面向AIGC的教育提示工程学习提示单设计及应用

在AIGC时代,如何合理运用大模型赋能课堂教学是目前应解决的关键问题。通过教育提示工程的理论指导设计学习提示单能够促进教育与大模型等新技术的有效融合。学习提示单是帮助中小学师生在课堂中合理适恰地运用大模型解决问题的一种学习资源,旨在通过运用教育提示工程的理论针对教育领域的提示词进行设计,从而解决大模型在课堂中的合理有效运用问题。针对中小学师生使用大模型遇到的诸如如何引导学生正确使用大模型、如何把控大模型的内容质量、如何规避大模型使用的伦理风险以及如何提高学生的批判性思维等问题,设计了基于三轮对话的T|BO-LRQET-P&R(简称LRQET)模型、学习提示单以及大模型的课堂教学应用模式。通过教育提示工程的理论设计学习提示单以助力师生的教与学。

生成式AI的大模型提示工程:方法、现状与展望

大语言模型和视觉语言模型在各领域的应用中展示出巨大潜力,成为研究热点。然而,幻觉、知识迁移、与人类意图对齐等问题仍然影响着大模型的性能。首先,探讨了提示工程与对齐技术基本原理,提出基于提示优化、专家反馈机制及实时调整机制的引导概念,提升了大语言模型在跨领域应用中的性能;其次,深入分析提示工程的核心技术,如多步推理处理复杂任务的原理;然后,针对各领域的实际应用,讨论提示工程的发展现状;最后,总结提示工程面临的挑战并展望其未来发展方向。提示工程在理论与应用方面的发展,为提升大模型在实际应用中的性能提供了全面的解决方案。

教学设计任务场景下提示工程模型构建与应用

生成式人工智能技术的兴起为提升教学设计效率和实现教学个性化提供了新途径,生成式人工智能应用于教学设计已成为研究焦点,但如何有效整合该技术以优化教学设计并评估其在实际教学环境中的效果仍是挑战。为解决上述问题,文章以初中数学的《一元一次不等式》章节为训练数据,开发基于生成式人工智能的人机协作的教学设计提示工程模型,并建立相关平台。利用《一次函数与二元一次方程组》章节作为测试数据,通过与平台交互,生成完整的教学设计,并对生成方案进行可行性和教学效果分析。研究表明模型生成的教学设计在实际课堂中可行,学生参与度高,教学效果与传统方法相当。

零样本场景下基于提示工程的智能合约漏洞检测研究

智能合约是区块链技术的重要组成部分,但由于编程人员的开发和代码审查经验不足,智能合约漏洞引发的安全问题日益增多。现有的形式化验证和符号执行检测方法误报率和漏报率较高,基于深度学习的方法尽管提高了检测效果,但仍存在解释性较差和依赖大量标注数据的问题。为解决这些局限性,提出一种在零样本场景下基于提示工程的智能合约漏洞检测方法Prompt-enhanced ChatGPT。该方法以使用标准提示文本的ChatGPT为研究对象,通过将传统的漏洞检测任务转化为文本问答任务,利用模型的推理能力进行检测。智能合约源码经过预处理去除冗余信息,并设计包含“任务描述”“漏洞描述”“检测步骤”“推理过程”和“答案格式”的提示文本模板,Prompt-enhanced ChatGPT可以生成漏洞检测结果和可解释的分析过程。在公开的数据集上进行一系列对比实验和分析后,结果表明所提方法能够提升零样本场景下智能合约漏洞检测性能,揭示了大语言模型在相关领域的潜在能力。

基于大语言模型和提示工程的机械故障诊断问答研究

机械故障诊断领域知识专业术语多,理解难度大。大型语言模型(LLM)虽然在自然语言处理和问答系统上表现都很出色,但因为缺乏特定领域数据训练,在专业领域的问答应用不够精准。为改善LLM在机械故障诊断领域问答的表现,通过收集和预处理专业数据,结合提示工程,设计了一个检索增强的专业问答系统。首先,系统通过信息分类判定,筛选并输入专业相关问题。其次,利用LLM和自建的本地知识库,结合双曲空间中的距离度量函数来提高检索问答的精准度,生成专业的回答。最后,系统通过引入阶段性引导提示,不仅帮助LLM生成问题数据以提高模型性能,还能在专业检索问答中更好地理解用户意图,从而生成全面且准确的回答。实验结果展示了问答系统的效果,还通过主观和客观评估验证了其专业性能,并通过消融实验验证了各模块的性能。

