Respondendo Questões de Discussão

Com a devida orientação, o GPT-3 é capaz de escrever respostas em formato curto. Para demonstrar isso, estarei examinando a resolução de questões de discussão, uma tarefa semanal comum em muitos cursos universitários. Uma resposta à uma pergunta de discussão geralmente tem entre 100 e 700 palavras. Conteúdo mais longo pode ser um pouco mais complicado, pois LLMs têm memória limitada e têm dificuldade em entender a imagem global do que estão escrevendo.

Vamos olhar um exemplo de uma pergunta básica de discussão:

"Quais são os problemas ambientais mais urgentes enfrentados pelo nosso planeta hoje, e que medidas os indivíduos podem tomar para ajudar a lidar com esses problemas?"

Nós podemos tornar essa pergunta em um prompt para o GPT3 ao adicionar

Responda o seguinte:.

Responda o seguinte:

"Quais são os problemas ambientais mais urgentes enfrentados pelo nosso planeta
hoje, e que medidas os indivíduos podem tomar para ajudar a lidar com esses problemas?

Os resultados gerados com esta instrução não são consistentes e alguns são compostos por apenas uma ou duas frases. Uma resposta típica a uma discussão deve ter vários parágrafos, por isso esses resultados não são ideais. Uma boa instrução deve fornecer instruções específicas sobre formato e conteúdo. É necessário remover ambiguidades na linguagem para melhorar a consistência e qualidade dos resultados. Aqui está uma instrução melhor.

Escreva uma dissertação detalhada, incluindo introdução, corpo e conclusão
respondendo à seguinte pergunta:

Quais são os problemas ambientais mais urgentes enfrentados pelo nosso planeta
hoje, e que medidas os indivíduos podem tomar para ajudar a lidar com esses problemas?

O segundo prompt gera respostas mais longas com uma estrutura melhor. O uso da palavra 'dissertação' no prompt foi intencional, já que o GPT-3 compreende a definição de uma dissertação, e é mais provável que assim gere respostas mais coerentes e estruturadas.

Muitas questões de discussão não são eficazes para estimular uma boa resposta.

"A Guerra Civil foi um conflito sobre expansão? Concorda ou discorda e por quê?""

Aqui está uma pergunta real de discussão de um curso de história universitário. Ela não está formulada corretamente e é muito aberta. Para obter boas respostas de discussão, você precisa reescrever a pergunta em uma prompt bem definida. Uma prompt bem definida para a pergunta de discussão acima poderia ser:

"Explique as causas da Guerra Civil e se a expansão desempenhou um papel no conflito. Inclua evidências para apoiar seu argumento."

Agora podemos adicionar direções de formatação e contexto.

Escreva uma resposta detalhada para discussão, na estrutura de uma
dissertação, em resposta ao seguinte prompt:

Explique as causas da Guerra Civil e se a expansão desempenhou um papel no conflito.
Inclua evidências para apoiar seu argumento.

Automatizando a reescrita de prompts

O exemplo de reescrita acima foi gerado com o OpenAI ChatGPT.

Iteração

Após criar uma prompt efetiva para sua pergunta de discussão, agora é necessário refinar os resultados gerados pelo GPT-3. Isso pode envolver ajustar a saída para cumprir restrições como contagem de palavras, ou combinar conceitos de diferentes resultados gerados.

Um método simples para iterar é gerar várias saídas e revisá-las para obter uma compreensão dos conceitos que o GPT-3 está utilizando e a estrutura que ele segue. Depois que as saídas forem avaliadas, você pode selecionar as saídas mais adequadas e combiná-las em uma resposta coesa.

Outra maneira de iterar é começar e expandir passo a passo. Isso requer mais de uma prompt: uma prompt inicial para escrever o parágrafo inicial ou algo parecido e, em seguida, outras prompts para expandir o que já foi escrito.

Aqui está uma pergunta potencial de discussão filosófica:

"A matemática é inventada ou descoberta? Use um raciocínio cuidadoso para explicar sua resposta."

