Vaka Çalışması: İngilizceyi Yabancı Dil Olarak Öğrenen Ortaokul Öğrencilerinin Yazma Görevleri için ChatGPT ile Komut Mühendisliği Yolları

1. Giriş

ChatGPT gibi en son teknoloji (SOTA) üretken yapay zeka sohbet robotlarının ortaya çıkışı, özellikle dil öğreniminde eğitim için hem fırsatlar hem de zorluklar sunmaktadır. Bu makale, İngilizceyi Yabancı Dil olarak öğrenen (EFL) ortaokul öğrencilerinin, acemi kullanıcılar olarak, bir yazma görevini tamamlamak için yapay zekaya talimat verme becerisi olan komut mühendisliği ile nasıl etkileşime girdiğini araştırmaktadır. Temel sorun, ChatGPT ile etkili işbirliğinin sezgisel olmamasıdır; bu, birçok öğrencinin sahip olmadığı, öğrenilmiş bir beceri gerektirir ve verimsiz deneme-yanılma süreçlerine yol açar. Bu çalışma, öğrencilerin izlediği çeşitli yolları haritalandırmayı, komutlarının içeriğini, kalitesini ve evrimini analiz ederek, yapay zeka okuryazarlığını EFL yazma sınıfına entegre etmek için pedagojik stratejilere ışık tutmayı amaçlamaktadır.

2. Metodoloji

Bu araştırma nitel bir vaka çalışması yaklaşımı kullanmaktadır. Veriler, Hong Kong'daki ortaokul EFL öğrencilerinin standart bir yazma görevini tamamlamak için ilk kez ChatGPT ve benzeri SOTA sohbet robotlarını kullanırken iPad ekran kayıtlarından toplanmıştır. Analiz, öğrencilerin oluşturduğu komutların, bunların sıralamalarının (yollarının) ve karşılık gelen yapay zeka çıktılarının ayrıntılı bir şekilde incelenmesine odaklanmıştır. Çalışma, etkileşim örüntüleri, komut karmaşıklığı ve stratejik yaklaşıma dayanarak dört farklı arketipik yol tanımlamıştır.

3. Vaka Çalışmaları: Dört Komut Mühendisliği Yaklaşımı

Analiz, farklı düzeylerde katılım ve stratejik düşünmeyi temsil eden dört birincil etkileşim örüntüsü ortaya çıkarmıştır.

4. Sonuçlar & Analiz

5. Tartışma: Yapay Zeka Okuryazarlığı Eğitimi için Çıkarımlar

Çalışma, ChatGPT'yi etkili kullanmanın doğuştan gelen bir yetenek değil, öğrenilmiş bir beceri olduğunu vurgulamaktadır. Acemiler arasında minimalist ve verimsiz yinelemeli yaklaşımların yaygınlığı, mevcut eğitimde kritik bir boşluğa işaret etmektedir. Yazarlar, açık komut mühendisliği eğitiminin EFL müfredatlarına entegre edilmesini savunmaktadır. Bu, öğrencileri deneme-yanılmanın ötesine taşıyarak, onlara net talimatlar formüle etme, roller atama, formatlar belirleme ve çıktıları yinelemeli olarak iyileştirme çerçeveleri sağlayacak—yapay zekayı kara kutu bir kahinden işbirlikçi bir araca dönüştürecektir.

6. Teknik Çerçeve & Analiz

Teknik bir perspektiften, komut mühendisliği altta yatan dil modelinin olasılık fonksiyonları ile etkileşime girer. İyi hazırlanmış bir komut $P$, model $M$'yi, belirli bir bağlam $C$ için çıktı dağılımı $D$'nin daha kısıtlı ve arzu edilen bir bölgesinden örneklem almaya yönlendirir. Süreç, istenen bir çıktı dizisi $O$'nun koşullu olasılığını maksimize edecek şekilde soyut olarak temsil edilebilir:

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

Belirsiz bir komut $D$'de entropiyi artırarak genel çıktılara yol açarken, kısıtlamalar (rol, format, stil) içeren spesifik bir komut entropiyi azaltarak $M$'yi daha hedefli bir $O^*$'a yönlendirir. Öğrencilerin yaklaşımları, bu koşullu olasılığı doğal dil talimatları aracılığıyla manipüle etmek için farklı stratejileri etkin bir şekilde temsil etmektedir.

Analiz Çerçevesi Örneği

Senaryo: Bir öğrenci, geri dönüşüm hakkında ikna edici bir paragraf yazmaya yardım etmesi için ChatGPT'yi kullanmak istiyor.

• Zayıf Komut (Yüksek Entropi): "Geri dönüşüm hakkında yaz."
  Analiz: Modelin asgari kısıtlamaları vardır, muhtemelen geniş, ansiklopedi tarzı bir genel bakış üretir.
• Güçlü Komut (Düşük Entropi): "Bir çevre savunucusu olarak hareket et. Gençleri plastik şişeleri geri dönüştürmeye ikna etmeyi amaçlayan, doğrudan ve acil bir ton kullanan, bir istatistik içeren ikna edici 80 kelimelik bir paragraf yaz."
  Analiz: Bu komut rolü (savunucu), hedef kitleyi (gençler), hedefi (ikna etmek), içerik odağını (plastik şişeler), uzunluğu (80 kelime), tonu (doğrudan, acil) ve unsuru (istatistik) belirtir. Modelin çıktı dağılımını önemli ölçüde daraltır.

7. Gelecek Uygulamalar & Araştırma Yönleri

Bulgular, gelecekteki çalışmalar için çeşitli yollar açmaktadır:

• Uyarlanabilir Komutlandırma Öğreticileri: Bir öğrencinin komutunu analiz eden ve nasıl iyileştirileceği konusunda gerçek zamanlı geri bildirim sağlayan yapay zeka destekli öğreticilerin geliştirilmesi (örn., "Hedef kitlenizi belirtmeyi deneyin").
• Boylamsal Çalışmalar: Öğrencilerin komut mühendisliği becerilerinin zaman içinde, resmi eğitimle ve eğitimsiz olarak nasıl evrildiğinin takip edilmesi.
• Kültürlerarası & Dilsel Karşılaştırmalar: Komut mühendisliği stratejilerinin diller ve kültürel eğitim bağlamları arasında farklılık gösterip göstermediğinin araştırılması.
• Yazma Pedagojisi ile Entegrasyon: Komut mühendisliği çerçevelerinin mevcut yazma süreci modellerine (ön yazma, taslak oluşturma, gözden geçirme) nasıl entegre edilebileceği üzerine araştırma.
• Etik & Eleştirel Boyutlar: Yapay zeka okuryazarlığını verimliliğin ötesine, yapay zeka çıktılarının eleştirel değerlendirmesini, önyargı tespitini ve etik kullanımı içerecek şekilde genişletmek.

8. Kaynakça

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