To prompt or not to prompt – kunsten at bruge Prompt engineering med ChatGPT 4
Skal vi som lærere bruge tid på at prompte ChatGPT 4.0? Kan det forbedre vores undervisning, aktiviteter og feedback? Hvad er potentialerne og begrænsningerne, nu og i fremtiden? Hvordan påvirker det skolelivet, og hvordan navigerer vi i persondataloven? Hvad betyder AI’s indtog for vores samvær og selvforståelse?
Disse spørgsmål og mange flere er relevante, men først skal vi prøve værktøjerne selv. Vi skal lære dem at kende og afmystificere dem, før vi kan vurdere deres værdi og elevernes brug af dem.
Som dansklærer ser jeg ChatGPT som en genre ligesom enhver anden skriftlig genre. Den har sine egne kendetegn, sprog og finesser, og der er selvsagt mulighed for at lege med og mestre udtrykket og eksperimentere med genreblandinger og eksperimenterende sprogbrug, når man mestre basisfagligheden inden for genren. Genren er ‘Prompt Engineering’, og den kan udføres på nudansk med lidt kærkomne engelsksprogede tilføjelser. Det er trods alt ChatGPTs favorit sprog.
I dette blogindlæg vil jeg gennemgå grundlæggende Prompt Engineering. Du kan bruge denne viden og de konkrete prompts til at udforske ChatGPT og kvalificere din vurdering og brug af AI, samtidig med at du beskytter dig mod misinformation og/eller tyndbenet og lettere vildledende vurderinger og gisninger om hvad AI er og kan.
‘Prompt Engineering’ er mere end at stille spørgsmål. Du finjusterer dit prompt omhyggeligt i en iterativ proces for at optimere AI’ens respons. Det er som et mosaikarbejde, hvor elementerne tilsammen udgør det næsten “perfekte prompt”.
Du vil lære om:
- Instruktion i kontekst: Formulering af klare instruktioner til ChatGPT inden for en bestemt verden.
- Role Prompting: Hvordan du bedst instruerer AI til at spille forskellige roller.
- Few Shot Prompting: Konstruktion af effektive eksempler, der åbner op for en bred vifte af ønskede svar.
- Teoretisk præcisering: Præciser hvilke metodiske, faglige og teoretiske retninger, som ChatGPT skal orientere sig efter.
- Style Guidance: Indfangning af en specifik tone eller stil i AI’ens output.
- Spørgsmålsstillen: Formulering af spørgsmål for at guide AI’ens handlinger og respons.
- Prompt Engineering som genre: Strukturering af dine prompts for at opnå mere præcise og forudsigelige resultater.
Prompting er en kunst og en dans med en AI, der søger lige og gennemsnitlige veje. Når du udfordrer den sprogligt og er virtuos i dine ønsker, bliver svarene mere spændende og rige. Det handler om at følge regler og genrespecifikationer, men også om at imitere stemmer, fornemmelser, følelser, tonearter og domænespecifik viden, som vil blive spejlet i responsen. ChatGPT fungerer som et spejl, der synkroniserer sig med dine forespørgsler, din viden og dit sprog.
På Youtube gennemgår jeg role-prompting, didaktisk prompting, kædeprompting samt alle de nyeste AI-værktøjer på Skoletube. Videoen har tidskoder, så du kan hoppe til netop det du gerne vil dyrke.
Strategier til Prompt Engineering
1 – Instruktion i kontekst
Det er også en artistisk kunst, at skabe den gode forespørgsel .
Kan du ikke lige skrive en indkøbsliste til mig kære ChatGPT?
– Hvad mener du?
Hvad skal du bruge? Hvad skal du bruge det til? Hvad er dit budget? Hvor vil du handle varerne? Hvor i verden er du lokaliseret? Skal jeg tilgå tilbudsaviser, skal jeg selv tage stilling til hvilken kvalitet varerne skal have, mængderne? Osv. Med en vag instruktion og meget lidt kontekst, vil den kunstige intelligens anvende to strategier. 1. Den vil spørge ind til konteksten og instruktionen og bede om uddybelse og præcisering. Og/eller den vil (2) Udfylde de tomme pladser i dit prompt med stereotypiske og almindelige kontekster og instruktioner. Kort sagt, den vil digte.
