Tổng quan về trí tuệ nhân tạo
Báo cáo thực hành: Tối ưu hoá kỹ năng viết Prompt trong học tập — thử nghiệm 3 cấp prompt (Cơ bản → Cải tiến → Nâng cao) trên 3 tác vụ học tập phổ biến.
Xem & tải file dự án trên Google DriveKhai thác hiệu quả các mô hình ngôn ngữ lớn (LLMs) trong học tập thông qua việc thiết kế và so sánh có hệ thống các phiên bản prompt ở 3 cấp độ khác nhau, từ đó rút ra bộ nguyên tắc viết prompt áp dụng được vào học tập hàng ngày.
3 tác vụ học tập được lựa chọn
-
Tóm tắt một bài đọc/tài liệu học thuật.
Mục tiêu: rút trích nhanh các ý chính, phương pháp nghiên cứu và kết luận từ một văn bản dài mà không làm mất thông tin cốt lõi.
Thách thức: nếu prompt thiếu định hướng, AI dễ bỏ sót chi tiết quan trọng, tóm tắt chung chung, hoặc làm sai lệch ý nghĩa thuật ngữ chuyên ngành. -
Giải thích một khái niệm phức tạp.
Mục tiêu: phân rã một khái niệm trừu tượng, khó hiểu thành các phần nhỏ dễ tiếp thu bằng ngôn ngữ phổ thông.
Thách thức: AI có xu hướng "dùng từ ngữ hàn lâm để giải thích từ ngữ hàn lâm", dẫn đến người học đọc xong vẫn không hiểu. Cần kỹ thuật ép AI sử dụng ẩn dụ hoặc ví dụ thực tiễn. -
Tạo bộ câu hỏi ôn tập cho một chủ đề.
Mục tiêu: tạo công cụ tự đánh giá kiến thức bao phủ nhiều mức độ nhận thức (ghi nhớ → hiểu → phân tích → suy luận).
Thách thức: thiếu cấu trúc, AI thường đưa ra câu hỏi quá hời hợt, dễ đoán, thiếu phân hoá độ khó hoặc cung cấp sai kiến thức.
Với mỗi tác vụ, xây dựng 3 phiên bản prompt theo độ phức tạp tăng dần: Cơ bản (chỉ nêu yêu cầu trần) → Cải tiến (thêm cấu trúc đầu ra) → Nâng cao (áp dụng kỹ thuật Prompt Engineering). Sau đó chạy từng prompt trên ChatGPT và đối chiếu kết quả.
Tác vụ 1 — Tóm tắt bài đọc/tài liệu học thuật
Tác vụ 2 — Giải thích khái niệm phức tạp
Tác vụ 3 — Tạo bộ câu hỏi ôn tập
Vì sao Prompt Nâng cao hiệu quả?
Sự khác biệt về chất lượng đầu ra giữa prompt cơ bản và nâng cao đến từ 3 yếu tố cốt lõi của Prompt Engineering:
- Thiết lập vai trò (Role-prompting). Khi yêu cầu AI đóng vai "giáo sư", "chuyên gia khảo thí" hay "nhà truyền thông khoa học", người dùng cung cấp một ngữ cảnh cụ thể. LLMs tự động điều chỉnh từ vựng, văn phong, giọng điệu phù hợp với bối cảnh chuyên môn đó, thay vì đưa ra câu trả lời trung tính, chung chung.
- Ép buộc cấu trúc thông tin (Structure constraints). Prompt nâng cao không để AI tự quyết định cách trình bày. Việc yêu cầu định dạng rõ ràng (bullet point, chia 3 phần, đánh số 1-2-3) giúp bảo vệ đầu ra khỏi tình trạng lan man, đảm bảo người học nhận được thông tin có tính hệ thống cao.
- Kích hoạt quy trình tư duy (Chain-of-Thought). Rõ nhất ở Tác vụ 3. Yêu cầu "hãy giải thích lý do trước khi đưa ra câu hỏi" buộc AI thực hiện quá trình suy luận từng bước, triệt tiêu hiện tượng "ảo giác" (hallucination) và nâng cao đáng kể chất lượng nội dung học thuật.
4 nguyên tắc vàng đúc kết
- Nguyên tắc "Định danh" (Persona Adoption). Luôn bắt đầu prompt bằng việc cấp cho AI
một vai trò (vd
"Hãy đóng vai một gia sư IELTS kiên nhẫn…"). Vai trò càng chi tiết, kết quả càng sắc nét. - Nguyên tắc "Rõ ràng đầu ra" (Format Specification). Tránh các động từ chung chung như
"hãy viết về…". Thay vào đó, chỉ định hình thức cụ thể:"hãy lập bảng so sánh","hãy tóm tắt thành 5 gạch đầu dòng","hãy tạo sơ đồ tư duy bằng text". - Nguyên tắc "Khoanh vùng đối tượng" (Audience Targeting). AI cần biết nó đang nói chuyện
với ai. Cụm
"Giải thích cho học sinh lớp 5"sẽ cho kết quả hoàn toàn khác biệt so với"Giải thích cho sinh viên đại học năm 3". - Nguyên tắc "Tư duy từng bước" (Step-by-step Execution). Với bài toán khó, logic phức
tạp hoặc cần đánh giá đa chiều, hãy thêm câu lệnh thần chú:
"Hãy suy nghĩ từng bước một trước khi đưa ra đáp án cuối cùng". AI sẽ xử lý chậm lại nhưng chính xác hơn rất nhiều.