza mawazo ya kimkakati (Njia C) na kuwadhuru wengine.
Mkakati Unaoweza Kutekelezwa: Mafundisho ya wazi, yaliyojengwa hatua kwa hatua ya uhandisi wa amri (prompt engineering) lazima yaunganishwe katika mbinu za ufundishaji wa uandishi wa EFL. Hii inajumuisha:
Utafiti wa Baadaye & Maendeleo:
Uelewa Muhimu: Utafiti huu sio kuhusu ChatGPT; ni ufunuo mkali wa mwanadamu asiyeandaliwa katika mzunguko wa maoni kati ya mwanadamu na AI. Zana hii ina uwezo mkubwa zaidi kuliko uwezo wa mtumiaji wa kuiongoza. Njia hizo nne sio tu tabia; ni alama za utambuzi wa aina mpya ya kutojua kusoma na kuandika kwa kidijitali. Pengo halisi la bidhaa sio LLM bora zaidi, bali tabaka bora zaidi la kiolesura cha mwanadamu ambalo linafundisha mkakati wa mwingiliano kwa wakati halisi.
Mtiririko wa Kimantiki: Makala hiyo inatambua kwa usahihi tatizo (kujaribu na kukosea ndio chaguo-msingi) na inatoa ushahidi mzuri, wa kisayansi kupitia uainishaji wa njia. Kuruka kwa kimantiki ambacho hufanya—na hii ni muhimu—ni kwamba tabia hizi za wanaoanza sio hatua ya muda mfupi. Bila kuingiliwa, Njia za Mwenye Msimamo Mdogo na Mpelelezi wa Kujaribu na Kukosea zinaweza kudumu kuwa mifumo ya kudumu, isiyo bora ya matumizi, na kuthibitisha usawa wa nguvu ambapo mtumiaji anaongozwa na chaguo-msingi cha zana badala ya kuiongoza. Hii inalingana na wasiwasi pana katika utafiti wa HCI, kama vile yale yanayojadiliwa katika kazi kuhusu "upendeleo wa otomatiki (automation bias)" na "kupungua kwa ustadi (skill decay)" katika mifumo iliyosaidiwa sana.
Nguvu na Kasoro: Nguvu yake ni mbinu yake iliyojikita, ya kutazama. Makumbukumbu ya skrini hayadanganyi. Kasoro kuu, iliyokubaliwa kwa njia isiyo wazi, ni kiwango. Njia nne kutoka kwa sampuli ndogo ni aina za kuvutia, sio jamii za mwisho. Utafiti pia unapita pembeni mwa tembo kwenye chumba: tathmini (assessment). Ikiwa Mwenye Msimamo Mdogo atapata daraja la kufaulu kutoka kwa mwalimu aliyechoka kutumia insha iliyozalishwa na AI, ni motisha gani atakuwa nayo ya kujifunza uhandisi wa amri (prompt engineering)? Mapendekezo ya kielimu ya makala yanategemea mfumo unaothamini mchakato zaidi kuliko bidhaa, ambayo mifumo mingi ya sasa ya tathmini ya kielimu haifanyi.
Uelewa Unaoweza Kutekelezwa: Kwa wawekezaji na wasanidi programu wa EdTech, hitimisho ni wazi: wimbi linalofuata la uundaji wa thamani liko katika ujenzi wa uhandisi wa amri (prompt engineering scaffolding). Fikiria Grammarly kwa amri (prompts)—kiambatisho kinachochambua amri ya kwanza isiyo wazi ya mwanafunzi na kupendekeza, "Jaribu kuongeza hadhira lengwa na hesabu ya maneno. Bonyeza hapa kuona mfano." Kwa wasimamizi wa shule, wajibu ni kufadhili maendeleo ya kitaaluma sio tu juu ya kutumia AI, bali pia juu ya kufundisha mbinu za kufundisha ya kushirikiana na AI. Utafiti huu unatoa ushahidi kamili wa kubishania kwa ajili ya bajeti hiyo. Hatimaye, kwa watafiti, mfumo wa njia ni lenzi inayoweza kurudiwa. Tumia kwa wataalamu wanaotumia AI kwa upangaji wa kificho (GitHub Copilot), ubunifu, au utafiti wa kisheria. Ninatabiri utapata aina hizo nne za msingi, ukithibitisha hili ni changamoto ya msingi ya mwingiliano wa mwanadamu na kompyuta, sio tu suala la EFL.