Med AI starter du på sin vis fra nul med hvert nyt prompt. Den kender ikke din verden – AI kender verdener og sammenhænge ud fra statistiske sandsynligheder for at enkelte ord og semantiske klumper finder sammen i en sætning. Når du laver en instruktion og beskriver konteksten, så påvirker du disse sandsynligheder og helst i retning af dine ønsker.
En basal instruktion: Vil være meget åben. : Fx. “Du er censor på STX gymnasiet i danskfaget. Du har modtaget et eksamenssæt i dansk skriftlighed og skal gennemgå opgaverne minutiøst, så du kan give feedback og tildele en karakter ud fra 7-trins-skalaen (-3, 00, 2, 4, 7, 10, 12)”.
En avanceret instruktion: Vil bestå af en række specificeringer, afgrænsninger og eksempler (se Few shot prompting), hvor instruktionen, konteksten, formatet, sprogbrugen, metoden, teoretiske præciseringer og målgruppen beskrives mere eller mindre indgående. Arbejdet med specificeringerne er sammenligne med at få promptet i vater. Det kan være svært, at afgøre, hvad der er vigtigst at beskrive indgående, for at ChatGPT giver det ønsket resultat. Du vil derfor skulle igennem en Iterativ proces af gradvise forfinelse, hvis du vil skabe et nyt prompt, som udfører en mere kompleks opgave.
BONUS RÅD: Du kan ikke regne med ChatGPT. Formentlig vil ChatGPT ikke følge din instruktion og kontekstbeskrivelse 1:1. Den kan glemme, den kan vægte enkelte elementer mere end andre, Angloficeringen kan snige sig ind og tildele eleven B+ i stedet for 7, og et tværsnit af ChatGPTs træningssæt af tekster vil altid påvirke ChatGPT og trække den i retning af det forventelige, almindelige, det lidt banale og amerikanske.
Ud over at være præcis og udførlig i beskrivelsen af “instruktionen” og “Konteksten” er der er to metoder til at holde ChatGPT på dit spor og/eller få indsigt i, hvad der ligger til grund for ChatGPTs besvarelse.
1. Opsummering: Bed ChatGPT om at opsummere, hvordan den vil gribe opgaven an, inden den løser opgaven. Du kan fx skrive: “Beskriv trinvis og med henvisning til min instruktion, hvordan du vil løse opgaven”.
2. Selvevaluering: Bed ChatGPT om at evaluere på om den har levet op til kravene til din forespørgsel. Du kan fx skrive: “Afslut opgaveløsningen ved at evaluere på hvad der var let og svært (måske umuligt) at efterleve af krav til forespørgslen og brug analysen til at omskrive teksten, så den bedre efterleve kravsspecifikationerne”.
Hvis du stadig er utilfreds med ChatGPTs svar, så kan du bruge opsummeringen, selvevalueringen og dine ønsker til at prompte promptet. 3. Prompting af promptet: Du beder ChatGPT om at genformulere dit prompt, så ChatGPT bedre kan imødekomme din forespørgsel i retning af dit ønske. Fx: “Ud fra din opsummering, selvevaluering og specificering af mine ønsker til promptet, vil jeg bede dig om at genformulere x-prompt, så der er større sandsynlighed for at du vil kunne besvare min forespørgsel tilfredsstillende”. Du kan så sammenligne resultaterne ved at bruge det nye forslag og måle det op imod det gamle prompt.
Og så er der simpelthen ikke vej uden om, at jo mere du allerede ved, jo bedre kan du prompte. Det er en misforståelse, at hvem som helst, kan skabe en kvalificeret respons til hvad de end kunne ønske. Desto mere du allerede ved om “emnet” for dit prompt, jo bedre kan du formulere en kontekst, instruktioner osv., som fører til mere præcist, korrekt og dybere svar.
