IZ TEORIJE ZA PRAKSO 8 Matematika v šoli, št. 2, letnik 30, 2024 Integracija umetne inteligence v poučevanje: Kako učinkovito oblikovati pozive? Integrating AI in Education: Effective Prompting dr. Barbara Arcet Fakulteta za naravoslovje in matematiko, Pedagoška fakulteta Univerze v Mariboru Izvleček Članek obravnava uporabo generativne umetne inteligence (genUI) v izobraževanju, s posebnim poudarkom na optimizaciji pozivov, ki jih jezikovni modeli umetne inteligence uporabljajo za generiranje vsebine. Namen prispevka je prikazati učinkovitost inženiringa pozivov pri pripravi učnih vsebin ter rezultate delavnice za izobraževanje učiteljev na tem področju. Na delavnici za učitelje matematike in naravoslovja smo predstavili osem ključnih priporočil za optimizacijo pozivov. Udeleženci so na začetku in koncu delavnice zapisali pozive za pripravo učne priprave, kar je omogočilo primerjavo začetnih in končnih pozivov. Rezultati so pokazali, da so udeleženci po delavnici bistveno izboljšali natančnost in specifičnost svojih pozivov ter bolje opredelili cilj- no občinstvo. Največji napredek je bil opažen pri specifičnosti, medtem ko je bilo manj izboljšav pri uporabi negativnih pozivov in poizvedovanju, katere podatke model potrebuje za kakovosten odgovor, kar nakazuje potrebo po nadaljnjem usposabljanju. Glavne ugotovitve članka poudarjajo pomen ustreznega izobraževanja učiteljev za učinkovito integracijo umetne inteligence (UI) v izobraževalni proces. S pravilnim pristopom k pisanju pozivov lahko učitelji bistveno izboljšajo kakovost učnih priprav in učinkoviteje uporabljajo UI v učil- nicah, kar pripomore k boljši pripravi učencev na prihodnost, kjer bo UI igrala vse večjo vlogo. Ključne besede: umetna inteligenca, generativna umetna inteligenca, poziv, izobraževanje Abstract This paper explores Generative Artificial Intelligence (GenAI) in education, focusing on optimising prompts used by AI language models to generate content. The paper aims to demonstrate the effectiveness of prompt engineering in designing learning content and to present the outcomes of a teacher training workshop on this subject. A mathematics and science teacher training workshop proposed eight critical recommendations for improving prompts. The participants jotted down the prompts for their lesson preparation at the beginning and end of the session, allowing them to compare to the prompts before and after. The results demonstrated that the workshop considerably enhanced the accuracy and specificity of the prompts and the target audience. The most significant improvement was observed in specificity. However, there was less improvement in using negative prompts and determining what information the model needs for a qualitative response, indicating the need for further training. The key findings highlight the importance of proper teacher training on effective AI integration in the educational process. With the appropriate approach to writing prompts, teachers can considerably improve the quality of their classroom preparation and use AI more effectively, helping to better prepare students for a future in which AI will play an increasingly crucial role. Keywords: artificial intelligence, generative artificial intelligence, prompt, education O umetni inteligenci V zadnjih letih, še posebej intenzivno pa od novembra 2022, ko je podjetje OpenAI predstavilo ChatGPT, smo priča izjemne- mu razmahu prostodostopnih modelov