۱۰ روش استفاده از چت جی پی تی (ChatGPT) برای یادگیری بهتر

از خوانندگان مقاله های قبلی خواستم تا نحوه استفاده از مدل‌های زبانی بزرگ (LLM) مانند ChatGPT را برای یادگیری و مطالعه به اشتراک بگذارند.

در این اینجا، برخی از این پیشنهادها را جمع‌آوری کرده­ام و سعی کرده­ام توصیه‌هایی را برای استفاده از این ابزارها برای یادگیری بهتر ترکیب کنم.

نقاط قوت و ضعف LLM ها

استفاده از برنامه هایی مانند چت جی پی تی نیاز به دقت دارد. بخشی از مشکل این است که توانایی های مکالمه انسان مانند چت جی پی تی می تواند فریبنده باشد.

احساس اینکه دارید با یک شخص واقعی صحبت می‌کنید، شما را تشویق می‌کند که به مکالمه‌ های آن عادت کنید.

به عنوان مثال، معمولا انتظار داریم که مردم معمولی حقایق علمی را به وجود آورند. با این حال، مدل‌های بزرگ زبان، معمولا با ارائه پاسخ‌های روان که ممکن است کاملا اشتباه باشند، این باور را نقض می‌کنند. توانایی فراشناختی برای دانستن چیزهایی که نمی دانید در این برنامه ها توسعه نیافته است.

انتظار دیگری که داریم این است که مهارت های کلامی آن سایر جنبه های هوش مصنوعی را پوشش میدهد.

ما انتظار نداریم کسی همزمان بتواند شکسپیر را بخواند، محاسبات کوانتومی را توضیح دهد، و قضیه اعداد اول را اثبات کند، و بتواند بشمارد. بنابراین، رفتار ساده لوحانه با LLM ها مانند یک فرد واقعا باهوش و آگاه، احتمالا نتیجه معکوس خواهد داشت.

جدا از این، چت جی پی تی به وضوح برای کارهای مختلفی میتواند مفید باشد.

سایمون ویلیسون پیشنهاد می‌کند که LLM را به‌عنوان “ماشین حسابی برای کلمات” در نظر بگیرید.

ابزاری که می‌تواند کارهای مفیدی را با متن ها انجام دهد و یک یک فرد هوشمند نیست.

من با او موافق هستم. هر چه بیشتر با LLM ها کار کنیم، بیشتر می توانیم از قابلیت های جدید آن بدون خطا و اشتباه استفاده کنیم.

۱۰ روش یادگیری موثر با ChatGPT

پس از دریافت ده‌ها ایمیل از مخاطبانم در مورد اینکه چگونه شخصا از چت جی پی تی برای یادگیری استفاده می‌کنند، نکاتی را از این ایمیل ها جمع آوری کرده­ام که با شما در میان می­گذارم

1. سقراط شخصی خود را داشته باشید.

تاکنون، رایج ترین استفاده از LLM به عنوان یک معلم خصوصی بوده است.

درخواست از ChatGPT برای توضیح مفاهیم پیچیده، کدها یا مسائل ناآشنا به نظر می رسد موردی است که LLM ها می توانند به خوبی عمل کنند. جایگزین خبره (یک متخصص انسانی) بسیار گران است و کمبودهایی نیز دارد.

اگر این کار را برای یک کلاس یا کتاب درسی انجام دهید، خطر اشتباهات نیز کاهش می یابد زیرا هنوز منبعی برای مقایسه دارید. به جای اینکه همه چیزهایی را که هوش مصنوعی می‌گوید واقعیت در نظر بگیرید، توضیحاتی را که با مطالبی که در کتاب خوانده‌اید همخوانی ندارند، به چالش بکشید.

2. صحبت کردن به زبان های جدید را تمرین کنید.

متداول ترین روش بعدی که مردم از LLM برای یادگیری بهتر استفاده می کردند، معلم زبان بود. به نظر می رسد این کاری است که LLM ها برای آن به خوبی مجهز هستند. اشکالات آنها هرچه که باشد، می توانند متن درستی از نظر گرامری تولید کنند.

