هوش مصنوعی | متن کامل رایگان | مهندسی سریع برای ایجاد دانش: استفاده از زنجیره فکری برای حمایت از ایده های قابل ارتقای دانش آموزان

۱٫ مقدمه

ما فرض می‌کنیم که رویکرد زنجیره‌ای از فکر (CoT) در مهندسی سریع، روشی دقیق‌تر و روشن‌تر برای حمایت از ایده‌های دانش‌آموزان در یک محیط ایجاد دانش فراهم می‌کند، بنابراین ظرفیت دانش‌آموزان را برای تولید و بهبود ایده‌ها و در عین حال افزایش کلی می‌دهد. کیفیت گفتمان دانش‌سازی که با استفاده از LLM تسهیل می‌شود. اهمیت این توسعه در این است که چگونه یک رویکرد فقط اعلان می‌تواند امکانات بیشتری را برای کار بدون مجموعه داده‌های آموزشی بزرگ و توانایی یک مدل نقطه بازرسی واحد برای انجام بسیاری از وظایف بدون از دست دادن کلیت را آشکار کند. با استفاده از زنجیره فکری برای ایجاد دانش و استدلال عقل سلیم، این کار قصد دارد به حوزه هوش مصنوعی کاربردی برای اهداف آموزشی کمک کند.

۲٫ پیشینه و ادبیات

۳٫ مواد و روشها

۴٫ نتایج

در مجموع ۷۲۱ نوبت گفتمان مورد بررسی قرار گرفت و ۲۷۲ جفت پرسش-پاسخ حاوی محتوای مرتبط با بحث در مورد پایداری یافت شد. این نشان می‌دهد که ۷۹ درصد پست‌های دانش‌آموز مرتبط بوده و سایر چرخش‌های گفتمان یا صحبت‌های پیش پا افتاده یا معمولی بوده و بنابراین تحلیل نشده‌اند. در بین زوج‌های پرسش و پاسخ مربوطه، ۱۴۹ موضوع بحث دانشجویی با حداقل عمق موضوع ۳ یافت شد و طولانی‌ترین موضوع در عمق ۹ دارای سه شرکت‌کننده مختلف بود.

۵٫ بحث و محدودیت

تحریک CoT به عنوان یک جایگزین مناسب برای برانگیختن رفتار استدلال چند مرحله ای در LLM برای اهداف ایجاد دانش مورد بررسی قرار گرفته است. برای حوزه خاص استدلال عقل سلیم که با حوزه‌های ایجاد دانش و دانش‌سازی همسو است، یافته‌ها نشان می‌دهند که تمرکز فقط بر دستیابی به اهداف عقل سلیم نیست، بلکه به دست آوردن بهبود کیفیت محتوا و ایده‌های تولید شده توسط LLM است. افزایش تنوع ایده ها که به دانش آموزان اجازه می دهد کار خود را بهبود بخشند. این از یافته‌های ما مشهود است، و بحث زیر تفاوت‌های بین این دو تصویر را توضیح خواهد داد.

در تصویر اول، از یک سو، پاسخی که توسط دانش آموز ایجاد شده توسط انسان به عنوان پاسخی مستقیم می بینیم که ساده است و بحث بعدی را آغاز می کند. با این حال، کمبود محتوا و محتوایی در برانگیختن افکار عمیق‌تر است که ممکن است به دیگران در بهبود ایده‌هایشان کمک کند. از سوی دیگر، پاسخ تولید شده توسط LLM نه تنها پاسخی دقیق و دقیق‌تر است، بلکه از نمونه‌های CoT برای هدایت پاسخ و ارائه دلایلی در مورد اینکه چرا گوشت‌های گیاهی انتشار گازهای گلخانه‌ای کمتری تولید می‌کنند نیز استفاده می‌کند. LLM همچنین پیامدهای اضافی و توضیحات بیشتری ایجاد کرد، اگرچه اینها ضمانت نداشتند، اما احتمالاً این ویژگی نیز بود که LLM تصمیم گرفت در خروجی خود قرار دهد.