umetne inteligence, kar je spodbudilo njeno uporabo, porajanje dilem, strahov, navdušenja in številnih vprašanj. Eno naj- osnovnejših med njimi je: Kaj je umetna inteligenca (UI)? Definicija je izmuzljiva in pogosto povzroča težave tudi strokov- njakom, ki raziskujejo to področje. Da bi se izognili pomanjkljivim formulacijam, ki so lahko hkrati preobsežne in neobvla- dljive, bomo sledili zgledu spletne strani Elements of AI (Elements of AI, 2024), kjer je na voljo brezplačen spletni tečaj o osnovah UI v slovenščini, in izpostavili dve lastnosti, ki sta potrebni za sisteme, da jih lahko označimo kot umetno inte- ligentne. Ti lastnosti sta avtonomnost in prilagodljivost. Avtonomnost je definira- na kot zmožnost samostojnega izvajanja nalog v kompleksnih okoljih brez stalne- ga nadzora uporabnika, prilagodljivost pa kot sposobnost izboljšanja delovanja z učenjem iz izkušenj. IZ TEORIJE ZA PRAKSO 9 Matematika v šoli, št. 2, letnik 30, 2024 Mnogo pripomočkov, ki jih uporabljamo v vsakodnevnem življenju, deluje s pomo- čjo UI. Primeri vključujejo prepoznavo obraza za odklepanje pametnega telefo- na, navigacijo in izbiro optimalne poti do cilja ter aplikacije za učenje tujega jezika. Socialna omrežja in ponudniki pretočnih vsebin, ki nam predlagajo naslednje izbi- re za branje, gledanje ali poslušanje, prav tako uporabljajo različne sisteme UI. UI zaradi svoje integracije v naša življenja prinaša številne koristi in udobje, vendar tudi tveganja in etične dileme. Sistemi UI se učijo na podlagi ogromnih količin po- datkov, katerih viri so pogosto vprašljivi. Na primer, navigacijski sistem za izbi- ro najhitrejše poti z ene strani mesta na drugo potrebuje podatke o lokaciji upo- rabnikov, ki se gibljejo po mestu. Kako se počutimo ob misli, da obstaja baza podat- kov, ki natančno ve, kje smo bili v vsakem trenutku, ko je bil naš mobilni telefon vklopljen in smo ga imeli pri sebi? Kaj vse morajo vedeti o nas virtualni pomočniki, da nam olajšajo vsakodnevne opravke? Je naše simpatiziranje z najljubšo politično stranko res naša svobodna izbira, če pa nas algoritmi UI na socialnih omrežjih zapirajo v mehurčke, ki nam ponujajo le ozek spekter novic in komentarjev? Kot že omenjeno, je UI težko definirati, in če je nek pojem težko opredeliti, je še težje oblikovati zakonodajo, ki bi ga urejala. Zakonodaja o umetni inteligenci Evropska unija je kot prva na svetu le- tos marca sprejela celovit pravni okvir o UI, imenovan Akt o umetni inteligenci (Evropski parlament, 2024). Cilj tega re- gulativnega okvira je zagotoviti jasne zah- teve in obveznosti glede specifičnih upo- rab UI, pri čemer opredeljuje štiri ravni tveganja za sisteme UI: 1. Nesprejemljivo tveganje: Prepoveda- ni so sistemi UI, ki ogrožajo varnost, preživetje in pravice ljudi. Primeri vključujejo sklepanje o čustvenem sta- nju na delovnem mestu ali v izobraže- valnih ustanovah (razen za zdravstve- ne ali varnostne namene). Na primer situacija, prikazana v znanem videu iz kitajske šole, kjer učenci nosijo na- glavne trakove za merjenje pozornosti (Slika 1), v EU ne bo dovoljena. Prepo- vedano bo tudi družbeno točkovanje, na ponudnike sistemov UI, ne na nas kot uporabnike. Umetna inteligenca v izobraževanju Ob vsesplošnem razmahu novih tehnolo- gij, ki so se na različnih področjih trdno vpele v naša življenja, je očitno, da bomo tudi v izobraževanju morali stopiti v ko- rak z njimi. Digitalna preobrazba, ki jo prinaša napredek na