بسیاری از مردم مکالمات خود را با چت جی پی تی تنظیم می کنند تا هوش مصنوعی بتواند برای زبانی که می آموزند از آن کمک بخواهند. به احتمال زیاد، این توضیحات ممکن است ناقص باشند، اما مربیان انسانی اغلب گزارش های نادرستی از دستور زبان و واژگانی که موفق به استفاده ماهرانه می شوند ارائه می دهند.

کاربرد دیگر، بازنویسی متون است تا لحن ساده تری داشته باشد. خوانندگان سطح بندی شده و آماده یادگیری خواندن به زبان های دیگر هستند. متاسفانه، مطالب اغلب پراکنده یا کسل کننده هستند. شما می توانید از یک LLM برای تغییر متنی که می خواهید بخوانید به چیزی مناسب با فهم شما استفاده کنید.

به نظر می رسد Duolingo در حال ورود به دنیای LLM ها هست.

3. خلاصه ای از متون طولانی تر ایجاد کنید.

خلاصه نویسی حوزه دیگری است که به نظر می رسد LLM ها در آن برتری دارند. اپلیکیشن هایی در حال حاضر برای تولید خلاصه مقالات یا موضوعات تحقیقاتی وجود دارد.

چندین خواننده گفتند که از این ابزارهای هوش مصنوعی برای ارائه خلاصه مطالب خواندنی قابل توجه خود استفاده می کنند و به آنها کمک می کند پیشرفت های جدیدی به دست آورند.

خلاصه‌های خوب، به‌ویژه آن‌هایی که به‌خوبی با نیازهای خاص شما تنظیم شده‌اند، ممکن است راه خوبی برای پیمایش بارهای اطلاعاتی زیادی باشد که اغلب در کار دانش با آن مواجه هستیم.

می‌توانید از آن برای اولویت‌بندی اسنادی برای خواندن بهتر و عمیق تر استفاده کنید یا برای سازماندهی مطالب ناآشنا استفاده کنید.

به نظر می رسد ChatGPT قادر به باز کردن لینک ها برای خلاصه کردن مستقیم نیست، اما اغلب با متون معروفی مانند آنچه در بالا استفاده کردم، عملکرد خوبی دارد.

4. کار با اسناد طولانی

LLM ها همچنین می توانند به شما در “پرسیدن سوالات” از متون طولانی تر کمک کنند.

به عنوان مثال، هنگام خواندن یک مقاله علمی، می توانید به سرعت حجم نمونه را ببینید. Consensus این کار را در حالی انجام می دهد که منابع را ارائه می دهد، بنابراین زمانی که بتوانید به راحتی کار LLM را دوباره بررسی کنید، خطر اشتباهات کاهش می یابد.

در حالی که در اینجا کاربردهای بیشتری وجود دارد، من گمان می کنم که توانایی پرسیدن سوالات به زبان طبیعی از اسناد و دریافت پاسخ با منابع، ابزار مفیدی برای برخورد با متون بزرگ است.

با این اوصاف، شما باید آماده باشید که پاسخ های LLM را بررسی کنید.

به عنوان مثال، در زیر، من از ChatGPT خواستم تا شواهدی را فهرست کند که از دستورالعمل‌های کاملا هدایت‌شده پشتیبانی می‌کنند، و آن مقاله مروری توسط مایر را به من ارائه کرد. اما به اشتباه ادعا کرد که مایر یک متا آنالیز کار است، که اینطور نیست. در واقع، این مقاله حتی یک مرور ادبیاتی جامع نیست، بلکه به سادگی به سه مورد برجسته از شکست یادگیری اکتشافی می پردازد.

اگر این پاسخ به صورت موثر در نظر گرفته شود، می‌تواند گمراه‌کننده باشد، اما اگر بدانید چه متنی را تغییر می‌دهد، بررسی کار هوش مصنوعی نسبتا آسان است.