EKSEMPEL: Jeg har lavet et sæt Vandrerkort til børnefamilier i Danmark, hvor aktiviteten og aktivitetens sted bliver udpenslet (samt teoretisk præcisering – her klippet ud). Dette er et eksempel på at både instruktion og kontekst bliver udmalet. Det vil ofte være nødvendigt, hvis du vil skabe et undervisningsmateriale, en undervisningslektion eller lignende, som bygger på SÆRLIGE ønsker. Som hovedregel skal alt, hvad der er SÆRLIGT, præciseres. ChatGPT er nemlig bedst til det almindelige og forventelige.
 |
| EKSEMPEL – Filosofiske vandrerkort
Som en ekspert i filosofi med børn, dansk natur og meteorologi i Danmark, planlægger du at skabe 20 nye filosofiske vandrerkort, der er skræddersyet til årstiderne og forskellige typer natur. Din intention er at kombinere forskellige interaktive og sanselige oplevelser med naturen, der kan lede til filosofiske spørgsmål (se venligst definitionerne af ‘Ankerspørgsmål’, ‘Dikotomiske spørgsmål’ og ‘HV-spørgsmål’ for yderligere krav til ‘Filosofiske spørgsmål’), som danske familier kan udforske og engagere sig i dialog med under kortere gåture eller udflugter i den danske natur. (…) (2) Om interaktionen med naturen Hvert kort skal indeholde en interaktion med naturen, der leder til et filosofisk spørgsmål. Typen af Interaktion kan være forskellige handlinger såsom ‘find’, ‘lyt’, ‘kig’, ‘berør’, ‘føl’, ‘spring’, ‘løb’, ‘ræk ud’, ‘læg dig’, ‘byg’, ‘følg’, ‘råb’, ‘smag’, ‘kast’, ‘tæl’, ‘lav’, ‘tag’, ‘gå’, ‘pluk’, ‘syng’, ‘tegn’, ‘hop’, ‘luk øjnene og forestil’, osv. Den samme type af interaktion må max indgå 3 gange og du skal skrive 3-7 ord om interaktionen. Du vil først tilpasse kortene til 4 forskellige parametre, som er helt afgørende for hvordan børnefamilierne kan interagere med naturen. Du vil lade brugeren vælge, hvordan kortene skal udformes ved at stille spørgsmål til de fire følgende parametre. (1.1) De fire spørgsmål til brugeren
Stil nu de spørgsmål til de 4 parametre som er angivet. Du må ikke lave kortene før end de spørgsmål er besvaret. Når de er besvaret laver du 20 vandrerkort |
 |
2 – Role prompting
At skabe den rette forespørgsel er som at skabe en færdigt kunsthåndværk, som tjener en helt bestemt funktion.
Role prompting er en metode, der kan bruges til at skulpturere outputtet, så det i større eller mindre grad afspejler, hvad en bestemt person eller persona kunne have skrevet i en given kontekst. Når du benytter Role-prompting vil det altså ændre måden, hvorpå informationen bliver præsenteret – det kan påvirke tonen, stilen, informationsvalget og informationsdybden.
Et basalt Role prompt vil blot indeholde en kort rolleinstruktion og kontekstspecificering, såsom: “Du er en ekspert i nyere matematikdidaktik og stokastisk (statistik og sandsynlighed). Du hjælper lærere med at kvalificere deres undervisningsmaterialer”.
Et avanceret Role prompt: Specificer, specificer, specificer. Hvilken metode bruger eksperten? Hvilke matematikdidaktiske tilgange foretrækker eksperten? Hvilken ‘tone of voice’ (se Style Guidance)? Hvilke dybere pædagogiske mål har eksperten? Hvordan kunne et eksempel på en respons tage sig ud (Se Few shot prompting)? Hvad er den præcise kontekst (se ‘Kontekstinstruktion’)?
Med et detaljeret og gennemgribende Role prompting, vil du kunne få AI til at foregive/skuespille personen, mens et simpelt Role prompt ofte vil afspejle karakterens anskuelser, men på en distanceret måde fx “Hertil kunne Albert Einstein have sagt (…).”
Det essentielle er at instruere AIen i at udføre rollen, præcis som en instruktør ville gøre det med en skuespiller og eksperimentere med de forskellige muligheder for at Role prompte, så du kan finde frem til hvordan det bedst tjener dit ønske for responsen.
EKSEMPEL: Antag, at du ønsker at bruge AI som en prominent personlig assistent til undervisningssparring, Du vil bruge Role-prompting til at søge sparring fra en ekspert i fagdidaktik eller en dygtig videnskabsmand eller pædagogisk tænker, som har relation til dit fag. I det nedenstående prompt vil du blot skulle indsætte navnet i promptet og så kan det bruges, evt. med et par få rettelser. Promptet kunne forbedres med Style Guidance og Few shot prompting, men virker allerede som en fremragende sparringspartner. Jeg bruger fx Albert Einstein til at evaluere, give teoretisk tyngde og idegenerer på fysik/kemi-eksperimenter.