področju UI, zahte- va prilagoditev izobraževalnih sistemov za pripravo učencev na prihodnost. Dig- Comp2.2: Okvir digitalnih kompetenc za državljane (Vourikari idr., 2022), ki podaja digitalne smernice za razvoj na ravni EU, v priročniku iz leta 2022 vklju- čuje kompetence, ki zajemajo tudi znanja, spretnosti in stališča s področja UI na vseh petih področjih: informacijska in podatkovna pismenost; komuniciranje in sodelovanje; ustvarjanje digitalnih vsebin; varnost; reševanje problemov. V skladu s temi smernicami smo v okviru projekta SETCOM, podprtega z Norve- škim finančnim mehanizmom, sodelovali tudi partnerji z Univerze v Mariboru, in sicer Pedagoška fakulteta, Fakulteta za naravoslovje in matematiko ter Filozofska fakulteta. Projekt SETCOM je poudaril potrebo po integraciji UI v izobraževanje, kar smo izvedli v sinergiji s socialno-ču- stvenim učenjem. To integracijo smo raz- delili na tri sklope: O, Z in ZA. Prvi sklop (O) se nanaša na izobraževanje o UI, kjer učenci spoznavajo temeljne koncepte, primere uporabe in širše implikacije UI. Drugi sklop (Z) obravnava izobraževanje z UI, kjer učitelji uporabljajo UI za olajša- nje administrativnih nalog, kot so pisanje poročil in priprava na pouk, ter neposre- biometrična kategorizacija na podla- gi občutljivih podatkov, biometrična identifikacija (razen v primerih iskanja oseb ali preprečevanja terorističnih napadov), neciljano zbiranje slik obra- zov, usmerjanje vedenja in izkoriščanje ranljivosti. 2. Visoko tveganje: Sistemi UI, za kate- re bo potrebno dovoljenje sodnega ali drugega neodvisnega organa. Sem so- dijo sistemi, ki se uporabljajo v izobra- ževanju ali poklicnem usposabljanju, saj lahko vplivajo na dostop do izobra- ževanja in karierne poti posameznikov. To vključuje točkovanje izpitov in sis- teme, ki se uporabljajo za zaposlovanje, upravljanje delavcev ter dostop do sa- mozaposlitve (npr. programska opre- ma za razvrščanje življenjepisov pri zaposlovanju). Pred dajanjem na trg bodo zanje veljale stroge obveznosti, kot so visoka kakovost podatkovnih naborov za vnos v sistem, zmanjševa- nje tveganj in diskriminatornih rezul- tatov ter beleženje dejavnosti za zago- tovitev sledljivosti rezultatov. 3. Omejeno tveganje: Nanaša se na ne- varnosti, povezane s pomanjkanjem preglednosti pri uporabi UI. Za to vr- sto UI bodo predpisana opozorila, ki bodo uporabnike informirala, da se, na primer, pogovarjajo s pogovornimi agenti in ne z dejansko osebo. 4. Minimalno tveganje ali brez tvega- nja: Večina sistemov UI, ki se trenutno uporabljajo, spada v to kategorijo. Sem sodijo navigacijski sistemi, videoigre, filtri za neželeno e-pošto in podobno. Ta pravni okvir je namenjen zagotavljanju varnosti in zaščite pravic posameznikov ob hkratnem spodbujanju inovacij in ra- zvoja na področju UI. Pravila se nanašajo Slika 1: Naglavni trakovi iz kitajskih šol ter QR-koda do posnetka How China is Using Artificial Intelligence in Classrooms | WSJ https://youtu.be/JMLsHI8aV0g?si=niwCt65XMTDwvA6u IZ TEORIJE ZA PRAKSO 10 Matematika v šoli, št. 2, letnik 30, 2024 dno v razredu, na primer pri preverjanju rešitev nalog z mobilnimi aplikacijami. Tretji sklop (ZA) pa poudarja odgovor- nost šol, da učence pripravijo na življenje v svetu, kjer je UI vseprisotna, kar vklju- čuje soočanje z etičnimi dilemami in zah- tevo po informiranih odločitvah. V longitudinalni raziskavi (Lipovec idr., 2024), izvedeni v okviru projekta, je bilo ugotovljeno, da upoštevanje socialnih in čustvenih aspektov pomembno prispe- va k učinkovitosti poučevanja digitalnih spretnosti. Ta raziskava poudarja, da je celostni pristop k poučevanju, ki vključu- je tako tehnološke kot socialno-čustvene dimenzije, ključnega pomena za pripravo učencev na prihodnje izzive. V nadaljevanju članka se bomo osredoto- čili na vidik izobraževanja z UI, in sicer predvsem na tiste sisteme UI, ki nam s tvorbo in preoblikovanjem vsebine lahko ob smiselni uporabi prihranijo veliko časa in poenostavijo delo. Generativna umetna inteligenca Generativna umetna inteligenca (genUI) je tehnologija umetne inteligence, ki omogoča ustvarjanje nove vsebine v raz- ličnih oblikah, kot so besedila, slike, glas- ba, videoposnetki, programska koda in drugo. V tem članku se bomo osredotoči- li na jezikovne sisteme, namenjene delu z besedilom, kjer imajo ključno vlogo veliki jezikovni modeli (Large Language Mo- dels – LLM), ki omogočajo razumevanje, obdelavo in generiranje besedil v narav- nem jeziku. Veliki jezikovni modeli, kot je GPT (Ge- nerative Pretrained Transformer), ki je osnova za ChatGPT, delujejo tako, da uporabnikovo vhodno besedilo razdelijo na manjše enote, imenovane žetoni. Ti žetoni predstavljajo besede, zloge in po- samezne znake, uporabljene pri pisanju besedila. GPT nato uporablja statistične vzorce za napovedovanje najverjetnejših besed ali fraz, ki bi lahko tvorile smiseln odgovor. Model prepoznava vzorce, ki se pogosto pojavljajo skupaj v predhodno iz- delani podatkovni zbirki, ki je sestavljena iz ogromne baze besedil s spleta in drugih virov. Postopek delovanja GPT se začne z na- ključno napovedjo, nato pa s pomočjo ocenjenih verjetnosti napove naslednje besede ali fraze v odgovoru. Ravno ta na- ključna napoved vpliva na to, da pravilo- ma dobimo različne odgovore, če istemu modelu večkrat postavimo isto vprašanje. Te napovedi se pretvorijo v berljivo bese- dilo, ki se nato filtrira skozi različne »va- rovalke«, da se odstrani morebitna žaljiva vsebina. Odgovor se šteje za dokončan, ko doseže največjo dovoljeno dolžino žetonov ali izpolni vnaprej določene kri- terije za ustavitev. Na koncu se odgovor dodatno obdela za izboljšanje berljivosti z uporabo oblikovanja, ločil in drugih iz- boljšav, kot so začetne besede »Seveda«, »Razumem« ali »Opravičujem se« (UNE- SCO, 2023). Pomembno je poudariti, da vsebina, ki jo generira genUI, ni vedno resnična. Če nismo strokovnjaki na določenem po- dročju, je včasih težko prepoznati, koliko resnice je v generiranih besedilih. Zato je priporočljivo, da nekatere velike jezi- kovne modele uporabljamo predvsem za nabiranje idej ali oblikovanje besedil (npr. ChatGPT 3.5), za iskanje zanesljivih in- formacij pa raje uporabimo tiste, ki nave- dejo tudi vir, ki ga lahko preverimo (npr. Bing, Perplexity). Omenili smo že besedo »poziv«, ki je slo- venska ustreznica pogosteje uporabljane angleške besede »prompt«. Poziv se na- naša na vhodno besedilo, ki ga podamo jezikovnemu modelu, in je lahko v obliki vprašanja, zahteve, naloge, primera itd. To je torej naš del pogovora z genUI. Ker je kakovost odgovora, ki ga prejmemo, v veliki meri odvisna od našega poziva, je izjemno pomembno, kako ga sestavimo. Procesi in tehnike oblikovanja pozivov se imenujejo inženiring pozivov in pisanje kvalitetnih pozivov naj bi postal dobro plačan poklic prihodnosti (Popli, 2023). Z nekaj nasveti, vaje in raziskovanja pa lahko vsakdo izboljša svojo spretnost po- govora z UI. Priporočila za pogovor z genUI V nadaljevanju bomo predstavili nekaj priporočil, ki vam bodo pomagala pri do- seganju optimalnih rezultatov v pogovoru z genUI. Priporočila so plod raziskovanja in preizkušanja različnih jezikovnih mo- delov, ki smo jih v času projekta SETCOM izvedli avtorica in sodelavci na projektu. Vsi podani primeri so bili narejeni junija 2024 z orodjem ChatGPT 3.5 (OpenAI, 2024). 1. Postavite jezikovni model v vlogo Postavljanje jezikovnega modela v vlo- go pomeni, da mu dodelite specifično identiteto ali perspektivo, s katere naj generira odgovore. To lahko vključuje določitev strokovnega področja, polo- žaja ali konteksta, v katerem naj model deluje. Takšen pristop omogoča, da model proizvaja bolj ciljno usmerjene in relevantne odgovore, saj se osredo- toča na določeno vlogo, kar izboljšuje kakovost in natančnost generiranega besedila. S tem se povečuje uporabnost modela za specifične naloge, kot so tehnične razlage, svetovanje ali ustvar- janje vsebine v določenem slogu. Na Sliki 2 vidimo primer, kako se je odgo- vor modela izboljšal po tem, ko smo ga postavili v vlogo. 2. Podajte »negativni poziv« Podajanje »negativnega poziva« po- meni, da v pozivu navedete besede ali teme, ki naj se jim jezikovni model iz- ogne. S tem pristopom lahko usmerite generacijo besedila stran od neželenih vsebin ali kontekstov, kar pomaga pri izboljšanju relevantnosti in uporabno- Slika 2: Primer, kako jezikovnemu modelu dodeliti vlogo. IZ TEORIJE ZA PRAKSO 11 Matematika v šoli, št. 2, letnik 30, 2024 sti odgovorov. Negativni pozivi so še posebej uporabni, ko želite preprečiti pojav določenih občutljivih ali nepri- mernih tem v odgovorih, s čimer po- večate varnost in zanesljivost komuni- kacije z jezikovnim modelom, ali pa v primerih, ko se želite izogniti klasič- nim odgovorom in iščete bolj inova- tivne ideje. Na Sliki 3 je primer, kako smo se z dodatnim stavkom v pozivu izognili najbolj tipičnim primerom po- nazoritve ulomkov. 3. Bodite specifični Jasno in podrobno navedite, kaj toč- no želite, da jezikovni model generira. Vključite torej zahtevo o posebnih in- formacijah, strukturi, tonu ali slogu, ki naj jih model upošteva. S tem pristo- pom zmanjšate dvoumnost in poveča- te verjetnost, da bo model proizvedel odgovore, ki natančno ustrezajo vašim potrebam. Natančnost in specifičnost pomagata modelu bolje razumeti vaše zahteve, kar vodi do bolj koherentnih, relevantnih in kakovostnih rezultatov. Na Sliki 4 vidimo, da je jezikovni mo- del glede na preskopo navodilo pre- vedel besedilo v hrvaščino, kar pa ne pomeni, da ne zna prevajati v sloven- ščino. Ko smo natančneje povedali, v kateri jezik želimo prevod, je to tudi upošteval. 4. Povejte, kdo je ciljna publika Povedati, kdo je ciljna publika, pome- ni, da jezikovnemu modelu jasno na- vedete, komu je vsebina namenjena. Tako lahko vključimo opis demograf- skih značilnosti, interesov, strokovne ravni ali specifičnih potreb bralcev. Z določitvijo ciljne publike lahko model prilagodi ton, jezik in kompleksnost odgovorov, da bolje ustrezajo pričako- vanjem in zahtevam občinstva. Ta pri- stop pomaga pri ustvarjanju bolj rele- vantne in učinkovite komunikacije, saj se vsebina natančno ujema s potreba- mi in zanimanji predvidenih bralcev, kar povečuje uporabnost in vrednost generiranega besedila. Na Sliki 5 je primer, kako je jezikovni model svojo razlago kompleksnega pojma ponesel na raven desetletnega otroka, ko smo mu pripisali ciljno publiko. 