5. متون را در سطوح مختلف تویحی بازنویسی کنید.

یک مشکل عمده در پیروی از تفکر تخصصی این است که بیشتر متون در سطوح تخصصی برای متخصصان نوشته شده است. مفاهیم غیر قابل توضیح هستند اصطلاحات فراوانی در آن وجود دارند. یعنی بیشتر مردم باید به مترجمانی یا نویسندگان علمی تکیه کنند که آنچه کارشناسان فکر می‌کنند را در قالبی خواناتر ارائه ‌دهند.

به نظر می رسد در اینجا دو رویکرد برای استفاده از ابزارهای هوش مصنوعی وجود دارد. یکی از آنها به سادگی از یک LLM می خواهد که یک مفهوم رایج را با عبارت ساده تر توضیح دهد، مانند: “محاسبات کوانتومی را توضیح بده، انگار من یک دانش آموز کلاس هشتمی هستم.” دیگری ارائه متن یا توضیح به چت جی پی تی و درخواست از هوش مصنوعی برای بازنویسی آن به شیوه ای قابل فهم تر است.

6. اصطلاحات ناآشنا را حذف کنید.

چندین سال پیش، یادم می‌آید که مقاله تایلر کاون را خواندم و از استفاده زیاد او از اصطلاح “اشتراوس” برای توصیف ایده‌ها گیج شدم. در گوگل جستجو کردم ولی هیچ نتیجه ای به دست نیاوردم.

پس از تحقیقات فراوان، معنای این اصطلاح را به صورت “مطالعه دقیق اندیشه‌های متفکران برجسته، جستجوی معنای واقعی اندیشه‌­ی آنها، که به دلیل سانسور رایج و ارتدکس فکری، نمی‌توانستند دقیق آن را بیان کنند” فهمیدم.

اگر چت جی پی تی در آن زمان وجود داشت، می توانستم این کار را بکنم:

بسیاری از خوانندگان مزایای مشابهی را در استفاده از LLM برای کشف اصطلاحات و اصطلاحات مورد استفاده در یک جامعه خاص یافتند، به نحوی که تعاریف فرهنگ لغت اغلب قادر به توضیح آن نیستند.

7. برنامه های مطالعاتی ایجاد کنید.

این کاربرد من را شگفت زده کرد. به نظر می رسد مردم دوست دارند از هوش مصنوعی استفاده کنند تا به آنها بگویند چگونه و چه زمانی از آن یاد بگیرند.

به عنوان مثال، برخی از خوانندگان از ChatGPT خواستند یک موضوع یادگیری پیچیده را بررسی کند و به آنها یک برنامه درسی بدهد.

دیگران ترجیح دادند حتی فراتر از اینها بروند و از ChatGPT خواستند تا با توجه به محدودیت های روز برای آنها برنامه ای برای مطالعه ایجاد کند.

من به LLM ها اعتماد ندارم تا برنامه درسی خوبی طراحی شده برای یک موضوع به من بدهد.

اما اگر چیزی کاملا جدید یاد می گرفتم، ممکن است نقطه شروع مناسبی باشد.

گاهی اوقات سخت ترین بخش یادگیری یک رشته جدید، و حل چیزی است که به نظر می رسد یک مسئله غیرقابل حل است.

به طور مشابه، گاهی اوقات دانستن زمان مطالعه می تواند به غلبه بر ترس از شروع کار کمک کند.

در حالی که یادگیری مهارت‌ها ممکن است خوب باشد، چت جی پی تی هنوز با ایجاد لیست‌های خواندن، ترکیب کردن کتاب‌ها و مراجع مشکل دارد.

بنابراین، در حالی که ممکن است برای بررسی یک یادگیری  خوب باشد، من هنوز به آن اعتماد ندارم که منابع خوبی به من بدهد.

8. برای ابزارهایی که فراموش شده یا کم استفاده می شوند، کاربردهای تازه ارائه دهید.