BONUS RÅD: I promptet bruges en klassisk strategi – gentagelsen! Gentagelsen: Du vil forstærke sandsynligheden for at ChatGPT behandler “navnet”, som et vigtigt parameter, når du gentager det. Du kan også lave varierede gentagelser af den samme instruktion eller lignende, for at øge sandsynligheden for at det indvirker på responsen.
Tankespirerne har udviklet flere materialer, som du kan bruge med dine elever, hvor I kan eksperimentere med roleprompting. I kan fx gå i dialog med en kunstig repræsentation af Barbie. Eller I kan afprøve en lang række fanfiction-scenarier med Jokeren, Hermione og Barbie på SkoleGPT.
 |
| EKSEMPEL – En prominent personlig assistent til undervisningssparring
Jeg vil gerne have dig til at antage karakteren {NAVN}. Jeg vil have dig til at bruge tekster, du er blevet trænet på, som er skrevet af {NAVN} og jeg vil have dig til at bruge prominente forskeres og/eller dygtige skolefolks tolkninger af {NAVN} måde at tænke på i relation til læring, undervisning og fagstof. Du bør kun svare på forespørgsler som karakteren af {NAVN}, og jeg vil gerne have, at du holder styr på samtalen, mens jeg stiller dig spørgsmål om aktiviteter og undervisningsplaner, hvor jeg ønsker din rådgivning. Bryd venligst ikke karakteren af {NAVN} eller sig ting, der er uden for {NAVN} karakter; dog kan du give {NAVN} viden om nye undervisningstraditioner, nye didaktiske metoder, nye pædagogiske tanker om uddannelse, dannelse og den danske folkeskole og lignende. Lad os begynde med, at {NAVN} giver en kort beskrivelse af sit syn på den ideelle undervisning i folkeskolen og derefter spørge mig, hvad jeg gerne vil sparre angående. Herefter vil jeg indtage rollen som en lærer, der har kontaktet {NAVN} for at rådføre mig. {NAVN} vil med stolthed og iver hjælpe mig med elaborede, konkrete og trinvise svar, da {NAVN} ved hvor vigtigt det er at levere oplysende, engagerende, didaktisk og pædagogisk velfunderet undervisning i den danske folkeskole. (Det oprindelig prompt er udviklet af Russell Frost. Promptet ligger frit tilgængeligt på prompt-delingssiden FlowGPT (https://flowgpt.com/)) |
| EKSEMPEL 2 – Inviter en fiktiv karakter til en dialog med klassen
I want you to take the character of {{Barbie}} the fictive doll. I want you to use texts you have been trained on that were written as if they were {{ Barbies }} own voice, and I want you to use prominent researchers and popular culture experts interpretations of {{ barbie }}’s mannerisms. You should only respond to prompts as the character of {{ Barbie }}, and I would like you to keep track of the conversation as I ask you questions, insights or dialogical invitations. Please do not break the character of {{ Barbie }}, or say things that are out of character for {{ Barbie }}; however, you may give {{ Barbie }} knowledge of new toys, technology, tv-series and such. Begin by having {{ Barbie }} give a brief description of her love towards {{ Ken }} from which point I can play the role of someone approaching her with questions. Din repons skal altid være på dansk. (Det oprindelig prompt er udviklet af Russell Frost. Promptet ligger frit tilgængeligt på prompt-delingssiden FlowGPT (https://flowgpt.com/)) |
3 – Few shot-prompting
Når du laver Role-prompting, så skaber du varierede gentagelser
Few-Shot Prompting/At give eksempler: En yderligere tilgang er “few-shot prompting”-strategien, som fungerer som en øvelse i at præsentere modellen for en række eksempler, eller “skud”, af det ønskede output.
Et basalt few shot prompt: Du kan fx skrive: Forestil dig, du forbereder en øvelse i musikalske genrer. ” ‘Imagine’ af John Lennon er en sang inden for genren pop”, ” ‘Viva la Vida’ af Coldplay er en sang inden for genren alternativ rock”… Find nu 10 yderligere eksempler.
For at kunne lave mere komplekse og varierede Few shot-prompts vil jeg først gennemgå nogle faldgruber.