در تصویر دوم، زمانی که نمونه‌های اضافی با درخواست CoT در پاسخ اصلی A1 گنجانده شد، خروجی تولید شده توسط LLM تفاوت قابل‌توجهی را نشان می‌دهد که نمونه‌های CoT می‌توانند در تشویق LLM برای تولید خروجی بسیار متنوع‌تر و با کیفیت‌تر ایجاد کنند. علاوه بر ارائه توضیحات بیشتر برای پرداختن به این سوال، خروجی حاصل از ماهیت پیش‌بینی‌کننده‌تر و حتی تجویزی‌تر شد، با پیشنهاداتی که به نحوه آموزش مردم درباره رفتار مسئولانه در اطراف حیات وحش می‌تواند به کاهش تعاملات منفی کمک کند.

بعلاوه، اگرچه نمونه‌هایی از داده‌های گفتمان واقعی دانش‌آموز ارائه کرده‌ایم، بعید است که اکثر دانش‌آموزان بتوانند در هنگام اجرای چند شات از نمونه‌های CoT پرس و جو کنند، اما این امکان وجود دارد که به دانش‌آموزان بر این اساس در مورد نحوه استفاده از آن آموزش داده شود. LLM به شیوه ای مناسب و برای هدف مورد نظر. با این حال، این به این معنی است که استفاده از CoT برای افزایش پرسش‌های دانش‌آموزان ممکن است بسیار دشوار باشد و باید در این مرحله به صورت دستی انجام شود، در حالی که مقیاس‌بندی درخواست‌های CoT ممکن است نیاز به بلوغ فناوری یا تجدید نظر در مورد تعداد کمی داشته باشد. فرآیندهای شات در نهایت می تواند به تعمیم صفر شات تبدیل شود که می تواند به عنوان بخشی از یادگیری تقویتی عمیق انجام شود. آخرین، اما نه کم‌اهمیت، CoT به دلیل LLM‌ها می‌تواند مورد استفاده قرار گیرد و این امکان وجود دارد که استفاده از آن در حال حاضر در سایر برنامه‌های هم‌زمان که از مدل‌های کوچک‌تر استفاده می‌کنند به دلیل محدودیت هزینه و سایر منابع مادی، بازدارنده باشد.

۶٫ نتیجه گیری

این مطالعه چشم‌اندازی در مورد اینکه چگونه دانش‌آموزان و حتی مربیان می‌توانند از LLM برای حمایت از فرآیندهای ایجاد دانش و دانش‌سازی از طریق استفاده از نمونه‌های چندتایی افزوده شده به CoT بهره ببرند، ارائه کرده است. اگرچه درخواست‌ها به‌صورت دستی پیرامون پرسش‌های معتبر دانش‌آموزان ساخته شده‌اند، نتایج نشان می‌دهد که در این محیط‌های آموزشی معتبر نیز است که تحریک CoT پاسخ‌های بهبود یافته‌ای را ایجاد می‌کند که روشن‌تر از پاسخ‌های دانش‌آموزان است، که از نظر محتوا و دامنه محدود هستند.

به طور کلی، ممکن است، اما غیرمعمول است که برخی از دانش‌آموزان بتوانند سؤالاتی را انجام دهند که قبلاً شبیه به چند ضربه CoT است تا به یادگیری کمک کند. بنابراین، ما از طریق این مطالعه پیشنهاد می کنیم که رویکرد کلی استفاده از CoT برای پرس و جو می تواند بخشی از سواد لازم و داربست مورد نیاز برای نوشتن و ایجاد سوالاتی باشد که برای اهداف ایجاد دانش و دانش سازی حیاتی هستند.

