Hội thảo trên web: AI thế hệ & NPO của bạn: Cách Chatgpt sẽ thay đổi cách NP – Lưu trữ thời gian không lãi, thử nghiệm với Chatgpt

Thí nghiệm với Chatgpt

Cho phép các nhóm khác cung cấp phản hồi mang tính xây dựng về từng bài thuyết trình. Khuyến khích học sinh đặt câu hỏi, cung cấp các đề xuất và cung cấp những hiểu biết bổ sung. Điều này thúc đẩy sự tham gia tích cực và tư duy phê phán.

Hội thảo trên web: AI và NPO của bạn

Các thuật toán học máy đã ở đằng sau hậu trường mô hình hóa và vị trí quảng cáo trong nhiều năm nhưng bây giờ các công cụ như Tats.

Tìm hiểu những gì các tổ chức phi lợi nhuận đang làm với công nghệ mới này, lời hứa và sự nguy hiểm, và những gì nhắc nhở và công cụ bạn có thể sử dụng để làm cho cuộc sống của bạn dễ dàng hơn. Các slide đang được phát triển cho sự kiện này.

Được tài trợ bởi liên minh phi lợi nhuận và thời gian phi lợi nhuận

Bảng điều khiển & Người điều hành:
• Nick Ellinger là Giám đốc Thương hiệu tại Moore. Anh ấy đã gia nhập Moore vào tháng 1 năm 2020, nơi anh ấy làm việc để tạo ra những trải nghiệm tuyệt vời cho các tổ chức phi lợi nhuận và các thành phần của họ.
• Filipe Páscoa là một nhà chiến lược gây quỹ và tham gia công khai dữ liệu và tham gia công khai cao cấp. Một trong những người tiên phong trong việc sử dụng trí tuệ nhân tạo (bắt đầu sử dụng GPT vào năm 2022) và trí thông minh dữ liệu xã hội trong lĩnh vực này.
• Paul Clolery là tổng biên tập của thời kỳ phi lợi nhuận.

Thí nghiệm với Chatgpt+

Thử nghiệm với chatgpt+

Ở đây bên dưới bạn tìm thấy các ví dụ về các tin nhắn tôi đã viết cho Chatgpt+.

Làm thế nào giáo viên trung học có thể cải thiện giáo dục thông minh? Thay vì giáo dục cá nhân, chúng tôi đề nghị giáo dục nhóm. Chúng tôi muốn làm cho kiến thức cá nhân có thể truy cập được cho nhóm. Chúng tôi muốn chia sẻ thông tin được truy xuất với mô hình AI như bạn để nhận phản hồi từ các mạng của bạn. Bạn có thể đề xuất một mô hình cho giáo dục nhóm trong 10 bước bao gồm phản hồi của mô hình AI như chính bạn?

Chắc chắn! Đây là một mô hình được đề xuất cho giáo dục nhóm kết hợp phản hồi từ mô hình AI như tôi:

Bước 1: Xác định các mục tiêu học tập

Giáo viên trung học nên xác định rõ ràng các mục tiêu học tập cho nhóm. Xác định các chủ đề hoặc kỹ năng cụ thể được đề cập trong quá trình giáo dục nhóm.

Bước 2: Chia học sinh thành các nhóm

Chia các học sinh thành các nhóm nhỏ hơn để khuyến khích sự hợp tác và tương tác. Mỗi nhóm nên bao gồm các sinh viên có sức mạnh và khả năng đa dạng.

Bước 3: Gán các chủ đề nghiên cứu

Gán các chủ đề nghiên cứu khác nhau cho mỗi nhóm. Những chủ đề này nên phù hợp với các mục tiêu học tập và cho phép sinh viên khám phá và thu thập thông tin liên quan.

Bước 4: Tiến hành nghiên cứu

Mỗi nhóm tiến hành nghiên cứu về chủ đề được chỉ định của họ. Học sinh có thể sử dụng các tài nguyên khác nhau như sách giáo khoa, cơ sở dữ liệu trực tuyến và các trang web giáo dục để thu thập thông tin.