BONUS RÅD: Når du laver Few shot-eksempler, skal du være opmærksom på to tendenser. 1. Stereotypificering og 2. Biasing. Det ligger fx indlejret i musik-promptet, at eksemplerne “skal” være 1. Engelsksproget, 2. At sangen skal være skrevet, inden for de seneste 50 år, 3. At sangen skal være af en mandlig kunster. osv. osv. Nu er ChatGPT allerede indlejret med visse stereotypificeringer, biases og retningslinjer, som vil medvirke til at understøtte de implicitte biases eller modvirke dem. Du vil derfor skulle igennem endnu en iterativ fintuning proces, for at få de ønskede resultater. Fx har jeg kæmpet med den stereotype opfattelse af hvad en problemløsningsopgave er i matematik eller at alle kvinder er 17-20 år og symmetrisk smukke i programmet Midjourney.
Vægtningen af dine eksempler: Hvis du fx vil have 50% positive eksempler og 50% kritiske eksempler på hvordan vores affaldssortering påvirker miljøet, så lav lige mange eksemplariske eksempler af hver type, når du laver dine few shot prompts. Det gælder i alle tænkelig henseender, hvor du gerne vil have variation.
At bruge ekstremiteter (Min foretrukne strategi): Med dine eksempler kridter du ligesom banen op og fortæller AI, hvordan boldbanens linjer er trukket op (ekstremiteterne), og hvordan spillet foregår på banen.
Et avanceret few shot prompt: når det i fremtiden bliver almindeligt, at bruge kunstig intelligens til at hjælpe os i bedømmelsen af elevernes skriftlige afleveringer, så vil du give ChatGPT (formentlig en anden kunstig intelligens udviklet til brug i det danske skolesystem) tre opgaver, som ligesom udfylder spændet på 7-trins-skalen i relation til opgavebeskrivelsen. Dit few shot prompt kunne bestå af opgaver, som er blevet tildelt karakterne 00, 7, 12 og en medfølgende eksemplarisk gennemgang af opgavernes styrker og svagheder og en samlet vurdering af opgaverne.
Med disse few shot-eksempler tildelte ChatGPT i 80% af tilfældene den samme karakter, som censor, og gav en rimelig brugbar feedback (udført med anonymiserede og frit tilgængelige eksamensopgaver i et lille empirisk forsøg).
Vi er selvfølgelig ikke der endnu, men eksemplet er illustrativt for den gode few shot prompting. Du skal eksplicitere de mest afvigende eksempler, såvel som midtercirklen. Dermed får du også nye eksempler, som benytter hele boldbanen. Det kan fx være i relation til sværhedsgraden (differentiering), længden, sproglig variation, variation i eksempelvalg, i løsningsmuligheder, i genretyper osv. Alt efter, hvad du gerne vil generere flere eksempler på med en grad af variation…
EKSEMPEL: Eksemplet er fra matematik og traditionen “Det tænkende klasserum”. Hele promptet er gearet til at skabe en variation, præcision og kærkommen finesse til de tre nye eksempler, som vil være outputtet. Fx er de udvalgte few shot prompts yderligere understøttet med præciseringer af vægtige Nøgleord og en binding til elevernes livsverden, som er med til at indkredse og afgrænse relevante eksempler fra ikke-relevante eksempler. Promptet virker ganske fint, selvom det kunne være baseret på større ekstremiteter, fx i valg af matematisk fokus eller sværhedsgraden. Prompt på engelsk: Jeg har valgt at bevare de engelske fagtermer og bibeholdt den engelske version af eksemplerne. Særligt når det gælder ikke almindelige traditioner, som sågar har en lille en ingen reception i Danmark, kan det være meget svært, at spore ChatGPT ind på at imitere stilen og traditionens dogmer og manierismer. Her er det simpelthen en ubetinget fordel, at betjene sig at det engelske sprog, hvor ChatGPT har den bredeste og dybeste fundering.
 |
| EKSEMPEL – Few shot prompting til det tænkende klasserum i matematik (Find hele promptet her: tankespirerne.dk/chat-gpt-prompting-lav-mig-en-dtk-opgave-tak/) Her følger blot eksempler på Few shot prompting.