برنامه نویسان بزرگترین گروه حرفه ای بودند که به درخواست من پاسخ دادند. نمی توانم بگویم آیا این به این دلیل است که برنامه نویسی به طور منحصر به فردی برای LLM ها مناسب است یا به این دلیل که برنامه نویسان، به عنوان یک گروه، بیشتر از ابزارهای نرم افزاری جدید استفاده می کنند.

مزایای آن برای برنامه نویسان آشکار به نظر می رسد. من این روزها زیاد کد نمی نویسم، بنابراین از این ویژگی LLM استفاده نکرده ام.

اما از آنجایی که بسیاری از کدنویسی ها معمولی هستند، داشتن یک ابزار ایجاد پیش نویس برای یک الگوریتم به وضوح باعث صرفه جویی در زمان زیادی می شود.

در حالی که افرادی وجود دارند که هیچ دانش برنامه‌نویسی ندارند و برای ساخت برنامه‌ها به خروجی هوش مصنوعی تکیه می‌کنند، من گمان می‌کنم کار اشکال‌زدایی و نگهداری کد برای آن‌ها مشکل باشد.

در مقابل، یک برنامه نویس خبره می تواند خروجی چت جی پی تی را برای زبانی که به خوبی بلد است، به کار نبرد و به این ترتیب اشکال زدایی کمتری خواهد داشت.

جایی که به نظر می رسد LLM ها واقعا خوب کار می کنند، به عنوان یک برنامه نویس است. بسیاری از برنامه نویسان به من گفتند که هوش مصنوعی را برای استفاده از نکات یا استفاده از ابزارهای ناآشنا مفید می دانند.

پایه تجربه برنامه نویسی به آنها اجازه می داد تا خروجی را درک کرده و پیاده سازی کنند، اما ناآشنایی آنها با زبان اصلی باعث شد که هوش مصنوعی در زمان زیادی صرفه جویی کند.

9. فلش کارت تولید کنید.

فلش کارت یک ابزار یادگیری قدرتمند است.

ولی ساختن آنها می تواند دردسرساز باشد. برخی از خوانندگان گفتند که از ChatGPT برای تولید فلش کارت برای موضوعاتی که در حال یادگیری هستند استفاده می کنند.

این به خوبی نشان دهنده LLM به عنوان یک “ماشین حساب برای کلمات” است. بنابراین، با پرامپت ‌های صحیح، می‌توانید نتایج نسبتا خوبی را به دست آورید.

مشروط بر اینکه مطالبی را که می‌خواهید مشاهده کنید به صورت فلش کارت تبدیل شده وارد کنید و انتظار نداشته باشید که LLM به خودی خود حقایق را بفهمد.

با این حال، با توجه به دشواری ساختن فلش کارت های “خوب”، من هیچ کدام را بدون بررسی اولیه آنها وارد نمی کنم.

با این وجود، ساختن فلش کارت ها خسته کننده است، بنابراین دریافت اولین پیش نویس که بعدا آن را بررسی می کنم، ممکن است روند را به میزان قابل توجهی سرعت بخشد.

اگر درستی کارت ها را قبل از قرار دادن آنها تایید کنید، اشتباه های آن ها محدود میشود.

10. از آن برای سازماندهی یادداشت های خود استفاده کنید.

به عنوان کسی که تحقیقات زیادی انجام می دهد، معمولا وقت زیادی را برای یافتن جای یادداشت هایم تلف می کنم. رابرت مارتین هم همین مشکل را دارد. جستجو از طریق کلمات کلیدی دشوار است زیرا گاهی اوقات نمی توانید اصطلاح دقیقی را که استفاده کرده اید به خاطر بسپارید، حتی اگر معنی آن ها یکسان باشد.

این مشکل با استفاده از قابلیت embedding LLM قابل حل است. اگرچه این ابزار کاملا  از چت جی پی تی استفاده نمی کند، اما این ابزار از همان تکنیک‌های پردازش زبان طبیعی استفاده می کند و به جای تطابق دقیق کلمات کلیدی، یادداشت‌هایی با محتوای معنایی مشابه را پیدا می کند.