Adicione a pergunta acima à um prompt simples como no exemplo abaixo:

Escreva um parágrafo de introdução respondendo à seguinte pergunta:

A matemática é inventada ou descoberta? Use um raciocínio cuidadoso para
explicar sua resposta.

Eu gerei várias respostas e encontrei uma que gostei mais.

A questão se a matemática é inventada ou descoberta tem sido objeto de
discussão há séculos. Algumas pessoas acreditam que a matemática é uma
invenção humana que foi criada para nos ajudar a entender o mundo, enquanto
outras acreditam que a matemática é uma descoberta que existe
independentemente de nossa compreensão. Este é um tópico importante porque
nossa resposta tem implicações significativas em relação ao que podemos
conhecer sobre o mundo e sobre a natureza da matemática em si. Neste ensaio,
examinarei essa questão com um raciocínio cuidadoso para oferecer minha
resposta.

Esse é um início decente. Então eu vou dar continuidade como outro prompt para expandir o texto.

Eu estou escrevendo uma dissertação curta para responder à seguinte
pergunta:

A matemática é inventada ou descoberta? Use um raciocínio cuidadoso para
explicar sua resposta.
Abaixo é o que eu tenho até agora:

A questão se a matemática é inventada ou descoberta tem sido objeto de discussão
há séculos. Algumas pessoas acreditam que a matemática é uma invenção humana que
foi criada para nos ajudar a entender o mundo, enquanto outras acreditam que a
matemática é uma descoberta que existe independentemente de nossa compreensão.
Este é um tópico importante porque nossa resposta tem implicações significativas
em relação ao que podemos conhecer sobre o mundo e sobre a natureza da matemática
em si. Neste ensaio, examinarei essa questão com um raciocínio cuidadoso para oferecer
minha resposta.
Escreva o próximo parágrafo para a minha dissertação.

Experimente expandir esse prompt com o demo abaixo (você vai precisar da sua chave OpenAI)

Eu gerei algumas expansões com esse prompt e selecionei uma que eu gostei chegando ao resultado final a seguir:

A Matemática é uma das mais antigas e mais importantes disciplinas
científicas, sendo frequentemente descrita como "a língua da ciência". Esta
disciplina tem sido objeto de debates entre matemáticos e outros pensadores há
muitos séculos, particularmente em relação à questão se a matemática é
inventada ou descoberta. Apesar de haver argumentos válidos de ambos os lados,
a minha opinião é que a matemática é tanto uma invenção como uma descoberta. A
matemática é inventada quando as pessoas constroem modelos abstratos
matemáticos para explicar a realidade, enquanto a matemática é descoberta
quando os matemáticos percebem padrões e relações nos dados existentes. Assim,
a matemática é tanto inventada como descoberta.

Os matemáticos têm um papel único em toda a ciência, usando sua capacidade de
perceber padrões para desenvolver teorias e modelos para explicar o comportamento
dos fenômenos. A matemática é especialmente importante na ciência, pois ajuda
a entender o mundo que nos rodeia. Os matemáticos usam suas habilidades para
desenvolver modelos para explicar a realidade, usando uma variedade de ferramentas
e técnicas. O uso da matemática para descobrir padrões e relações também é essencial
para a ciência, pois permite que os cientistas construam hipóteses e façam previsões.
Assim, podemos dizer que a matemática é tanto uma invenção como uma descoberta.

Ao utilizar prompt de expansão podemos escrever incrementalmente e iterar a cada passo. Essa abordagem é útil quando você precisa **produzir respostas de alta qualidade e deseja modificar os passo incrementais **

Escrito por jayo78. Traduzido por gabi fonseca

Sander Schulhoff

Sander Schulhoff is the Founder of Learn Prompting and an ML Researcher at the University of Maryland. He created the first open-source Prompt Engineering guide, reaching 3M+ people and teaching them to use tools like ChatGPT. Sander also led a team behind Prompt Report, the most comprehensive study of prompting ever done, co-authored with researchers from the University of Maryland, OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions. This 76-page survey analyzed 1,500+ academic papers and covered 200+ prompting techniques.

Footnotes

1. Jin, Y., Kadam, V., & Wanvarie, D. (2022). Plot Writing From Pre-Trained Language Models. ↩