مراجع

1. هادی، MU; قریشی، ر. شاه، ع. عرفان، م. ظفر، ع. شیخ، MB; اختر، ن. وو، جی. میرجلیلی، س. بررسی مدل‌های زبان بزرگ: کاربردها، چالش‌ها، محدودیت‌ها و کاربرد عملی. TechRxiv2023; پیش چاپ. [Google Scholar] [CrossRef]
2. پااوولا، اس. لاسه، ال. کای، اچ. مدل‌های جوامع دانش نوآورانه و سه استعاره از یادگیری. کشیش. Res. 2004، ۷۴۵۵۷–۵۷۶٫ [Google Scholar] [CrossRef]
3. بریتر، سی. مارلین، اس. یادگیری کار خلاقانه با دانش. در محیط‌های یادگیری قدرتمند: بازگشایی اجزا و ابعاد اساسی; De Erik, C., Lieven, V., Noel, E., Jeroen Van, M., Eds. چاپ پرگامون: آکسفورد، انگلستان، ۲۰۰۳; pp. 55-68. [Google Scholar]
4. Scardamalia، M. CSILE/ انجمن دانش^®. در آموزش و فناوری: یک دایره المعارف; ABC-CLIO: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۴; ص ۱۸۳-۱۹۲٫ [Google Scholar]
5. هاکاراینن، ک. پااوولا، اس. کانگاس، ک. Seitamaa-Hakkarainen، P. دیدگاه های اجتماعی در مورد یادگیری مشارکتی: به سوی ایجاد دانش مشارکتی. در کتابچه راهنمای بین المللی یادگیری مشارکتی; Cindy, H.-S., Clark, C., Carol, C., O'Donnell, A., Eds.; Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۳; صص ۵۷-۷۳٫ [Google Scholar]
6. لی، AVY؛ Tan, SC ایده های امیدوارکننده برای پیشرفت جمعی دانش جمعی با استفاده از تجزیه و تحلیل زمانی و تجزیه و تحلیل خوشه ای. J. یاد بگیرید. مقعدی ۲۰۱۷، ۴۷۶-۱۰۱٫ [Google Scholar] [CrossRef]
7. لیو، وی. لیدیا، BC دستورالعمل های طراحی برای مهندسی سریع مدل های تولیدی متن به تصویر. در مجموعه مقالات کنفرانس CHI 2022 در مورد عوامل انسانی در سیستم های محاسباتی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، ۲۹ آوریل ۲۰۲۲؛ صص ۱-۲۳٫ [Google Scholar]
8. Rae, JW; بورگو، اس. کای، تی. میلیکن، ک. هافمن، جی. آهنگ، اف. اصلانیدس، ج. هندرسون، اس. حلقه، آر. جوان، اس. و همکاران مقیاس‌بندی مدل‌های زبان: روش‌ها، تجزیه و تحلیل و بینش از آموزش گوفر. arXiv 2021arXiv:2112.11446. [Google Scholar] [CrossRef]
9. کاب، ک. کوساراجو، وی. باواریا، م. چن، ام. جون، اچ. قیصر، ال. پلپرت، ام. توورک، جی. هیلتون، جی. ناکانو، آر. و همکاران آموزش تایید کننده ها برای حل مسائل ریاضی. arXiv 2021arXiv:2110.14168. [Google Scholar] [CrossRef]
10. براون، تی. مان، بی. رایدر، ن. سببیه، م. کاپلان، جی دی. ذریوال، ص. Neelakantan، A. شیام، پ. ساستری، جی. آسکل، آ. و همکاران مدل‌های زبان، یادگیرنده‌های کمی هستند. Adv. عصبی Inf. فرآیند. سیستم ۲۰۲۰، ۳۳۱۸۷۷-۱۹۰۱٫ [Google Scholar]
11. وایت، جی. فو، س. هایس، اس. سندبورن، م. اولیا، سی. گیلبرت، اچ. النشر، ع. اسپنسر اسمیت، جی. Schmidt, DC کاتالوگ الگوی سریع برای بهبود مهندسی سریع با chatgpt. arXiv 2023arXiv:2302.11382. [Google Scholar] [CrossRef]
12. لیو، پی. یوان، دبلیو. فو، جی. جیانگ، ز. هایاشی، ح. Neubig, G. Pre-train, prompt, and predict: یک بررسی سیستماتیک از روش های تحریک در پردازش زبان طبیعی. کامپیوتر ACM. Surv. 2023، ۵۵۱-۳۵٫ [Google Scholar] [CrossRef]
13. وی، جی. وانگ، ایکس. شوورمنز، دی. بوسما، م. شیا، اف. چی، ای. Le، QV; ژو، دی. برانگیختن زنجیره‌ای از فکر، استدلال را در مدل‌های زبانی بزرگ برمی‌انگیزد. Adv. عصبی Inf. فرآیند. سیستم ۲۰۲۲، ۳۵۲۴۸۲۴–۲۴۸۳۷٫ [Google Scholar]
14. دوست خوب، من. پوگت آبادی، ج. میرزا، م. خو، بی. وارد-فارلی، دی. اوزایر، س. کورویل، آ. Bengio، Y. شبکه های متخاصم مولد. اشتراک. ACM 2020، ۶۳۱۳۹-۱۴۴٫ [Google Scholar] [CrossRef]
15. Westerlund، M. ظهور فناوری دیپ فیک: یک بررسی. تکنولوژی نوآوری. مدیریت کشیش ۲۰۱۹، ۹۳۹-۵۲٫ [Google Scholar] [CrossRef]
16. اوپارا، ای. Mfon-Ette ترزا، A. Aduke، TC ChatGPT برای آموزش، یادگیری و تحقیق: چشم‌اندازها و چالش‌ها. گلوب. آکادمی J. Humanit. Soc. علمی ۲۰۲۳، ۵۳۳-۴۰٫ [Google Scholar]
17. لی، ا. Vwen، Y. پیشروی با هوش مصنوعی مولد برای یادگیری: پیمایش چالش‌ها و فرصت‌ها با ۵Ts و ۳Rs. آسیا پک J. Educ. 2024، ۴۴۸۱-۹۳٫ [Google Scholar] [CrossRef]
18. لی، AVY؛ قهوهای مایل به زرد، SC; Teo، CL با استفاده از هوش مصنوعی مولد برای گفتمان دانشجویی و ایجاد دانش پایدار طراحی و تمرین می کند. یادگیری هوشمند. محیط زیست. ۲۰۲۳، ۱۰۵۹٫ [Google Scholar] [CrossRef]
19. Halaweh, M. ChatGPT در آموزش: راهبردهایی برای اجرای مسئولانه. تحقیر کردن آموزش دهید تکنولوژی ۲۰۲۳، ۱۵ep421. [Google Scholar] [CrossRef] [PubMed]
20. لستر، بی. الرفو، ر. ثابت، N. قدرت مقیاس برای تنظیم سریع پارامتر کارآمد. arXiv 2021arXiv:2104.08691. [Google Scholar] [CrossRef]
21. ژانگ، ز. ژانگ، ا. لی، ام. اسمولا، الف. ایجاد زنجیره خودکار افکار در مدل های زبان بزرگ. arXiv 2022arXiv:2210.03493. [Google Scholar] [CrossRef]
22. شوم، ک. دیائو، اس. Zhang, T. افزایش خودکار و انتخاب سریع با زنجیره ای از افکار از داده های برچسب دار. arXiv 2023arXiv:2302.12822. [Google Scholar] [CrossRef]
23. تالمور، ا. هرزیگ، جی. لوری، ن. Berant, J. CommonsenseQA: پرسشی در پاسخ به چالشی که دانش عام را هدف قرار می دهد. arXiv 2018arXiv:1811.00937. [Google Scholar] [CrossRef]
24. وانگ، ایکس. وی، جی. شوورمنز، دی. لی، کیو. چی، ای. نارنگ، س. خودسازگاری زنجیره استدلال فکری را در مدل های زبانی بهبود می بخشد. arXiv 2022arXiv:2203.11171. [Google Scholar] [CrossRef]
25. ایوانز، جی. شهود و استدلال: دیدگاه دو فرآیندی. روانی شرکت ۲۰۱۰، ۲۱۳۱۳-۳۲۶٫ [Google Scholar] [CrossRef]
26. قهوهای مایل به زرد، SC; چان، سی. Bielaczyc، K. ما، ال. اسکاردامالیا، م. بریتر، سی. ساخت دانش: همسویی آموزش با نیازهای ایجاد دانش در عصر دیجیتال. آموزش. تکنولوژی Res. توسعه دهنده ۲۰۲۱، ۶۹۲۲۴۳-۲۲۶۶٫ [Google Scholar] [CrossRef]
27. اسکاردامالیا، ام. مسئولیت شناختی جمعی برای پیشرفت دانش. در آموزش لیبرال در یک جامعه دانش; دادگاه آزاد: شیکاگو، IL، ایالات متحده آمریکا، ۲۰۰۲; صص ۶۷-۹۸٫ [Google Scholar]
28. لیو، ایکس. وو، زی. وو، ایکس. لو، پی. چانگ، KW; فنگ، ی. آیا lms قادر به استدلال آماری و علی مبتنی بر داده است؟ محک زدن استدلال کمی پیشرفته با داده ها arXiv 2024arXiv:2402.17644. [Google Scholar] [CrossRef]