5. Povejte, v kakšnem slogu pričakujete izhodiščno besedilo Povedati, v kakšnem slogu pričaku- jete izhodiščno besedilo, pomeni, da jezikovnemu modelu jasno navedete želeni slog pisanja. To lahko vključuje določitev, ali naj bo besedilo formal- no ali neformalno, tehnično ali po- ljudnoznanstveno, objektivno ali su- bjektivno ... Z določitvijo sloga lahko model prilagodi svoje odgovore tako, Slika 3: Primer, kako jezikovnemu modelu povedati, česa ne želimo v odgovoru. Slika 4: Natančneje ko bomo napisali navodilo, boljše rezultate bomo dobili. Slika 5: Prilagoditev odgovora starostni skupini ciljne publike. IZ TEORIJE ZA PRAKSO 12 Matematika v šoli, št. 2, letnik 30, 2024 da ustrezajo specifičnemu tonu in na- činu izražanja, ki je primeren za vašo nalogo. Ta pristop izboljšuje skladnost in koherenco generirane vsebine ter zagotavlja, da besedilo ustreza vašim pričakovanjem glede stila in pristopa, kar povečuje berljivost in učinkovitost komunikacije. Na Sliki 6 lahko opazu- jemo, kako je jezikovni model razlago matematičnega pojma podal v obliki zgodbe. 6. Pišite kratko in jedrnato Kakor ljudje imajo tudi jezikovni mo- deli omejeno sposobnost pozornosti. Čeprav je dobro, da smo v pogovorih z njimi natančni, moramo po drugi stra- ni paziti, da ne zaidemo v predolga be- sedila, saj vsem delom ne bo mogel po- svetiti enake pozornosti. Raziskave so pokazale (Liu idr., 2024), da v primeru dolgih pozivov večkrat upoštevajo in- formacije z začetka ali konca poziva, preskočijo pa tiste s sredine besedila. Tako je bolje, če dolgo in kompleksno vprašanje razdelimo na več manjših, lahko pa kar sam jezikovni model pro- simo, naj nam skrajša poziv, ki smo ga napisali. Optimalna dolžina poziva za GPT 3.5 naj bi bila tako med 1000 in 2000 žetoni, kar je za besedila v angle- škem jeziku nekje med 750 in 3000 be- sedami, v slovenskem jeziku pa nekje med 800 in 2600 besedami. 7. Vključite navodilo »korak za korakom« Jezikovne modele moramo razume- ti kot to, kar so – jezikovni modeli. Od njih pričakovati preveč logičnega razmišljanja bi bilo napačno, saj ko- nec koncev delujejo glede na odkrite vzorce v bazi besedil, na kateri so se učili. Nimajo predstave o besedah in konceptih, o katerih pišejo. Vendar se kljub temu izkaže, da lahko dobimo boljše rezultate na zastavljene mate- matične naloge, če v poziv dodamo zahtevo, naj se reševanja loti korak za korakom. Na Sliki 7 je podan primer, ko smo s tem vprašanjem dosegli, da je jezikovni model pravilno rešil ma- tematično nalogo vključno z razlago vsakega koraka. 8. Vprašajte ga, katere podatke potrebuje Jezikovni modeli sami po sebi niso na- ravnani tako, da bi se zavedali, da jim kakšen podatek manjka. Kot je v radij- skem intervjuju (Val 202, 2023) pove- dal profesor Thomas Dietterich, zaslu- žni profesor na Univerzi v Oregonu in pionir strojnega učenja: »Internet nam je dal možnost, da postavimo vpraša- nje in bolj ali manj dobimo odgovor na skoraj vse. Vendar smo morali klikniti na spletno stran z odgovorom in ga tam poiskati. ChatGPT in podobni modeli pa so že prebrali celoten splet in na nek način ponotranjili vsebino. Težava je v tem, da tega ne počnejo prav, in če mu postavimo vprašanje, na katero ne po- zna odgovora, si ga bo izmislil.