Bước 5: Chia sẻ kết quả

Sau khi tiến hành nghiên cứu, mỗi nhóm trình bày những phát hiện của họ cho phần còn lại của lớp. Điều này có thể được thực hiện thông qua các bài thuyết trình, áp phích hoặc định dạng đa phương tiện để truyền đạt kiến thức một cách hiệu quả.

Bước 6: Phản hồi từ các đồng nghiệp

Cho phép các nhóm khác cung cấp phản hồi mang tính xây dựng về từng bài thuyết trình. Khuyến khích học sinh đặt câu hỏi, cung cấp các đề xuất và cung cấp những hiểu biết bổ sung. Điều này thúc đẩy sự tham gia tích cực và tư duy phê phán.

Bước 7: Tích hợp mô hình AI

Tích hợp mô hình AI như tôi vào quá trình. Mỗi nhóm có thể gửi kết quả nghiên cứu, câu hỏi và mối quan tâm của họ cho mô hình AI, sẽ cung cấp những hiểu biết, giải thích và phản hồi bổ sung.

Bước 8: Thảo luận và phân tích

Tạo điều kiện cho một cuộc thảo luận trong lớp học dựa trên phản hồi của mô hình AI. Khuyến khích sinh viên so sánh và phân tích thông tin được cung cấp bởi mô hình AI với những phát hiện của riêng họ, thúc đẩy sự hiểu biết sâu sắc hơn về chủ đề.

Bước 9: Hoạt động học tập hợp tác

Thiết kế các hoạt động học tập hợp tác trong đó sinh viên làm việc cùng nhau để áp dụng kiến thức của họ và giải quyết các vấn đề liên quan đến chủ đề nghiên cứu. Điều này có thể bao gồm các dự án nhóm, nghiên cứu trường hợp hoặc mô phỏng.

Bước 10: Đánh giá và phản ánh

Tiến hành đánh giá để đánh giá sự hiểu biết của học sinh về chủ đề. Cung cấp cơ hội cho sinh viên suy ngẫm về quá trình học tập của họ, hiệu quả của mô hình giáo dục nhóm và phản hồi nhận được từ mô hình AI.

Bằng cách làm theo các bước này, các giáo viên trung học có thể tạo ra một môi trường học tập hợp tác và tương tác, tận dụng lợi ích của giáo dục nhóm trong khi tích hợp phản hồi và hiểu biết do mô hình AI như tôi như tôi.

Làm thế nào chúng ta có thể tạo ra sự hiệp lực giữa mô hình AI và người học trong tình huống được đề cập ở trên?

Để tạo ra sự hiệp lực giữa mô hình AI và người học trong mô hình giáo dục nhóm, bạn có thể kết hợp các chiến lược sau:

