Experimenty s chatgptem

Umožněte ostatním skupinám poskytnout konstruktivní zpětnou vazbu pro každou prezentaci. . To podporuje aktivní zapojení a kritické myšlení.

Webinář: Generative AI & Your NPO: Jak chatgpt+ změní způsob fungování NPO

Algoritmy strojového učení byly po léta v zákulisí modelování a umístění reklamy, ale nyní nástroje jako Chatgpt, Midjourney, Dalle a další vložily AI do našich rukou.

Zjistěte, co neziskové organizace dělají s touto novou technologií, slibem a nebezpečími a jaké výzvy a nástroje můžete použít k usnadnění života. Pro tuto událost se vyvíjejí snímky.

Sponzorováno neziskovou aliancí a neziskovými časy

Panel a moderátoři:
• Nick Ellinger je ředitelem značky Moore. Do Moore nastoupil v lednu 2020, kde pracuje na vytváření skvělých zážitků pro neziskové organizace a jejich voliče.
• Filipe Páscoa je datový crafter a senior fundraising a stratég veřejné angažovanosti. Jeden z průkopníků při používání umělé inteligence (začal používat GPT v roce 2022) a inteligenci sociálních dat v tomto sektoru.
• Paul Clolery je šéfredaktorem neziskových časů.

Experimenty s chatgptem+

Zde najdete příklady zpráv, které jsem napsal pro chatgpt+.

? Místo individuálního vzdělávání navrhujeme skupinové vzdělávání. Chceme zpřístupnit individuální znalosti pro skupinu. . Můžete navrhnout model pro vzdělávání skupiny v 10 krocích, které zahrnují zpětnou vazbu modelu AI jako jste vy?

Rozhodně! Zde je navrhovaný model pro vzdělávání skupiny, který zahrnuje zpětnou vazbu z modelu AI jako jsem já:

Krok 1: Identifikujte cíle učení

Učitel střední školy by měl jasně definovat cíle učení pro skupinu. Určete konkrétní témata nebo dovednosti, která mají být pokryta během procesu vzdělávání skupiny.

Krok 2: Rozdělte studenty do skupin

. Každá skupina by se měla skládat ze studentů s různými silnými stránkami a schopnostmi.

Krok 3: Přiřaďte témata výzkumu

Každé skupině přiřaďte různá výzkumná témata. Tato témata by měla být v souladu s cíli učení a umožnit studentům prozkoumat a shromažďovat relevantní informace.

Každá skupina provádí výzkum na jejich přiděleném tématu. Studenti mohou využívat různé zdroje, jako jsou učebnice, online databáze a vzdělávací webové stránky ke shromažďování informací.

Krok 5: Sdílet zjištění

Po provedení výzkumu každá skupina představuje svá zjištění zbytku třídy. To lze provést prostřednictvím prezentací, plakátů nebo multimediálních formátů, aby efektivně sdělil své znalosti.

Umožněte ostatním skupinám poskytnout konstruktivní zpětnou vazbu pro každou prezentaci. Povzbuzujte studenty, aby kladli otázky, poskytovali návrhy a nabídli další informace. To podporuje aktivní zapojení a kritické myšlení.

Krok 7: Integrace modelu AI

Integrujte model AI, jako jsem já, do procesu. Každá skupina může předložit své výzkumné zjištění, otázky a obavy modelu AI, který poskytne další poznatky, vysvětlení a zpětnou vazbu.

Usnadněte diskusi ve třídě založenou na zpětné vazbě modelu AI. .

Krok 9: Kolaborativní vzdělávací aktivity

Navrhněte kolaborativní vzdělávací aktivity, kde studenti spolupracují na aplikaci svých znalostí a řešení problémů souvisejících s tématem výzkumu. To by mohlo zahrnovat skupinové projekty, případové studie nebo simulace.

Krok 10: Vyhodnocení a reflexe

Proveďte hodnocení, abyste posoudili porozumění tématu studentů. Poskytněte studentům příležitosti k zamyšlení nad procesem učení, účinnosti modelu skupinového vzdělávání a zpětné vazby obdržené od modelu AI.