« Zato moramo biti mi, uporabniki, tisti, ki se zavedamo njihovih pomanjkljivosti, in jih spodbuditi, naj povedo, kakšne in- formacije potrebujejo od nas, da bodo lahko dobro opravili nalogo, ki smo jim jo dodelili. Na Sliki 8 lahko vidimo, kako smo spodbudili jezikovni model, da nas vpraša o podatkih, ki jih mora vedeti za čim boljši odgovor. Izvedba delavnice in analiza izboljšav pozivov Opisana priporočila smo predstavili v sklopu konference na delavnici za učitelje matematike in naravoslovja na osnovnih in srednjih šolah. Na delavnici smo iz- vedli preizkus, da bi ugotovili, koliko so udeleženci upoštevali ta priporočila po delavnici. Udeleženci so na začetku in na koncu delavnice prejeli enako nalogo z navodilom: »Recimo, da želite s pomočjo jezikovnega modela umetne inteligen- ce pripraviti učno pripravo za naslednjo učno uro. Zapišite poziv, s katerim bi mo- delu opisali njegovo nalogo.« Slika 6: Jezikovni model upošteva zaželeni slog izhodnega besedila. IZ TEORIJE ZA PRAKSO 13 Matematika v šoli, št. 2, letnik 30, 2024 Poziv je na začetku in koncu delavni- ce zapisalo 17 udeležencev, kar nam je omogočilo primerjavo zapisov in analizo izboljšav. Ugotavljali smo, kako so se zapi- sani pozivi izboljšali glede na upoštevanje osmih predstavljenih priporočil. Kriterij za ocenjevanje je bila vključenost nasle- dnjih točk: postavljanje jezikovnega mo- dela v vlogo, podajanje negativnega pozi- va, natančnost in specifičnost, določanje ciljne publike, opredelitev sloga izhodišč- nega besedila, jedrnatost, vključitev navo- dil korak za korakom ter poizvedovanje, katere podatke model potrebuje za dober odgovor. Rezultati so prikazani v Tabeli 1, kjer je zabeleženo, koliko udeležencev je izbolj- šalo svoje pozive v primerjavi s prvotnim zapisom glede na posamezno priporočilo. Tabela 1: Izboljšanje pozivov po končani delavnici glede na pozive, napisane pred začetkom delavnice. Priporočilo Število udeležencev, ki so upoštevali priporočilo 1. Postavite jezikovni model v vlogo 2 2. Podajte »negativni poziv« 1 3. Bodite specifični 16 4. Povejte, kdo je ciljna publika 7 5. Povejte, v kakšnem slogu pričakujete besedilo 1 6. Pišite kratko in jedrnato 2 7. Vključite navodilo »korak za korakom« 2 8. Vprašajte model, katere podatke potrebuje 0 Iz zbranih podatkov je razvidno, da je največ udeležencev izboljšalo svoje pozive glede specifičnosti (16 udeležencev), kar kaže na to, da so se po delavnici bolj zave- dali pomena natančnosti in podrobnosti pri oblikovanju pozivov. Sledilo je izbolj- šanje pri določanju ciljne publike (7 ude- ležencev), kar kaže na povečan poudarek Slika 7: Z zahtevo razlage korak za korakom povečamo možnosti pravilnega odgovora. Slika 8: Uporabnik mora sam spodbuditi jezikovni model, da pove, katere podatke potrebuje za optimalen odgovor. IZ TEORIJE ZA PRAKSO 14 Matematika v šoli, št. 2, letnik 30, 2024 na prilagajanju vsebine specifičnim potre- bam in interesom bralcev. Manj izboljšav je bilo opaženih pri drugih nasvetih, kot sta postavljanje jezikovnega modela v vlo- go (2 udeleženca) in pisanje kratkih ter je- drnatih pozivov (2 udeleženca). Posebej izstopa dejstvo, da nihče od ude- ležencev ni vključil poizvedovanja, katere podatke model potrebuje za dober odgo- vor, kar nakazuje, da je to področje, kjer je potrebna dodatna izobraževalna podpo- ra. Skupni rezultati kažejo, da delavnice, ki se osredotočajo na specifične tehnike in pristope k inženiringu pozivov, lahko bi- stveno prispevajo k izboljšanju kakovosti interakcije z jezikovnimi modeli UI. Zaključek Razmah novih tehnologij, še posebej UI, v vseh vidikih našega življenja, vključno