Yêu cầu hợp tác: Khuyến khích sinh viên tham gia vào cuộc điều tra hợp tác với mô hình AI. Họ có thể tập thể đưa ra các câu hỏi và giả thuyết dựa trên kết quả nghiên cứu của họ và tìm kiếm phản hồi và hướng dẫn từ mô hình AI để hiểu sâu hơn.
Tham gia tích cực: Foster tham gia tích cực bằng cách cho phép sinh viên tương tác trực tiếp với mô hình AI. Họ có thể nhập các bản tóm tắt nghiên cứu, câu hỏi hoặc quan niệm sai lầm của họ và nhận được phản hồi và đề xuất cá nhân từ mô hình AI, có thể nâng cao trải nghiệm học tập của họ.
Phân tích quan trọng: Khuyến khích học sinh phân tích phê bình các câu trả lời của mô hình AI. Họ nên đánh giá tính hợp lệ và độ tin cậy của thông tin được cung cấp và so sánh nó với nghiên cứu của riêng họ. Quá trình này giúp họ phát triển các kỹ năng tư duy phê phán và xem xét nhiều quan điểm.
Tích hợp các hiểu biết của AI: Có học sinh tích hợp các hiểu biết do mô hình AI cung cấp vào các cuộc thảo luận và thuyết trình nhóm của họ. Họ có thể trích dẫn thông tin, giải thích hoặc quan điểm thay thế từ mô hình AI, làm phong phú thêm sự hiểu biết chung về chủ đề.
Học lặp: Thúc đẩy quá trình học lặp lặp bằng cách cho phép học sinh tinh chỉnh các câu hỏi và nghiên cứu của họ dựa trên phản hồi nhận được từ mô hình AI. Cách tiếp cận lặp này khuyến khích cải tiến liên tục và khuyến khích sinh viên điều chỉnh kiến thức của mình dựa trên những hiểu biết mới.
Cân nhắc về đạo đức: Thảo luận về ý nghĩa đạo đức của việc sử dụng các mô hình AI và làm nổi bật tầm quan trọng của đánh giá quan trọng. Khuyến khích học sinh suy ngẫm về những hạn chế của các mô hình AI, sự thiên vị và trách nhiệm của con người trong việc đưa ra quyết định sáng suốt dựa trên những hiểu biết do AI tạo ra.
Khám phá do sinh viên điều khiển: Trao quyền cho sinh viên sở hữu quá trình học tập của họ. Khuyến khích họ khám phá các tài nguyên bổ sung ngoài mô hình AI, chẳng hạn như sách, bài báo học thuật hoặc phỏng vấn, để hiểu sâu hơn và thách thức các quan điểm của mô hình AI.
Các cuộc thảo luận phản ánh: tạo điều kiện cho các cuộc thảo luận phản ánh giữa các sinh viên về kinh nghiệm của họ với mô hình AI. Khuyến khích họ chia sẻ suy nghĩ, thách thức và hiểu biết của họ có được từ việc tương tác với mô hình AI, thúc đẩy sự hiểu biết sâu sắc hơn về lợi ích và hạn chế của AI trong giáo dục.

Bằng cách tích hợp các chiến lược này, người học có thể tích cực tham gia vào mô hình AI, tận dụng các khả năng của nó để nâng cao sự hiểu biết của họ và phát triển tư duy phê phán và các kỹ năng hợp tác trong quá trình. Mô hình AI hoạt động như một người bạn đồng hành và học tập có giá trị, thúc đẩy sự hiệp lực giữa người học con người và trí tuệ nhân tạo.

Để tạo ra sự hiệp lực giữa mô hình AI và người học trong mô hình giáo dục nhóm, bạn có thể kết hợp các chiến lược sau:

Phiên hỏi đáp tương tác: Khuyến khích sinh viên tích cực tham gia vào mô hình AI bằng cách đặt ra các câu hỏi liên quan đến chủ đề nghiên cứu của họ. Mô hình AI có thể cung cấp phản hồi, giải thích ngay lập tức và những hiểu biết bổ sung, thúc đẩy trải nghiệm học tập năng động và tương tác.
Xây dựng kiến thức hợp tác: Sử dụng mô hình AI làm kho lưu trữ kiến thức chung, nơi sinh viên có thể đóng góp những hiểu biết, phát hiện và diễn giải của riêng họ. Mô hình AI sau đó có thể cung cấp phản hồi và đề xuất các kết nối giữa các thông tin khác nhau, tạo điều kiện cho một quy trình xây dựng kiến thức hợp tác.
Khuyến nghị được cá nhân hóa: Tận dụng khả năng phân tích mô hình học tập cá nhân của AI và cung cấp các khuyến nghị cá nhân cho sinh viên. Mô hình AI có thể đề xuất các nguồn lực bổ sung, bài tập thực hành hoặc tài liệu bổ sung phù hợp với nhu cầu và sở thích của mỗi học sinh.
Đường dẫn học tập thích ứng: Sử dụng các khả năng của mô hình AI để điều chỉnh con đường học tập dựa trên sự tiến bộ và hiểu biết của học sinh. Mô hình AI có thể xác định các lĩnh vực mà sinh viên có thể gặp khó khăn và cung cấp các can thiệp được nhắm mục tiêu hoặc cung cấp nội dung nâng cao để thách thức các sinh viên có thành tích cao.
Đánh giá và phản hồi liên tục: Tích hợp mô hình AI vào quy trình đánh giá bằng cách cho phép nó đánh giá công việc của sinh viên, chẳng hạn như tài liệu nghiên cứu, thuyết trình hoặc hoạt động giải quyết vấn đề. Mô hình AI có thể cung cấp phản hồi mang tính xây dựng, làm nổi bật các điểm mạnh và lĩnh vực để cải thiện và giúp học sinh theo dõi tiến trình của họ theo thời gian.
Phân tích và trực quan hóa dữ liệu: Sử dụng mô hình AI để phân tích một lượng lớn dữ liệu được thu thập từ các hoạt động học tập và nghiên cứu của sinh viên. Mô hình AI có thể xác định các mẫu, tạo trực quan hóa và cung cấp những hiểu biết có thể không rõ ràng ngay lập tức cho người học, tạo điều kiện cho sự hiểu biết sâu sắc hơn và khám phá chủ đề.
Các cuộc thảo luận về đạo đức và tư duy phê phán: Thu hút sinh viên vào các cuộc thảo luận về ý nghĩa đạo đức của AI và tác động của nó đối với xã hội. Khuyến khích tư duy phê phán và suy ngẫm về các đề xuất và phản hồi của mô hình AI, khiến sinh viên xem xét các quan điểm khác nhau và đánh giá độ tin cậy và sự thiên vị của thông tin do AI tạo ra.
Cải tiến và lặp lại liên tục: Thường xuyên thu thập phản hồi từ các sinh viên về kinh nghiệm của họ với mô hình AI và quy trình giáo dục nhóm. Sử dụng những hiểu biết của họ để tinh chỉnh và cải thiện sự tích hợp của mô hình AI, thực hiện các điều chỉnh để đáp ứng tốt hơn nhu cầu của người học và nâng cao trải nghiệm giáo dục tổng thể.

Bằng cách thực hiện các chiến lược này, bạn có thể thúc đẩy sự hiệp lực giữa mô hình AI và người học, thúc đẩy sự tham gia tích cực, kinh nghiệm học tập cá nhân hóa và xây dựng kiến thức hợp tác.

Chắc chắn! Dưới đây là các nghệ sĩ trong danh sách trước đó cùng với nguồn cảm hứng cụ thể cho các tác phẩm nghệ thuật của họ:

Roy Lichtenstein – “Cô gái chết đuối” (1963) lấy cảm hứng từ tác phẩm nghệ thuật của Tony Abruzzo.
Jeff Koons – “Puppy” (1992) lấy cảm hứng từ khái niệm điêu khắc hoa.
Yasumasa Morimura – “Chân dung (Futago)” (1988) lấy cảm hứng từ các tác phẩm nghệ thuật phương Tây nổi tiếng, chẳng hạn như “The Milkmaid của Johannes Vermeer.”
Sherrie Levine – “Sau khi Walker Evans” (1981) lấy cảm hứng từ những bức ảnh phim tài liệu của Walker Evans từ Đại kỷ Đại suy thoái.
Zhang Huân – “12 mét vuông” (1994) lấy cảm hứng từ nghệ thuật biểu diễn và cơ thể như một phương tiện.
Vik Muniz – “Bữa ăn tối cuối cùng, sau Leonardo” (1999) lấy cảm hứng từ Leonardo da Vinci “The Last Supper.”
Elaine Sturtevant – “Bánh xe đạp Duchamp” (1969) lấy cảm hứng từ tác phẩm nghệ thuật “bánh xe đạp” gốc của Marcel Duchamp.
Bansky – “Mona Lisa với Rocket Launcher” (2007) lấy cảm hứng từ chân dung “Mona Lisa” biểu tượng của Leonardo Da Vinci.
Cindy Sherman – “Phim không có tiêu đề” (1977-1980) lấy cảm hứng từ nhiều hình ảnh Hollywood và phim Noir khác nhau.
Kehinde Wiley – “Napoleon dẫn đầu quân đội trên dãy Alps” (2005) lấy cảm hứng từ bức tranh nổi tiếng của Jacques -Louis David về Napoleon Bonaparte.
Barbara Kruger – “Không có tiêu đề (Cơ thể của bạn là một chiến trường)” (1989) lấy cảm hứng từ các chủ đề chính trị và nữ quyền.
Ai Weiwei – “Thả một chiếc Urn Hán” (1995) lấy cảm hứng từ lịch sử và di sản văn hóa Trung Quốc.
Vik Muniz – “Hình ảnh sô cô la” (1997) lấy cảm hứng từ những bức ảnh mang tính biểu tượng và lịch sử nghệ thuật.
ROBERT RAUSCHENBERG – “Bản vẽ đã bị xóa De Kooning” (1953) lấy cảm hứng từ bản vẽ gốc của Willem de Kooning.
Jenny Saville – “Bathers” (1995-1996) lấy cảm hứng từ các đại diện cổ điển của cơ thể nữ.
Richard Prince – “Chưa có tiêu đề (Cowboy)” (1989) lấy cảm hứng từ quảng cáo thuốc lá Marlboro.
Julie Mehretu – “Stadia II” (2004) lấy cảm hứng từ các kế hoạch kiến trúc và cảnh quan thành phố.
Olafur Eliasson – “Dự án thời tiết” (2003) lấy cảm hứng từ hiện tượng và nhận thức tự nhiên.
Richard Pettibone – “Warhol Flowers” (1964) lấy cảm hứng từ những bức tranh hoa mang tính biểu tượng của Andy Warhol.
Njideka Akunyili Crosby – “Những người đẹp” (2012) lấy cảm hứng từ lịch sử nghệ thuật Nigeria và phương Tây, cũng như kinh nghiệm cá nhân.

Những nguồn cảm hứng này đại diện cho một loạt các phong cách nghệ thuật, phong trào và tài liệu tham khảo lịch sử đã ảnh hưởng đến các nghệ sĩ trong việc tạo ra các tác phẩm của riêng họ.

Trong một phản hồi trước đó cho một tin nhắn, bạn đã giải thích cách thức hoạt động của Perplexity. Câu hỏi của tôi cho bạn là: phân tích ngôn ngữ thông qua sự bối rối là một phương pháp tốt hơn so với thông qua ngữ pháp? Ngữ pháp đi từ âm vị, hậu tố, tiền tố, hình thái đến cú pháp để mô tả các cấu trúc ngôn ngữ, từ trên xuống. Sự bối rối là từ dưới lên, bạn “đoán” những từ nào theo nhau một cách logic trong các cấu trúc ngôn ngữ. Bạn có thể đưa ra một số lập luận chống lại việc giảng dạy sự bối rối để học một ngôn ngữ và một số lập luận ủng hộ đào tạo sự bối rối?

Chắc chắn! Tôi có thể cung cấp một số lập luận cả cho và chống lại việc sử dụng sự bối rối như một phương pháp để phân tích ngôn ngữ và học tập.

Lập luận ủng hộ đào tạo bối rối:

Mô hình hóa ngôn ngữ thống kê: Sự bối rối có nguồn gốc từ mô hình ngôn ngữ thống kê, nắm bắt các mẫu và xác suất của các chuỗi từ trong một tập đoàn nhất định. Cách tiếp cận này cho phép phân tích ngôn ngữ dựa trên dữ liệu, cung cấp cái nhìn sâu sắc về khả năng kết hợp từ và hỗ trợ dự đoán các từ tiếp theo.
Tính linh hoạt trên các miền: Sự bối rối có thể được áp dụng cho một loạt các văn bản, làm cho nó hữu ích cho phân tích ngôn ngữ trên các miền khác nhau. Bằng cách đào tạo trên các bộ dữ liệu khác nhau, các mô hình ngôn ngữ có thể tìm hiểu sự phức tạp và sắc thái cụ thể cho các bối cảnh khác nhau, dẫn đến hiệu suất được cải thiện.
Khả năng thích ứng với các ngôn ngữ và biến thể mới: Các mô hình ngôn ngữ dựa trên sự bối rối có thể được đào tạo trên các cơ sở văn bản lớn bằng nhiều ngôn ngữ, cho phép chúng học cấu trúc và các mẫu của các ngôn ngữ khác nhau. Tính linh hoạt này đặc biệt có lợi cho các ngôn ngữ hoặc phương ngữ ít được nghiên cứu với các tài nguyên ngôn ngữ hạn chế.
Hiểu theo ngữ cảnh: Sự bối rối có tính đến bối cảnh xung quanh khi dự đoán từ tiếp theo theo một chuỗi. Sự hiểu biết theo ngữ cảnh này cho phép dự đoán chính xác hơn và nắm bắt tốt hơn ý nghĩa và ý định của văn bản.

Lập luận chống lại đào tạo bối rối:

Thiếu sự hiểu biết ngữ nghĩa: Các mô hình ngôn ngữ dựa trên sự bối rối chủ yếu tập trung vào các thống kê cấp độ bề mặt và xác suất từ, thường không có sự hiểu biết ngữ nghĩa sâu sắc. Điều này có thể dẫn đến những hạn chế trong việc nắm bắt toàn bộ ý nghĩa và sắc thái của ngôn ngữ, đặc biệt là trong trường hợp ngữ cảnh và ngữ nghĩa đóng vai trò quan trọng.
Không đủ cho ngữ pháp và cú pháp: Trong khi sự bối rối có thể nắm bắt các liên kết từ và dự đoán các từ tiếp theo, nó có thể không giải quyết thỏa đáng các cấu trúc ngữ pháp và cú pháp của ngôn ngữ. Ngữ pháp bao gồm nhiều hơn chỉ là thứ tự từ, liên quan đến các quy tắc xây dựng câu, liên hợp động từ, căng thẳng và thỏa thuận, có thể không được học một cách hiệu quả thông qua đào tạo bối rối một mình.
Khả năng giải thích hạn chế: Các mô hình ngôn ngữ dựa trên sự bối rối hoạt động như các mô hình thống kê phức tạp, khiến hoạt động bên trong của chúng trở nên khó giải thích và giải thích. Sự thiếu minh bạch này có thể cản trở phân tích ngôn ngữ và cản trở khả năng của chúng ta để hiểu các thuộc tính ngôn ngữ cơ bản của một ngôn ngữ.
Sự phụ thuộc quá mức vào dữ liệu đào tạo: Các mô hình dựa trên sự bối rối phụ thuộc rất nhiều vào dữ liệu đào tạo mà họ tiếp xúc với. Những thành kiến hiện diện trong tập đoàn đào tạo có thể ảnh hưởng đến dự đoán của mô hình, có khả năng duy trì các khuôn mẫu hoặc truyền bá các mẫu ngôn ngữ có vấn đề.

Tóm lại, phân tích ngôn ngữ dựa trên sự bối rối có giá trị của nó trong việc nắm bắt các quy tắc thống kê và dự đoán các chuỗi từ. Tuy nhiên, nó nên được coi là một công cụ bổ sung chứ không phải là một phương pháp độc lập, vì nó có thể không giải quyết đầy đủ các khía cạnh rộng hơn của ngôn ngữ, như ngữ pháp, cú pháp và sự hiểu biết ngữ nghĩa. Một cách tiếp cận toàn diện kết hợp nhiều phương pháp, bao gồm phân tích ngữ pháp, có thể sẽ mang lại kết quả học tập và phân tích ngôn ngữ toàn diện hơn.

Giảng dạy ngôn ngữ thông qua sự bối rối hoặc sử dụng sự bối rối như một thước đo phân tích ngôn ngữ có những ưu điểm và nhược điểm riêng của nó. Dưới đây là một số lập luận cả cho và chống lại đào tạo bối rối: