解答讨论性问题

通过正确的提示，GPT-3非常擅长写作短格式回答。为了证明这一点，我将看一下解答讨论性问题，这是许多大学课程中常见的每周任务。对讨论性问题的回答通常约为100到700字。更长的内容可能会有些棘手，因为语言模型的记忆有限，并且难以理解他们所写的内容的全局图像。

让我们看一个基本的讨论问题的例子:

"我们星球面临的最紧迫的环境问题是什么，个人可以采取哪些措施来帮助解决这些问题？"

我们可以将其转化为简单的GPT-3提示，将

回答以下问题: 放在前面。

回答以下问题:
我们星球面临的最紧迫的环境问题是什么，个人可以采取哪些措施来帮助解决这些问题？

由于这个提示生成的结果并不一致，有些只有一两个句子。一个典型的讨论回答应该有多个段落，因此这些结果并不理想。一个好的提示应该给出具体的格式和内容指令。您需要消除语言中的歧义以提高一致性和质量。这是一个更好的提示。

写一篇高度详细的论文，包括引言、正文和结论段，回答以下问题:
我们星球面临的最紧迫的环境问题是什么，

个人可以采取哪些措施来帮助解决这些问题？

第二个提示生成了更长的输出和更好的结构。提示中使用“论文”一词是有意的，因为GPT-3可以理解论文的定义，因此更有可能生成连贯的、结构化的回答。

许多讨论性问题并不适合提示

"内战是一场关于扩张的冲突吗？同意还是不同意，为什么？"

这是一个真实的大学历史课程的讨论问题。它的措辞不当，也过于开放。为了获得良好的讨论回答，您需要将问题改写为一个明确定义的提示。上面那个讨论问题的明确定义提示可以是：

"解释内战的原因以及扩张是否在冲突中起了作用。附上支持您论点的证据。"

现在我们可以添加格式和上下文指令。

写一篇高度详细的讨论回答，按照论文结构回答以下提示:
解释内战的原因以及扩张是否在冲突中起了作用。

附上支持您论点的证据。

使用GPT-3自动重写明确定义的提示

上面的改写例子是使用OpenAI的ChatGPT生成的。

迭代

在为讨论问题制定有效的提示后，您现在需要细化GPT-3生成的结果。这可能涉及到调整输出以符合诸如字数等限制，或将不同生成的结果的概念组合在一起。

迭代的一个简单方法是生成多个输出并查看它们，以了解GPT-3正在使用的概念和结构。一旦评估了输出，您就可以选择最合适的输出并将它们组合成一个连贯的回答。

另一种迭代的方法是逐步开始，然后逐步扩展。这需要不止一个提示:一个起始提示，用于撰写最初的一两段，然后是其他提示，以扩展已经写过的内容。

以下是一个潜在的哲学讨论问题:

"数学是发明还是发现？用仔细的推理来解释你的答案。"

将其添加到一个简单的提示中，如下所示:

写一个起始段回答以下问题:
数学是发明还是发现？用仔细的推理来解释你的答案。

我生成了一些回答，找到了一个我喜欢的：

哲学家和数学家之间争论不休，数学是发明还是发现。

一些人认为，数学的概念和原则独立于人类思维存在，因此可以被认为是被发现而不是被发明的。

例如，数字、比率和几何形状的概念在自然界中被观察到，可以被抽象化和系统化地研究。

This is a pretty good start. I then followed this up with another prompt to expand: 这是一个不错的开端。然后我使用另一个提示来扩展：

我正在撰写一篇详细的短文，回答以下提示:
数学是发明还是发现？用仔细的推理来解释你的答案。
这是我目前的情况:
哲学家和数学家之间争论不休，数学是发明还是发现。

一些人认为，数学的概念和原则独立于人类思维存在，因此可以被认为是被发现而不是被发明的。

例如，数字、比率和几何形状的概念在自然界中被观察到，可以被抽象化和系统化地研究。
写下我文章的下一段。

尝试使用以下演示来扩展此提示（您将需要您的OpenAI API密钥）：

我使用此提示生成了几个扩展，并选择了一个我喜欢的，最终得到了以下结果：

哲学家和数学家之间争论不休，数学是发明还是发现。

一些人认为，数学的概念和原则独立于人类思维存在，因此可以被认为是被发现而不是被发明的。

例如，数字、比率和几何形状的概念在自然界中被观察到，可以被抽象化和系统化地研究。

另一方面，有人认为数学在很大程度上是人类思维的发明。

数学原理基于逻辑推理，这是人类思维的一个特征。

例如，欧几里德几何基于抽象的公理和前提，被接受为真实而无需证明。

因此，可以认为几何是人类思维的发明，而不是一种发现。

同样，数学公式和方程用于模拟和预测物理现象，这又是人类推理的结果。

使用扩展提示，我们可以逐步地写作并在每个步骤上进行迭代。这对于需要生成更高质量的输出并希望逐步修改的情况非常有用。

Written by jayo78.

Footnotes

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