Prompt 的技術:ChatGPT 提問的四大層次 L3 ~ L4 (下集)

接續上一篇:Prompt 的技術:ChatGPT 提問的四大層次 L1 ~ L2 (上集),如果你己經會從 L1 到 L2 的提問技巧,應該已經會從 AI (包含 ChatGPT、New Bing、Notion AI 等…)得到許多讓人驚訝的答案。譬竟像是「把遊戲化教學的技術,改變成一個童話故事」或「改編成一首詩」「用小學生能懂的方式說明」「列出5大優點及5大缺點」 …. 像這種 L2 提問類型的答案,一般人不大可能在30秒回答的出來吧?(我也做不到!)。即使是用搜尋的方式,應該也不容易找到答案。

也在這裡回答許多朋友們的問題:「為什麼福哥能那麼快上手?摸索跟 AI 協作的系統化方法?」。因為 … 我本來就是 IT 宅男啊!如果大家還記得,福哥讀的是 MIS Ph.D(資訊管理),寫的第一本書也是電腦書(Joomla 架站 123),原本就一直對電腦科技有愛好,只是後來因為走向講師及教學之路,就沒有一直在電腦領域鑽研。但是有新的東西,我還是很喜歡嘗試學習的。這也可以解釋:為什麼先前可以那麼快寫出「線上教學的技術」(2個禮拜),因為也是跟電腦相關啊。

那,還有什麼是更進階的提問,或是向 ChatGPT Prompt 的技術呢?

(更新:這邊有 Podcast 、以及 FB影片檔

L3 – 角色提問

在 L3 這個層次,您可以要求 ChatGPT 扮演某個特定角色,這可以幫助您從不同的角度和專業領域獲得更具深度的回答。你會發現,當他用不同角色來回應同一個問題時,他回答的角度及答案品質也會有許多不同。

公式:簡單提問 + 「角色」要求

例如,您可以讓 ChatGPT 扮演教育專家、心理學家、Podcast 主持人、國中生、期刊編輯 …等各種不同的角色,來回答有關遊戲化教學的問題。比如說:

「假設你是一位教育專家,請解釋遊戲化教學如何改善學生的學習效果。」

「身為心理學家,你認為遊戲化教學對學生的學習動機和心理發展有哪些影響?」

「如果你是一位 Podcast 主持人,請用一段吸引人的話語介紹遊戲化教學這個主題,以吸引更多聽眾收聽。」



「假如你是一位國中生,請分享你對遊戲化教學的看法和你在課堂上的遊戲化教學經歷。」

「作為一名期刊編輯,請提供一些建議,讓研究者們在撰寫關於遊戲化教學的論文時,能更符合學術期刊的要求和期望。」

有一個更具體的想像是:本來在我們人的世界中,不同人的專業,會影響他回答問題的深度及內容。像如果由我來談遊戲化、跟一個生化博士來談遊戲化,我相信角度上會有許多不一樣。角色不同,回答不同,這是我最近在 AI 應用最大的驚訝點!這 … 根本像千手觀音啊!

如果結合 L3 跟 L2 的提問技巧,就可以得到許多驚人的回答跟應用,像是:

「請你假裝是一間上市科技公司的面試主管,你準備安排一個面試,這場面試的目的是要找一個訓練人員,幫公司的工程師們安排合適的教育訓練。請你假裝是面試現場,由你一個接一個提問,最多5個問題,最終由我的問題,判斷我是否為合格的訓練人員。請開始提問第一個問題」

ChatGPT 提出的5個問題是:

1.請簡要地介紹一下您的教育背景和培訓經驗,特別是在科技領域的經驗。

2.在您過去的培訓經驗中,您是如何針對不同技能水平的工程師設計合適的培訓內容和方法的?

3.請舉出一個您曾經成功實施的案例,並說明您如何調整培訓內容和方法以達到最佳學習成果。

4.如何確保教育訓練後,能夠將所學應用在實際工作中,並且持續保持學習的動力和興趣?

5.如果您被錄用為這個職位,您如何評估您的表現是有成效的?

怎麼樣,它「假裝」的水準如何?我是覺得超強的!但接下來開始要特別小心的是,如果你真的回答,他的判斷不見得是準的!因為我有試過亂回答 XD,然後它還是說我「展示了一定的經驗、適應力和對客戶需求的關注」 … 哈哈!但我並不會因為這樣就低估了它的能力,還是回到我們最早談的原則:「清楚的界定問題,遠比答案更有價值」,如果我們再把標準設的更精準(例如:應用職能面談的 STAR 原則來判斷 … ),相信它也會依我們的要求而有更好的判斷。

Level 4 – 參照資料提問

到了這個層次,你已經知道怎麼跟他提問並得到有價值的回答。但你希望的是它能夠根據你提供的資料,或格式的特別要求來回答,更符合或貼近你的期待。

您可以提供一些具體的信息或數據給 ChatGPT,讓它根據您提供的資料來回答問題。這可以幫助您獲得更針對性和個性化的回答。這種提問方式對於需要 ChatGPT 根據特定條件或背景資料回答的情況非常適用。

