You are not allowed to perform this action
ابزارهای مولد متن و مهندسی پرامپت
| مدرس: دکتر محمدحسین رهبان | دوره: هوش مصنوعی |
| زمان ارائه: TBD | گواهینامه: رسمی |
هدف کلی
هدف این درس، آشنایی دبیران با مدلهای زبانی بزرگ، قابلیتها و محدودیتهای آنها و شیوه استفاده مؤثر و مسئولانه از ابزارهای مولد متن در آموزش است. انتظار میرود فراگیر پس از پایان درس بتواند درکی مقدماتی از نحوه کار مدلهای زبانی و تولید احتمالی پاسخ داشته باشد، انواع ابزارهای مبتنی بر مدل زبانی را متناسب با نیاز آموزشی ارزیابی و انتخاب کند و با استفاده از اصول مهندسی پرامپت، درخواستهای دقیق و قابل استفاده برای فعالیتهای آموزشی طراحی نماید. همچنین فراگیر میآموزد چگونه از مدلهای زبانی بهعنوان دستیار طراحی درس، ابزار شخصیسازی یادگیری و مربی دانشآموز استفاده کند، برای استفاده دانشآموزان از هوش مصنوعی قواعد روشنی تعریف کند و خروجیهای مدل را از نظر صحت علمی، تناسب سنی، سوگیری، منبع و قابلیت اجرا در کلاس بررسی و اصلاح نماید.
سرفصلها
- آشنایی با مدلهای زبانی بزرگ و نحوه کار آنها
- مدل زبانی بهعنوان سامانه پیشبینی ادامه متن بر اساس احتمال
- تولید مرحلهبهمرحله پاسخ و تفاوت آن با «دانستن» انسانی
- آموزش اولیه مدل با استفاده از متن، کتاب، وب و کد
- تنظیم مدل برای تولید پاسخهای مفیدتر، ایمنتر و منظمتر
- نقش پرامپت و بازخورد کاربر در شکلگیری پاسخ
- ضرورت آشنایی دبیران با مدلهای زبانی و نقش معلم
- کاربرد مدلهای زبانی توسط دانشآموزان در تکلیف، توضیح، خلاصهسازی، ترجمه و ایدهپردازی
- استفاده دبیر از مدل برای تهیه پیشنویس طرح درس، تمرین و فعالیت
- تغییر ماهیت ارزشیابی از محصول نهایی به فرایند یادگیری
- ضرورت تعیین قواعد روشن برای استفاده دانشآموزان از هوش مصنوعی
- نقش معلم بهعنوان طراح فعالیت، داور کیفیت و مربی استفاده صحیح
- حفظ معلم در مرکز تصمیمگیری آموزشی
- قابلیتها، محدودیتها و مرز مسئولیت مدلهای زبانی
- ایدهپردازی برای شروع درس و فعالیتهای آموزشی
- تولید تمرین در سطوح مختلف و طراحی سؤال تشخیصی
- بازنویسی و سادهسازی متن برای پایهها و سطوح مختلف
- پیشنهاد مثالهای روزمره و متناسب با زمینه آموزشی
- اطلاعات نادرست، توهم و منابع جعلی
- سوگیری، کلیشه و نامتناسببودن خروجی با سن یا سطح دانشآموز
- پرهیز از واگذاری نمرهدهی نهایی، تشخیص قطعی ضعف یا تقلب، برچسبگذاری و تصمیمهای حساس به مدل
- انواع مدلها و ابزارهای مبتنی بر هوش مصنوعی
- ابزارهای عمومی برای ایدهپردازی، نگارش و بازنویسی
- ابزارهای دارای قابلیت کار با فایل، تصویر، وب و کد
- ابزارها و دستیارهای تخصصی آموزشی
- ابزارهای سازمانی با کنترل بیشتر بر دسترسی و داده
- انتخاب ابزار بر اساس سن دانشآموز، امنیت داده، امکان بازبینی توسط معلم و سازگاری با هدف آموزشی
- پرامپتهای ضعیف و قوی
- نقش ابهام و کمبود اطلاعات در کاهش کیفیت پاسخ