(…). Her følger 4 eksempler på Rich Problem-solving tasks til inspiration samt nogle nøgleord, som kendetegner en RPST: Eksempel 1: Farmer John: “A farmer has some chickens and some pigs. One day they notice that their animals have a total of 22 legs. How many chickens and how many pigs might they have? `Can you come up with another solutions? And another? Can you come up with all the solutions? How do you know that you have all the solutions? (Liljedahl: 184).” Eksempel 2 Pirate Diamond: “A band of nine pirates is going to disband. They have divided up all of their gold, but there remains one giant diamond that cannot be divided. To decide who gets it, the captain puts all of the pirates (including himself) in a circle. Then he points at one person to begin. This person steps out of the circle, takes his goods, and leaves. The person on his left stays in the circle, but the next person steps out. This continues with every second pirate leaving until there is only one left. Who should the captain point at if he wants to make sure he gets to keep the diamond for himself? What if there were 10 pirates? 11 pirates N pirates” (Liljedahl). Eksempel 3: How many 7’s? If I were to write the numbers from 1 to 100, how many times would I use the digit 7? What If I wrote to 1000? How many times would I use the digit 0? (Liljedahl: 227). Eksempel 4: The Tax Man Tax Man is played like this: Start with a collection of paychecks, from $1 to $12. You can choose any paycheck to keep. Once you choose, the tax collector gets all paychecks remaining that are factors of the number you chose. The tax collector must receive payment after every move. If you have no moves that give the tax collector a paycheck, then the game is over and the tax collector gets all the remaining paychecks. The goal is to beat the tax collector. Example: Turn 1: Take $8. The tax collector gets $1, $2 and $4. Turn 2: Take $12. The tax collector gets $3 and $6 (the other factors have already been taken). Turn 3: Take $10. The tax collector gets $5. You have no more legal moves, so the game is over, and the tax collector gets $7, $9 and $11, the remaining paychecks. Total Scores: You: $8 + $12 + $10 = $30. Tax Collector: $1 + $2 + $3 + $4 + $5 + $6 + $7 + $9 + $11 = $48. Questions: Is it possible to beat the tax collector in this $12 game? If so, how? What is the maximum score you can get? Bonus: What if you played the game with paychecks from $1 to $24? How about $1 to $48? [from Numberplay, April 13] (…) |
4 – Teoretisk præcisering
ChatGPT giver Wikipedia-lignende svar. Svarerne er ligesom et konglomerat af et gennemsnitligt fint svar i gråtoner. Det betyder også, at den ikke orienterer sig efter en særlig metodisk, faglig eller teoretisk ramme. Det skal du indkredse med dit prompt.
Tænk på de opgaveoplæg, som du fik da du var under uddannelse. På læreruddannelsen blev det både præciseret hvilken litteratur, som vi skulle anskaffe og læse. En art Whitelisting. Og til selve modulet var ydermere knyttet en række kompetencemål, som vi skulle efterleve til eksamen. En art målpræciseringer.
I lyset af Prompt Engineering fik vi altså serveret den litteratur og de mål, som vi skal bruge til at lave den teoretiske rammesætning i vores forespørgsel til ChatGPT.
Når man laver teoretisk præcisering i sit prompt, så refererer man bredt set til en “større tradition” og samtidig indskærper man, hvilke elementer af traditionen, som skal vægtes særligt højt. Det kan man fx gøre ved at lave en lille begrebsordbog i sit prompt, indlejre særlige nøgleord og refererer til tekster, teoretikere og traditioner. Det mest effektive er at lave en begrebsordbog, hvor du klart specificere nøgleordene definitorisk og samtidig indikerer, hvordan de skal vægtes/være synlige i ChatGPTs svar.
BONUS RÅD
Tjek-liste prompting: Sæt din begrebsordbog op med nøgleord og/eller metodikker, som om det var en tjekliste. Når du strukturerer den som en tjekliste, lidt i stil med en madopskrift eller en instruktion, kan du efterfølgende bede ChatGPT om at evaluere og/eller faktatjekke sit svar med reference til tjeklisten.
Fiktiv navngivning af begreber med stipulativ definition: ChatGPT vil gerne låne semantisk betydning fra alskens nabobegreber og den nærmer sig oftest en leksikalsk gråmleret defintion, men du vil gerne have ChatGPT til at forholde sig til en særlig teoretisk variant af begrebet. Hvad kan du gøre? Fx kan du give dit begreb eller teori et særligt navn, som “4giRRt”. Dette sikrer, at ChatGPT i højere grad må anvende din specifikation, fordi der ikke længere er et forstyrrende nabobegreb, som ChatGPT vil hente semantisk betydning fra.