公式:問題 + 「提供資料」

要輸入已有資料或格式,可以使用以下幾種方式:

1.使用 “請參考以下資料”:在問題之前或之後,提供一段文字作為背景資料。例如:

「請參考以下資料, 並根據這個資訊,評估遊戲化教學在企業培訓中的應用前景。以下為參考資料 ….. (然後換行後,貼參考資料,資料最多大約 1500 ~ 2000 個中文字,大家也可以實驗一下)

2.使用列表或條件式:將資料以列表或條件式的形式呈現,讓 ChatGPT 能根據這些資訊給出回答。例如:

「請根據以下條件來設計一個適合初級工程師的遊戲化教學課程:(1) 學員人數:20 人;(2) 課程時長:4 小時;(3) 主題:軟體開發基礎。」

3.使用 # 或 [] 符號標示資料:如果資料有多筆,或是不同來源。也可在問題中插入特定資料標籤,然後在問題後附上資料,讓 ChatGPT 參考這些資訊來回答。例如:

「根據以下 [1] [2] [3] 的資料,評估遊戲化教學在未來幾年的發展趨勢,並歸納為5個重點。」

只要熟悉這個程度的應用,就真的可以讓 AI 開始發揮生產力了。就像一個你身邊的特助一樣啊!

綜合運用:

透過系統化整理了 Prompt 的技術,包含從「L1:簡單提問」「L2: 進階提問」「L3: 角色提問」「L4: 參照資料提問」,不曉得大家有沒有開始發掘 ChatGPT 或是其它 AI 工具的威力了?其實其實有時候 ChatGPT 真的很聰明,只要人看的懂 …他大概也看的懂,所以我來融合一段 L1~L4 的技巧,以旅行規劃為例,做一個長提問。像是這樣:

「我正在計劃一趟旅行,我想要去日本東京度假7天,預算約為每人台幣30000。成員有我跟太太,還有2個女兒,分別為11歲與9歲。我希望能參加一些適合家庭的活動,特別是對小朋友有吸引力的。作為旅遊專家,你能給我提供一些建議嗎?而且,請遵循以下要求:列出每日的行程規劃,包括具體景點、活動和建議的餐廳,還有住宿地點。另外,我們希望行程輕鬆一點,深入一點,不要趕行程,最多只換一次飯店。請參考以下資料 [1] [2] [3],並根據這些資料給出你的建議。後面補上資料」

在這段指令中,我們可以用上述討論的 level 1, level 2, level 3, level 4 的原則來進行拆解如下:

1. Level 1 – 基本提問:基本問題依然是「我想要去日本東京度假7天,你能給我提供一些建議嗎?」詢問的是對於東京旅行的基本建議。

2. Level 2 – 提問加要求:加入更多的要求,如預算(每人台幣30000)、成員(夫婦和兩個女兒,11歲和9歲)、希望參加適合家庭的活動,以及行程的規劃要求。這些要求讓問題變得更具體和詳細。

3. Level 3 – 角色扮演:在問題中,要求ChatGPT扮演「旅遊專家」的角色,為我們提供專業的旅遊建議。

4. Level 4 – 參照資料:引入外部資料,使用「請參考以下資料 [1] [2] [3]」的形式將資料融入問題中。這些資料可能包括東京的旅遊指南、熱門景點、餐廳和住宿等相關資訊。要回答這個問題,需要綜合這些資料,這會讓回答變的更聚焦。

小結

看了這一系列的文章,我不知道你會不會像我一樣感受到 … 「AI 時代正式來臨!」。當然,我可以選擇談一些更「高大上」的議題,像是「未來工作的改變跟衝擊」「對教育的影響」,甚至像是「人的價值,在 AI 時代後 …」。這些「大話題」,我相信開始會有不少人討論。

但如同我一路的選擇,就像我寫「教學的技術」,而不是寫「教學的藝術」或「教學道」….原因不是我不會寫,而是我覺得高深的「道理」,靠的是個人的領會跟修為,但在這些之前,你要先能深入實作、不斷探索,才能從實務經驗中慢慢有些收獲,最終成為你自己的原則或道理。

花了一些時間,整理了實作導向的「Prompt 的技術:ChatGPT 提問的四大層次」,也希望減少大家摸索時間,讓大家能快速上手,透過不斷的實作,找出屬於自己在 AI 時代的生存之道。

最後,還是以愛因斯坦說的「清楚界定問題,遠比答案更有價值」(The mere formulation of a problem is far more often essential than its solution)做為結尾,並且請大家想一想,在 L1~L4 之後,我們從 AI 那裡得到的是「答案」。那 … 什麼還會比得到答案更有價值呢?也許您自己再想想,或是看福哥前陣子的直播。你會找到更有價值的東西哦!

也附上 Podcast 

EP 32, 下一個世代的開始,你準備好了嗎?ChatGPT 大型語言模型 x 福哥|福哥來聊-福哥跟你聊(註:我跟 ChatGPT 聊天,2022.12.28 上線)

EP 56, Prompt 的技術:ChatGPT 提問的四大層次|福哥來聊-福哥跟你聊 (2023.03.23)

福哥 FB 影片檔

 

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料