z izobraževanjem, zahteva, da se učitelji prilagodijo in pridobijo nova znanja ter spretnosti. Generativna UI ponuja široko paleto orodij, ki lahko bistveno izboljšajo in poenostavijo pripravo učnih vsebin. V eliki jezikovni modeli, kot je GPT , omogoča- jo učinkovito ustvarjanje naravnega jezika, kar je lahko izjemno koristno za učitelje pri pripravi učnih priprav. V tem kontekstu je ključnega pomena razumeti in uporabiti tehnike inženiringa pozivov, saj kakovost generi- ranih odgovorov močno vpliva na učni proces. Na delavnici v sklopu konference za učitelje matematike in na- ravoslovja smo predstavili osem nasvetov za optimizacijo pozivov, ki so se izkazali za učinkovite pri izboljšanju pozivov udeležencev. Rezultati preizkusa so pokazali, da so udeleženci po delavnici bolj natančno in specifično oblikovali svoje pozive ter bolje opredelili ciljno občinstvo. Kljub temu pa ostajajo izzivi, predvsem pri uporabi negativnih pozivov in poizvedovanju, katere podatke model potrebuje za kakovosten odgovor. To nakazuje potrebo po nadaljnjem izobraževanju in usposabljanju učiteljev na tem področju. Integracija UI v izobraževanje prinaša številne priložnosti, vendar zahteva tudi previdnost in dobro poznava- nje orodij. Z uporabo učinkovitih strategij in pristopov lahko učitelji matematike in naravoslovja izkoristijo potencial UI za izboljšanje učnega procesa, hkrati pa učence pripravijo na življenje v svetu, kjer bo UI igrala vse večjo vlogo. Naša raziskava in izkušnje z delavnice kažejo, da je mogoče z ustreznim pristopom doseči znatne izboljšave v kakovosti interakcije z jezikovnimi modeli, kar bo v prihodnosti ključno za uspešno in učinkovito poučevanje. Literatura Elements of AI. (2024). Pridobljeno 20. 6. 2024 iz https://www.elementsofai.si/ Evropski parlament. (2024). Artificial Intelligence Act [Spletna stran]. Pridobljeno 20. 6. 2024 iz https://artificialintelligenceact.eu/ Lipovec, A., Gartner, S., Krašna, M. (2024). AI literacy meets socio-emotional learning: assessing transformative educational practices in Slovenia. V: Gómez Chova, L. (ur.), González Martínez, C. (ur.), Lees, J. (ur.). INTED 2024: Conference proceedings: 18th annual in- ternational technology, education and development conference: 4.–6. marec 2024, Valencia (Španija). Valencia: IATED Academy, 2024. Str. 4295–4299. Doi: 10.21125/inted.2024.1111 Liu, N., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., in Liang, P . (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics. 12. 157–173. 10.1162/tacl_a_00638. OpenAI. (2024). ChatGPT 3.5 [Veliki jezikovni model]. https://chat.openai.com/chat Popli, N. (14. 4. 2023). The AI job that pays up to $335K – and you don‘t need a computer engineering background. TIME. Pridobljeno 15. 6. 2024 iz https://time.com/6272103/ai-prompt-engineer-job/ UNESCO. (2023). Guidance for generative AI in education and research. [Spletna knjiga]. Pridobljeno 14. 6. 2024 iz https://unesdoc. unesco.org/ark:/48223/pf0000386693 Val 202, (2023). Thomas Dietterich: Pionir strojnega učenja, ki obožuje flamenko. [Radijski intervju 14. 12. 2023]. Pridobljeno 14. 6. 2024 iz https://val202.rtvslo.si/podkast/frekvenca-x/31057643/175008658 Vourikari, R., Klutzer, S., in Punie, Y. (2022). DigComp 2.2: The Digital Compe-tence Framework for Citizens – With new examples of knowledge, skills and attitudes. Luxembourg: Publications Office of the European Union. https://doi.org/10.2760/115376.