基于提示工程的档案文化遗产AIGC应用策略研究

人工智能生成内容技术的兴起为档案文化遗产的智能化管理与创新传播带来新的契机与挑战。在梳理AIGC技术发展脉络、原理的基础上,分析了档案文化遗产数字化面临的问题,凝练了AIGC技术在档案业务流程中的应用需求,进而针对档案编目、档案检索、档案咨询、档案编研、档案宣传等典型业务场景,提出基于提示工程优化AIGC模型的应用策略,旨在为提升档案文化遗产的智能化管理水平、创新优秀档案文化传播模式提供理论参考与实践指引。

提示工程师:生成式AI浪潮下传播生态变局的关键加速器

以ChatGPT为代表的生成式AI预训练语言大模型的丰富应用,提供了具体有效的关于智能物联时代的想象,而在现实世界、实体经济的“产业数智化”过程中,新兴职业提示工程师走进了人们的视野。随着生成式AI语言大模型越来越复杂,其回答质量不仅取决于底层算法和训练数据,还取决于其接收的提示(问题表达)的有效性。以生成式AI语言大模型的训练与应用为例,阐述提示工程师作为数智产业化、智能传播生态格局变化过程中的重要中介变量所起到的加速器价值与作用。

提示工程师:未来新闻工作者的身份转变与逻辑重构

研究以生成式AI伴生的新职业(提示工程师)为着眼点,提出提示工程师诞生的必然性、偶然性、适应性。在此基础上,探讨生成式AI对新闻工作者和新闻业的深刻影响,在协同视域下从协同境、协同过程、协同主体三个维度说明新闻工作者在新形势下的身份转变,最后从赋能价值、发声机制和服务本色层面揭示未来新闻工作者的逻辑重构。

提示工程师的工作方法研究

ChatGPT技术的快速发展正在推动新的技术革命,其应用已开始进入各行各业。提示工程师这一行业正在逐渐走进海内外劳务市场,其工作形式包括设计合适的输入或提示、监督生成式AI的输出、对大语言模型进行调优和改进等。本文通过实验,分析提示词对生成内容的影响,总结出了通用的提示词书写规律,结合逻辑案例为大模型结合业务逻辑的行业落地提供了快捷、低成本的方法指导。

基于半自动提示工程人工智能任务代码生成方法

大语言模型的快速发展极大地推动了人工智能技术的进步,并显著降低了生成人工智能代码的门槛。然而,这也要求用户提供精确的数据,以确保生成高质量的人工智能代码,从而使大模型能够有效地完成复杂的人工智能代码生成任务。提示工程作为与大型模型交互的核心技术,对于保障代码生成的质量和效率起到了决定性作用。文章提出了一个AI-CODE框架来替代人工分析的工作,帮助大模型生成特定任务的代码。该框架通过构建专业词汇数据集和半自动提示生成机制,实现了从用户模糊描述到完整项目代码的转换。实验结果表明,AI-CODE在关键词分类、提示生成和项目代码生成方面具有较高的准确性。与现有框架相比,AI-CODE在多个方面具有显著优势,为用户提供了一个全新的项目级代码生成解决方案。

基于本地大语言模型和提示工程的材料信息抽取方法研究

【目的】从给定的专题研究论文中识别用于有机材料研发所需的实验材料信息,抽取已有研究中给体-受体体系下有机电池材料实体、类型实例。【方法】利用本地部署的大语言模型和提示工程,将信息抽取任务转化为无需微调的对话式抽取任务。通过在提示模板中添加少量示例并允许大语言模型给出否定回答的方式,识别相应的实例信息。【结果】在没有使用数据集进行微调的情况下,实现了材料实体和类型的抽取,其中实体识别的准确率为0.98,超过微调的方式,材料类型识别的准确率达到0.94。【局限】受本地计算资源的约束,本文降低了大语言模型的参数精度,对于长实体的识别性能偏低。【结论】采用低配本地化部署的基础大语言模型,通过构建合理的提示指令和人机协作模式,可以灵活、高效抽取所需主题下的实验信息。