- مشخصکردن پایه و سن، هدف یادگیری و دانش قبلی
- مشخصکردن زمان، امکانات و شرایط کلاس
- تعیین قالب خروجی مورد انتظار
- کاهش حدسزدن مدل با ارائه زمینه و محدودیتهای کافی
- مهندسی پرامپت و طراحی درخواست حرفهای
- تعیین نقش، هدف، مخاطب، زمینه، محدودیتها، قالب خروجی و معیار کیفیت
- استفاده از پرامپت مرحلهبهمرحله برای ایدهپردازی، ساختاربندی، اصلاح و نقد
- نقشدادن به مدل برای تغییر زاویه دید و نوع پاسخ
- استفاده از مدل در نقش معلم، طراح آموزشی، منتقد یا دانشآموز
- درخواست نقد پاسخ قبلی از نظر دقت علمی، تناسب سنی، قابلیت اجرا و بدفهمیهای احتمالی
- اصلاح تدریجی پرامپت و بازبینی انسانی خروجی
- مدل زبانی بهعنوان دستیار طراحی درس
- استفاده از مدل پیش از کلاس برای طراحی طرح درس، مثال و سؤال تشخیصی
- اصلاح سطح، زمانبندی و فعالیتها در فرایند طراحی
- تولید تمرین جبرانی و تحلیل خطا پس از کلاس
- تبدیل خروجی اولیه مدل به طرح درس قابل اجرا
- تطبیق خروجی با کتاب درسی، سطح کلاس، امکانات و زمان
- افزودن تجربه معلم و مثالهای بومی به خروجی
- شخصیسازی یادگیری با مدلهای زبانی
- طراحی مسیرهای مختلف یادگیری برای یک هدف مشترک
- تغییر سطح دشواری تمرینها
- سادهسازی یا تغییر شیوه توضیح
- استفاده از داستان، تصویر ذهنی، بازی و مسئله برای پاسخ به تفاوتهای یادگیری
- پرهیز از برچسبزدن یا طبقهبندی ثابت دانشآموزان
- حفاظت از اطلاعات حساس و حفظ قضاوت نهایی توسط معلم
- مدل زبانی بهعنوان مربی دانشآموز
- استفاده از AI برای راهنمایی بهجای ارائه مستقیم پاسخ نهایی
- استفاده از سؤال راهنما، سرنخ کوتاه و توضیح مرحلهای
- طراحی پرامپتهایی که دانشآموز را به توضیح فرایند فکرکردن وادار میکنند
- حفظ نقش فعال دانشآموز در حل مسئله
- تعریف سیاست کلاسی برای استفاده مجاز، مشروط و نامجاز از هوش مصنوعی
- الزام به شفافیت در استفاده از AI در فعالیتهای آموزشی
- ارزیابی و صحتسنجی پاسخهای هوش مصنوعی
- بررسی سازگاری پاسخ با کتاب درسی و هدف آموزشی
- بررسی تناسب پاسخ با سن و سطح دانشآموز
- شناسایی خطای علمی، اطلاعات ساختگی و منابع جعلی
- بررسی اطمینان بیش از حد، سوگیری و کلیشه در پاسخ
- ارزیابی قابلیت اجرای پیشنهاد در کلاس واقعی
- درخواست دلیل و منبع از مدل و بررسی مستقل آنها توسط معلم
- بازطراحی ارزشیابی از محصولمحور به فرایندمحور
- توجه به پیشنویسها، پرامپتها، مراحل فکرکردن، دفاع شفاهی و بازتاب شخصی دانشآموز
ارزیابی
- پرسشهای چندگزینهای پایان هر بخش
- تمرینهای پرامپتنویسی
- آزمون پایانی
منابع
- P. Wentworth, J. Elkner, A. B. Downey, C. Meyers. How to Think Like a Computer Scientist: Learning with Python. 3rd Edition, Open Book Project, 2011.
- C. R. Severance. Python for Everybody: Exploring Data in Python 3. CreateSpace Independent Publishing Platform, 2016.