.

Jak můžeme vytvořit synergie mezi modelem AI a studenty ve výše uvedené situaci?

Chcete -li vytvořit synergie mezi modelem AI a studenty ve skupinovém vzdělávacím modelu, můžete začlenit následující strategie:

• . Mohou společně formulovat otázky a hypotézy na základě jejich výzkumných zjištění a hledat zpětnou vazbu a vedení z modelu AI, aby prohloubily jejich porozumění.
• Aktivní účast: Podpořte aktivní účast tím, že umožňuje studentům interagovat přímo s modelem AI. Mohou zadat své shrnutí výzkumu, otázky nebo mylné představy a získat personalizovanou zpětnou vazbu a návrhy z modelu AI, což může zlepšit jejich zkušenosti s učením.
• Kritická analýza: Povzbuďte studenty, aby kriticky analyzovali odpovědi modelu AI. Měli by vyhodnotit platnost a spolehlivost poskytnutých informací a porovnat je s vlastním výzkumem. Tento proces jim pomáhá rozvíjet dovednosti kritického myšlení a zvažovat více perspektiv.
• Integrace poznatků AI: Nechte studenty integrovat poznatky poskytnuté modelem AI do jejich skupinových diskusí a prezentací. Mohou citovat relevantní informace, vysvětlení nebo alternativní názory z modelu AI a obohatit celkové porozumění tématu.
• Iterativní učení: Propagujte iterativní proces učení tím, že umožňuje studentům upřesnit jejich otázky a výzkum na základě zpětné vazby obdržených z modelu AI. Tento iterační přístup podporuje neustálé zlepšování a vybízí studenty, aby přizpůsobili své znalosti na základě nových poznatků.
• Etické úvahy: Diskutujte o etických důsledcích používání modelů AI a zdůrazněte důležitost kritického hodnocení. Povzbuzujte studenty, aby přemýšleli o omezeních modelů AI, zkreslení a odpovědnosti lidí při rozhodování o informovaných rozhodnutích založených na AI generovaných poznatcích.
• Průzkum řízený studenty: Posílit studenty, aby převzali vlastnictví svého procesu učení. Povzbuďte je, aby prozkoumali další zdroje nad rámec modelu AI, jako jsou knihy, vědecké články nebo rozhovory, aby prohloubili jejich porozumění a zpochybnili perspektivy modelu AI.
• Reflexní diskuse: Usnadnit reflexní diskuse mezi studenty o jejich zkušenostech s modelem AI. Povzbuďte je, aby se podělili o své myšlenky, výzvy a poznatky získané z interakce s modelem AI a podpořily hlubší pochopení výhod a omezení AI ve vzdělávání.

Integrací těchto strategií se studenti mohou aktivně zapojit do modelu AI, využít jeho schopnosti ke zvýšení jejich porozumění a rozvíjet dovednosti kritického myšlení a spolupráce v tomto procesu. .

Chcete -li vytvořit synergie mezi modelem AI a studenty ve skupinovém vzdělávacím modelu, můžete začlenit následující strategie:

• Interaktivní relace otázek a odpovědí: Povzbuďte studenty, aby se aktivně zapojili do modelu AI tím, že kladou otázky týkající se jejich tématu výzkumu. Model AI může poskytnout okamžitou zpětnou vazbu, vysvětlení a další poznatky, které podporuje dynamický a interaktivní zkušenost s učením.
• Budování znalostí pro spolupráci: Použijte model AI jako sdílené úložiště znalostí, kde mohou studenti přispět svými vlastními poznatky, zjištění a interpretace. .
• . Model AI může navrhnout další zdroje, cvičení nebo doplňkové materiály přizpůsobené potřebám a zájmům každého studenta.
• Adaptivní cesty učení: Využijte schopnosti modelu AI k přizpůsobení výukové cesty na základě pokroku a porozumění studentům. Model AI může identifikovat oblasti, kde mohou studenti bojovat a nabízet cílené intervence nebo poskytovat pokročilý obsah, aby zpochybnil vysoce výkonné studenty.
• Nepřetržité hodnocení a zpětná vazba: Integrace modelu AI do procesu hodnocení tím, že mu umožní vyhodnotit práci studentů, jako jsou výzkumné dokumenty, prezentace nebo činnosti řešení problémů. Model AI může poskytnout konstruktivní zpětnou vazbu, zvýraznit silné stránky a oblasti pro zlepšení a pomoci studentům sledovat jejich pokrok v průběhu času.
• Analýza a vizualizace dat: Pomocí modelu AI analyzujte velké množství dat shromážděných z výzkumných a vzdělávacích aktivit studentů. Model AI může identifikovat vzorce, generovat vizualizace a nabídnout poznatky, které studentům nemusí být okamžitě zřejmé, což usnadňuje hlubší porozumění a zkoumání tématu.
• Diskuse o etickém a kritickém myšlení: Zapojte studenty do diskusí o etických důsledcích AI a jejím dopadu na společnost. Povzbuzujte kritické myšlení a reflexi návrhů a zpětné vazby modelu AI a přimějí studenty, aby zvážili různé perspektivy a vyhodnotili spolehlivost a zkreslení informací generovaných AI.
• . Použijte své poznatky k upřesnění a zlepšení integrace modelu AI, provádějte úpravy tak, aby lépe vyhovovaly potřebám studentů a zlepšily celkovou vzdělávací zkušenost.

.

! Zde jsou umělci z předchozího seznamu spolu s konkrétním zdrojem inspirace pro jejich umělecká díla:

• Roy Lichtenstein – “Drowning Girl” (1963) inspirovaný uměleckým dílem Tonyho Abruzza.
• Jeff Koons – “Puppy” (1992) inspirovaný konceptem květinové sochy.
• Yasumasa Morimura – “Portrét (Futago)” (1988) inspirovaný slavnými západními uměleckými díly, jako je Johannes Vermeer “The Milkmaid.”
• Sherrie Levine – „After Walker Evans“ (1981) inspirované dokumentárním filmem Walkera Evansa z éry Velké deprese.
• Zhang Huan – “12 metrů čtverečních” (1994) inspirovaný výkonným uměním a tělem jako médiem.
• Vik Muniz – „Poslední večeře, po Leonardu“ (1999) inspirované Leonardem Da Vinciho „Poslední večeře.”
• Elaine Sturtevant – “Duchamp Bicycle Wheel” (1969) inspirovaný původním uměleckým dílem “Marcel Duchamp’s Priginal” Bicycle Wheel “.
• Bansky – “Mona Lisa s raketovým odpalovacím zařízením” (2007) inspirovaný ikonickým portrétem “Mona Lisa” Mona Lisa “Leonarda da Vinci.
• Cindy Sherman – „Nepevněný film Stills“ (1977-1980) inspirovaný různými hollywoodskými a filmovými noir snímky.
• Kehinde Wiley – „Napoleon vede armádu nad Alpy“ (2005) inspirovaný slavným obrazem Napoleon Bonaparte Jacques -Louis David.
• Barbara Kruger – „Bez názvu (vaše tělo je bojiště)“ (1989) inspirované politickými a feministickými tématy.
• Ai Weiwei – “Dodržování dynastie Han Urn” (1995) inspirované čínskou historií a kulturním dědictvím.
• Vik Muniz – “Obrázky čokolády” (1997) inspirované ikonickými fotografiemi a dějinami umění.
• Robert Rauschenberg – „Erased de Kooning Drawer“ (1953) inspirovaný původním kresbou Willema de Kooninga.
• Jenny Saville – “Bathers” (1995-1996) inspirované klasickými reprezentacemi ženského těla.
• Richard Prince – “Untitled (Cowboy)” (1989) inspirovaný reklamou na cigarety Marlboro.
• Julie Mehretu – “Stadia II” (2004) inspirovaná architektonickými plány a městskými panoty.
• Olafur Eliasson – „The Weather Project“ (2003) inspirovaný přírodními jevy a vnímáním.
• Richard Pettibone – “Warhol Flowers” (1964) inspirovaný ikonickými květinovými obrazy Andyho Warhola.
• Njideka Akunyili Crosby – „The Beautyfful ​​One“ (2012) inspirované nigerijskou a západní historií umění, stejně jako osobní zkušenosti.

Tyto zdroje inspirace představují širokou škálu uměleckých stylů, pohybů a historických odkazů, které umělce ovlivnily při vytváření vlastních děl.

V dřívější reakci na zprávu jste vysvětlili, jak funguje zmatenost. Moje otázka pro vás zní: Byla by analýza jazyka prostřednictvím zmatení lepší metodou než prostřednictvím gramatiky? Gramatika přechází z fonému, přípony, předpony, morfologie na syntaxi pro popis jazykových struktur, shora dolů. Zmatenost je zdola nahoru, „hádáte“, která slova se navzájem logicky řídí v jazykových strukturách. Můžete uvést nějaké argumenty proti výuce zmatenosti naučit se jazyk a některé argumenty ve prospěch školení o zmatení?

Rozhodně! Mohu poskytnout některé argumenty jak pro i proti použití zmatenosti jako metody pro analýzu jazyka a učení.

• Modelování statistického jazyka: Zmatenost je odvozena ze statistického jazykového modelování, které zachycuje vzory a pravděpodobnosti sekvencí slov v daném korpusu. Tento přístup umožňuje analýzu jazyka založenou na údajích a poskytuje vhled do pravděpodobnosti kombinací slov a napomáhám předpovědi následných slov.
• Flexibilita napříč doménami: Zmatenost lze aplikovat na širokou škálu textů, což je užitečné pro analýzu jazyka napříč různými doménami. Školením na různých datových souborech se jazykové modely mohou naučit složitosti a nuance specifické pro různé kontexty, což vede ke zlepšení výkonu.
• Adaptabilita novým jazykům a variacím: Languační modely založené na zmatenosti mohou být vyškoleny na velké korpus textu ve více jazycích, což jim umožňuje naučit se strukturu a vzorce různých jazyků. Tato flexibilita je obzvláště prospěšná pro méně studované jazyky nebo dialekt s omezenými jazykovými zdroji.
• . Toto kontextové porozumění umožňuje přesnější předpovědi a lepší zachycení významu a záměru textu.

Argumenty proti školení o zmatení:

• Nedostatek sémantického porozumění: Modely jazyků založené na zmatenosti se primárně zaměřují na statistiku na úrovni povrchu a pravděpodobnosti slov, často bez hlubokého sémantického porozumění. .
• Nedostatečné pro gramatiku a syntaxi: Zatímco zmatenost může zachytit asociace slov a předpovídat pravděpodobně další slova, nemusí adekvátně řešit gramatické a syntaktické struktury jazyka. Gramatika zahrnuje více než jen uspořádání slov, zahrnuje pravidla pro konstrukci věty, slovesnou konjugaci, napjatý a dohodu, která se nemusí efektivně naučit prostřednictvím výcviku matoucí.
• Omezená interpretovatelnost: Languační modely založené na zmatenosti fungují jako složité statistické modely, což ztěžuje jejich vnitřní fungování a vysvětluje a vysvětluje. Tento nedostatek transparentnosti může bránit jazykové analýze a bránit naší schopnosti porozumět základním lingvistickým vlastnostem jazyka.
• . Předsudky přítomné ve tréninkovém korpusu mohou ovlivnit předpovědi modelu, potenciálně udržovat stereotypy nebo šířit problematické jazykové vzorce.

Závěrem lze říci, že jazyková analýza založená na zmatení má své zásluhy při zachycení statistických zákonitů a předpovídání sekvencí slov. Měl by však být považován spíše za doplňkový nástroj než za samostatnou metodu, protože nemusí plně řešit širší aspekty jazyka, jako je gramatika, syntaxe a sémantické porozumění. .

V dřívější reakci na zprávu jste vysvětlili, jak funguje zmatenost. Moje otázka pro vás zní: Byla by analýza jazyka prostřednictvím zmatení lepší metodou než prostřednictvím gramatiky? . Zmatenost je zdola nahoru, „hádáte“, která slova se navzájem logicky řídí v jazykových strukturách. Můžete uvést nějaké argumenty proti výuce zmatenosti naučit se jazyk a některé argumenty ve prospěch školení o zmatení?

Výuka jazyka prostřednictvím zmatení nebo využití zmatenosti jako měřítka jazykové analýzy má své vlastní výhody a nevýhody. Zde jsou některé argumenty jak pro a proti zmatení školení:

Argumenty ve prospěch školení zmatenosti:

• Modelování statistického jazyka: Zmatenost je metrika běžně používaná ve statistickém modelování jazyků k vyhodnocení výkonu jazykových modelů. Tréninkovým modelům, které minimalizují zmatenost, se mohou naučit zachytit vzorce a pravděpodobnosti sekvencí slov, což umožňuje lepší předpověď dalšího slova v daném kontextu.
• Kontextové porozumění: Zmatenost bere v úvahu kontext, ve kterém se objevují slova, což umožňuje jazykovým modelům pochopit vztahy mezi slovy a jejich okolním kontextem. To může pomoci při vytváření soudržnějších a kontextově vhodných vět.
• Variace jazyka v reálném světě: Trénink zmatenosti zvládne přirozené variace a složitost využití jazyka v reálném světě. .
• Robustnost k chybám: Modely založené na zmatení mohou být více odpuštěny gramatickými chybami nebo mírnými odchylkami od standardní gramatiky. Mohou generovat plynulejší reakce, i když vstup obsahuje chyby nebo nekonzistence, což je činí potenciálně užitečnější ve scénářích, kde uživatelé nemusí přísně dodržovat gramatická pravidla.

Argumenty proti školení o zmatení:

• Nedostatek explicitních gramatických pravidel: Modely založené na zmatení se výslovně nenaučí gramatická pravidla, což je může méně vhodné pro aplikace, kde je gramatická korektnost zásadní, jako je výuka jazyka nebo formální psaní. .
• Nedostatečné sémantické porozumění: Zatímco trénink zmatenosti může zachytit statistické pravidelnosti v jazyce, nemusí nutně pochopit základní sémantické nebo koncepční význam slov nebo frází. V důsledku toho mohou modely založené na zmatenosti bojovat s úkoly, které vyžadují hlubší porozumění nebo odvození nad pravděpodobnostmi slov na úrovni povrchu.
• . Pokud tréninkové údaje postrádají rozmanitost nebo obsahují zkreslení, může výstup modelu odrážet tato omezení. Navíc školení o zmatenosti nesmí dobře zvládnout vzácná nebo neviditelná slova nebo neobvyklé struktury věty, což v takových případech vede k méně přesným předpovědím.
• Nedostatek využívání tvůrčího jazyka: Modely založené na zmatenosti upřednostňují předvídatelnější a běžné jazykové vzorce, které mohou omezit jejich schopnost generovat kreativní nebo inovativní používání jazyka. Mohou se potýkat s produkcí nových nebo imaginativních výrazů, protože se spoléhají především na naučené statistické pravidelnosti z tréninkových dat.

Závěrem lze říci, že zatímco školení o zmatení nabízí výhody, jako je zachycení kontextového porozumění a manipulace se změnou jazyka v reálném světě, nemusí to být vhodná náhrada za explicitní gramatická pravidla nebo hluboké sémantické porozumění. Je důležité zvážit konkrétní aplikaci a požadavky při rozhodování o tom, zda použít přístupy založené na zmatení pro analýzu jazyka nebo výuku.