基于ChatGPT和提示工程的查询式摘要数据集AMTQFSum构建研究

【目的】针对查询式摘要数据集稀缺问题,研究满足科研人员个性化查询需求的方法。【方法】通过构建生成与自我校验提示链,基于ChatGPT和提示工程提出一种以大语言模型为“数据标注员”的自动化数据标注方法,构建自然语言处理领域学术会议记录查询摘要数据集AMTQFSum。【结果】AMTQFSum在数据量和长度分布上更加优越,UniEval摘要评估模型语言显示AMTQFSum比现有QFS数据集平均得分提升85%和33%。在6个经典查询式摘要模型上验证AMTQFSum数据集的基准效果,结果显示基于BART的查询式摘要生成效果最佳,ROUGE-1/2/L达52.53%、35.61%、44.80%。【局限】未扩大数据集学科范围。【结论】基于提示链的大语言模型数据标注方法能为自动化数据标注提供可行方案,AMTQFSum数据集为查询式摘要生成任务提供了研究基础。

面向大模型艺术图像生成的提示词工程研究

随着人工智能技术在艺术领域的迅速发展,提示词驱动的艺术图像生成已变得非常流行。然而,提示词生成艺术图像的规律和方法还未被充分研究。该研究通过CLIP模型计算和专家评估对Midjourney模型生成的图像进行定量评价,并结合网络民族志的参与式观察,全面揭示提示词生成艺术图像的规律和方法。研究结果发现,随着版本的提升(Midjourney V2到V5),Midjourney模型在美学质量方面得到显著地提升,突显了艺术家和创作者需要不断学习来适应新版本AI模型的重要性。为此,提出了优化的提示词公式,可快速高效地生成各种风格的高美学质量的图像。AI模型在不同主题中表现出不同的能力,Midjourney模型较为擅长生成油画、水彩水墨和二次元角色等,并在具象与抽象主题中表现得同样出色,而在素描和彩铅风格方面相对较弱。创作者应利用其优势风格进行图像创作。此外,还发现特定版本的优秀提示词组合可以极大提升生成图像的质量,精心设计提示词至关重要,且新版本并不一定比之前的版本更好。提示创作者需探索并积累与版本匹配的优秀提示词。该研究不仅揭示提示词生成艺术图像的规律和方法,也为创作者在AI艺术创作领域提供了理论和实践方面的指导。

提示工程师:概念、胜任力与成长路径

随着大语言模型(LLM)及生成式人工智能技术的迅猛发展,提示工程师这一新兴职业应运而生。提示工程师专注于设计与优化用以引导大语言模型的提示(prompt),以提升模型的性能和适用性。首先梳理提示工程相关的基本概念,如自然语言处理、大语言模型、生成式人工智能、提示等。然后细致阐述提示工程师的工作流程等,如问题定义、需求分析、提示设计、优化等。进一步,总结提示工程师的核心胜任力,包括硬技能和软技能,如深入理解自然语言处理、掌握提示技术、数据分析能力、编程能力、创造性思维、批判性思维与终身学习能力等,同时介绍提示工程师的几种常见工作场景及其应用实例。更进一步,论述提示工程师的成长路径。最后,讨论高等教育应当如何支持提示工程师的培养,包括建立面向人工智能的适应性课程体系;创新“AI+”教育模式,加强跨学科、实践导向的教学;深化校企产学研合作;提供终身学习资源,加强职业指导等。

图书馆提示语工程:价值、设计及实现

文章探讨图书馆提示语工程的作用和价值,梳理提示语工程设计的两种范式,构建图书馆提示语工程设计的“CIFE”框架,并提出图书馆提示语工程的实现路径,即构建基于多场景多应用的图书馆提示库,制定图书馆提示语工程设计标准,培育图书馆领域提示语工程师,测试提示语性能并规避风险。