LLM های شخصی شده که روی هارد دیسک شما هستند و به داده های موجود شما دسترسی دارند ممکن است ارزشمند باشند. من دوست دارم چیزهایی را جستجو کنم که می دانم آن ها را ذخیره کرده ام، اما نمی توانم کاملا به یاد بیاورم کجا آن ها را ذخیره کرده ام.

کارهایی که نباید انجام داد

1. انتظار نداشته باشید که هوش مصنوعی حقایق را به درستی بفهمد.

LLM ها معمولا چیزهایی را ب وجود می آورند. اگر برای دادن پاسخ های صحیح به ChatGPT وابسته باشید، توهمات آن ممکن است مشکل ساز باشد.

LLM ها از نظر حقایق به کیفیت ویکی‌پدیا نرسیده‌اند، و ما هنوز اطلاعات زیادی در مورد اینکه چه زمانی احتمالا پاسخ درستی دریافت می‌کنند و چه زمانی می‌توانند مطالبی درستی ایجاد کنند را نداریم.

در حال حاضر، به نظر می رسد بهتر است از آنها برای موقعیت هایی استفاده کنید که نیاز به پاسخ نادرست حداقل است، یا به این دلیل که می توانید آن را در یک منبع تایید شده جستجو کنید، یا به دلیل اینکه استفاده شما از هوش مصنوعی ماهیت واقعی ندارد.

2. انتظار نداشته باشید که هوش مصنوعی استنادات را به درستی استفاده کند.

در حالی که LLM ها معمولا حقایق را به درستی به کار نمی برند، اما در دریافت صحیح نقل قول ها اصلا کارکرد خوبی ندارند.

من از LLM برای هیچ تحقیقی که لازم بود استناد کنم استفاده نمی‌کنم، و همیشه منابعی را که ارائه می‌کند دوباره بررسی می‌کنم.

به طور مشابه، من از یک LLM نمی‌خواهم فهرست مطالعه یا ارجاعاتی به کتاب‌ها یا نویسندگان خاص به من بدهد (مگر اینکه نویسندگان کاملا مشهور بوده و در مجموعه داده‌ها به خوبی نشان داده شده‌اند).

3. از هوش مصنوعی انتظار نداشته باشید که از ریاضیات به درستی استفاده کند.

من معتقدم که نسبت دادن هوش عمومی به LLMها بر اساس توانایی آنها در انجام بسیاری از وظایف در سطح انسانی یا فراتر از آن، اشتباه است. همانند ربات‌های شطرنج و طبقه‌بندی‌کننده‌های تصویر، فناوری LLM در مقایسه با آنچه از انسانی که در آزمون‌های شفاهی امتیاز مشابهی کسب کرده است، بسیار محدود است.

یکی از یافته‌های روان‌شناسی این است که بسیاری از استدلال‌ها توسط زیرسیستم‌های متفاوتی در مغز نسبت به زیرسیستم‌های اختصاص داده شده به زبان انجام می‌شود. این مقاله استدلال می‌کند که به نظر می‌رسد LLM‌ها با شواهد عصبی حاصل از مطالعات تفکیک مضاعف مطابقت دارند: شما می‌توانید از آن توانایی‌های کلامی روان با استدلال ضعیف را انتظار داشته باشید.

به این ترتیب، LLM ها در ریاضیات واقعا بد هستند.

و نه فقط ریاضیات سطح بالاتر که انسان ها در آن به خوبی عمل نمی کنند.

LLM ها اغلب در شمارش شکست می خورند. بنابراین من فکر می کنم که LLM ها در کاری مانند ارائه مسائل تمرینی برای کلاس ریاضی و درجه بندی پاسخ ها به طور منحصر به فردی بد هستند.

ChatGPT ممکن است بتواند یک مفهوم ریاضی را به خوبی توضیح دهد، اما در استفاده واقعی از آن غیرقابل اعتماد باشد.