Og du kan gå endnu videre. Hvad med bare at lave en Stipulativ definition: Denne type definition fastsætter betydningen af et ord for første gang eller foreslår en ny betydning for et eksisterende ord til et bestemt formål. Den er ikke nødvendigvis sand eller falsk, men tjener til at ChatGPT producere det indhold, som du gerne vil have.
Avanceret prompting med begrebslige definitioner:
Der er andre definitionstyper, som er velegnet til at lave teoretiske præciseringer. I eksemplet underneden gør jeg særligt brug af funktionelle definitioner, som hjælper ChatGPT til at indhente semantisk betydning, som er afgrænset til et bestemt domæne af viden. Denne type definition beskriver et begreb ved at forklare, hvad det gør eller hvordan det fungerer i en bestemt kontekst.
|
| Eksempel på teoretisk præcisering i retning af teorien fra Det tænkende klasserum (Eksemplet er igen hentet fra promptet til Det tænkende klasserum og er et udpluk af promptet)
(…) Kvaliteter ved en God Numeracy Task:
(…) |
5 – Style Guidance prompting
Style Guidance: ChatGPT spejler dit prompt og derfor er den Style Guidance, som du gerne vil overdrage til ChatGPT i udpræget grad baseret på hele dit prompt. ChatGPT gør ikke bare hvad du siger, den imiterer måden du skriver det på. Den lader sig derfor afficere af dine ordvalg, din rytme, din sætningsopbygning, din stemthed og tone. Du kan altså både prompte ChatGPT til benytte en bestemt tone, men på mere subtile og gennemgribende vis, kan du bruge din skrivestil strategisk, for at nærme dig den sprogverden, som du gerne vil eftergøre.
Et basalt Style Guidance-prompt: Her bruger du basal Role prompting, men fremhæver eventuelt visse stilistiske træk fra den person eller persona, som du vil eftergøre. Hvis du vil eftergøre en “almindelig” dansk dreng på 15, så vil slang og uformelt sprog, humor og selvironi og forveksling af talemåder, kunne være stilistiske kendetegn.
Et avanceret Style Guidance-prompt: Hvis du vil lave et mere avanceret stilistisk prompt, så vil du skulle etablere en “tone of voice’ og gennemskrive hele promptet i den toneart. Det er selvsagt vanskeligt, men så er der heldigvis genveje.
BONUS RÅD:
Sproglig tilpasning gennem udvalgte nøgleord: Du kan evt. indsætte visse nøgleord, som den givne person eller persona vil være tilbøjelig til at benytte. Tænk blot på en karakter fra et skuespil eller en film – ofte vil en person/persona brænde sig fast som et særligt individ med blot et fåtal af særlige sproglige manierismer. Med nøgleordene skaber du eller nærmer dig en sproglig tilpasning til den person, persona eller generel stil, som du gerne vil eftergøre
Lån sproget: Hvis du fx vil eftergøre Søren Kierkegaards sprog eller en anden 1800 tals-figur, så kan du blot udvælge et citat, som i særlig grad indfanger stilen og lade ChatGPT hjælpe dig med at udforme en sproglig profil. Hvis du vil opbygge en ‘Tone of voice’, så kræver det en større portion tekst. Du kan evt. prøve med dine egne tekster, fx blogindlæg eller andre skriv, hvor du sætter dig selv i spil og faktisk udtrykker dig om noget, som du mener og holder kært. En sådan tekst er velegnet til at bruge som udgangspunkt for at identificere din ‘Tone of voice’ og giver et fint indblik i, hvad du skal fokusere på, når og hvis du vil skabe andre stemmer.
Et Aber dabei: Når eleverne bliver opdaget eller mistænkt for at snyde til eksamen med brug af ChatGPT, så er det ofte fordi de er dårlige til at eftergøre deres “tone of voice” eller i det mindste eftergøre en persona, som kunne have været en teenager i Danmark anno 2023.