大模型提示词工程的进展、综述及展望

自2023年起,大型语言模型(LLM)进入了快速发展期,提示词工程愈发受到重视并成为重要研究课题之一。文章首先介绍了提示词工程的定义分类和主要要素;然后进一步探讨了零样本提示、少样本提示、链式思考提示、思维树提示、自动提示工程、检索增强生成和ReAct框架等提示技术,并讨论了它们在不同场景下的应用和效果;最后预测了提示词工程未来可能的发展趋势。

生成式AI时代下的提示素养培育研究

随着人工智能技术的飞速发展和信息获取方式的深刻变革,提示技能成为生成式AI时代不可或缺的关键能力,同时也对长期专注于信息素养教育的图书馆提出了新的挑战与要求。文章基于提示工程的核心流程,剖析了提示素养的内涵与框架,分析了提示素养教育的内容,涵盖生成式AI工具认知、提示词编写技巧、信息质量评估能力以及伦理与道德意识等方面,并提出通过多层次的教学体系培养用户的提示素养。此外,文章还探讨了图书馆在提示素养培育中的角色,提出图书馆在生成式AI工具整合及特色提示词库构建方面的教育资源建设思路,旨在构建完善的提示素养教育支撑体系,为图书馆的提示素养教育提供理论依据,也为实践提供可操作的框架和策略支持。

一种聚焦于提示的大语言模型隐私评估和混淆方法

虽然大语言模型在语义理解方面表现优异,但频繁的用户交互带来了诸多隐私风险。文章通过部分回忆攻击和模拟推理游戏对现有的大语言模型进行隐私评估,证明了常见的大语言模型仍存在两类棘手的隐私风险,即数据脱敏处理可能影响模型响应质量以及通过推理仍能获取潜在的隐私信息。为了应对这些挑战,文章提出了一种聚焦于提示的大语言模型隐私评估和混淆方法。该方法以结构化进程展开,包括初始描述分解、伪造描述生成以及描述混淆。实验结果表明,文章所提方法的隐私保护效果较好,与现有方法相比,处理前后的模型响应之间的归一化Levenshtein距离、Jaccard相似度和余弦相似度均有一定程度下降。该方法也有效限制了大语言模型的隐私推理能力,准确率从未处理时的97.14%下降至34.29%。这项研究不仅加深了人们对大语言模型交互中隐私风险的理解,还提出了一种用于增强用户隐私安全的综合方法,可有效解决上述两类棘手的隐私风险场景下的安全问题。

基于开源代码大语言模型提示的学生代码修复

随着机器学习技术的进步,旨在学习人类修复错误代码模式的自动程序修复技术可以辅助学生修复错误代码,提高学生的自主学习效率.在过去,自动程序修复模型或是基于人工设计的符号规则,或是基于数据驱动的方法.随着具有强大自然语言理解能力和代码生成能力的大语言模型的出现,一些研究尝试使用提示工程进行自动程序修复.然而,现有研究主要评估诸如Codex和GPT-4这样的商用模型,一方面大规模使用的成本较高,另一方面在教育场景下存在数据隐私隐患.此外,这些研究大多使用简单的提示形式来评估模型修复程序的能力,且缺乏对结果的深入分析.为弥补上述工作的不足,通过提示工程评估了两个代表性的开源代码大语言模型,测试了不同的提示方法,例如思维链和少样本学习,并对结果进行了深入分析,最后提出了一些将大语言模型和编程教育场景结合的建议.

大语言模型背景下提示词工程赋能英语口语学习研究

本研究探讨了运用提示词工程和大语言模型来适应各种英语口语教育场景,研究了为模拟雅思口语考试、K-12口语考试和学前英语教学等场景而定制的提示词的设计和应用。本研究使用了定量指标,如BLEU和ROUGE分数,以及流利性、相关性、完整性、多样性和连贯性等指标,评估生成的回复的质量。此外,本研究还运用了综合评分公式来评估回复的质量,并说明了每个指标的重要性。本研究强调了提示词工程在为英语教育提供适应性解决方案方面的潜力。它还强调了需要进一步改进大语言模型的能力,以提高其在这些场景中的性能。本研究为提示词工程和大语言模型的应用提供了宝贵的见解,为英语口语教育及相关领域的发展做出了贡献。