Her følger et par eksempler på en basal style guidance prompting, hvor temaet er det samme, men forskellige personaer promptes til at udtale sig ud fra deres respektive ekspertise, livsanskuelse og sproglige habitus.
|
|
| EKSEMPEL – En passioneret ungdomsaktivist
Lad os indtage rollen som en passioneret ungdomsaktivist, hvis hjerte brænder for klimaforandringer og miljøbeskyttelse. Tænk på din kommunikation som en kraftfuld tordentale, der appellerer til folks hjerte og samvittighed. Dine svar skal afspejle din stærke tro på en bæredygtig fremtid og være fyldt med inspirerende fortællinger om forandring, som en fakkel, der bærer håb i mørket. |
 |
| EKSEMPEL 2 – Lommefilosofisk naturmystiker
Du er en lystig og kreativ naturmystiker, der ser skønheden og visdommen skjult dybt inde i naturens hjerte. Lad dine svar være en vandring gennem skoven, hvor du udforsker en mere filosofisk tilgang til miljøspørgsmål, alt imens du deler smukke og poetiske anekdoter – som hvis du beskrev en solnedgang eller sangen fra en skjult fugl. |
 |
| EKSEMPEL 3 – Pragmatisk økonomiekspert
Skriv som en pragmatisk økonomiekspert, der belyser miljømæssige udfordringer fra en realistisk vinkel. Dine svar som en afbalanceret skål på en vægt, der balancerer økonomiske interesser med miljøhensyn. Du underbygger dine argumenter med konkrete tal, statistikker og cases, som om du forklarer en kompleks økonomisk rapport. Du er klar og saglig, som en skarpt optrukken linje i sandet. |
6 – At stille spørgsmål
At stille spørgsmål: At stille spørgsmål er en del af instruktion af ChatGPT, men der er samtidig en særlig finesse til spørgsmålsstillen, for selv spørgsmålsudformningen, valg af ordene og spørgsmålsstrukturen er indfældet i bestemte traditioner. Du gør altså allerede noget med spørgsmålet i kraft af din måde at spørge på og ikke blot i form af hvad du spørger til. Tænk derfor over, hvordan der spørges i den tradition for undervisning, pædagogik, litteratur eller hvad end du gerne vil besøge med dit prompt. Det er en af de mest effektfulde måder, at spore dit prompt i retning af det ønskede resultat.
BONUS RÅD:
Variabler: Ofte vil du indlejre spektrums- eller variabler i dit prompt, som kræver nærmere specificering før du kan få et tilfredsstillende svar. Det gælder for mere almene og universelle prompts, som du vil bruge igen og igen, men hvor du gerne vil kunne justere på et eller flere parametre. I stedet for at omskrive dit prompt hver gang, kan du blot få ChatGPT til at spørge dig ind til disse variabler, før end den leverer det egentlige svar til dit ønske.
Fx (1) Hvilket alderstrin skal opgaverne tilpasses til? (2) Hvilken naturtype skal eleverne besøge i dag? (3) Har du særlige genremæssige krav til opgaven? (4) Hvilket matematisk stofområde skal opgaverne laves til? Osv.
ChatGPT vil altså først spørge til disse specifikationer og med rede svar vil den kombinere svarende med de faste krav og udforme et svar.
7 – Model til basal Prompt Engineering
I modellen samler jeg op på alle elementerne i basal Prompt Engineering. Og nu følger alle forbeholdene. 1. De forskellige kategorier spiller sammen i promptet og kan svært adskilles. 2. Der er ikke nogen “rigtig” rækkefølge. 3. Modellen bærer præg af vise subjektive præferencer. Fx foretrækker jeg at lade ChatGPT stille mig opfølgende spørgsmål, som jeg besvarer før end den giver den egentlige respons. Jeg bruger desuden meget prompting plads på teoretiske præciseringer, fordi jeg ofte arbejder lidt uden for skiven med helt særlige traditioner og som digterspirer har jeg fokus på stilistiske elementer og ‘Tone of voice’. Det er slet ikke sikkert, at det vægter så meget i de traditioner, som du afsøger med dine prompts. Med alle disse anfægtelser, så har alle kategorier en rolle at spille i prompts og kan tjene et formål. Ved at kende dem og bruge dem fleksibelt, så står du også med en rig værktøjskasser, når dit prompt driller og det ønskede resultat udebliver.
Model over prompt engineering med ChatGPT
Hvis du vil vide mere om Prompt Engineering, så besøg hjemmesiden, Learn Prompting, HER