解答討論性問題

透過正確的提示，GPT-3 非常擅長寫作短格式回答。為了證明這一點，我將看一下解答討論性問題，這是許多大學課程中常見的每週任務。對討論性問題的回答通常約為100到700字。更長的內容可能會有些棘手，因為語言模型的記憶有限，並且難以理解他們所寫的內容的整體情況。

讓我們看一個基本的討論問題的例子:

"我們星球面臨的最緊迫的環境問題是什麼，個人可以採取哪些措施來幫助解決這些問題？"

我們可以將其轉化為簡單的 GPT-3 提示，將

回答以下問題: 放在前面。

回答以下問題:
我們星球面臨的最緊迫的環境問題是什麼，個人可以採取哪些措施來幫助解決這些問題？

由於這個提示生成的結果並不一致，有些只有一兩個句子。一個典型的討論回答應該有多個段落，因此這些結果並不理想。一個好的提示應該給出具體的格式和內容指令。您需要消除語言中的歧義以提高一致性和質量。這是一個更好的提示。

寫一篇高度詳細的論文，包括引言、正文和結論段，回答以下問題:
我們星球面臨的最緊迫的環境問題是什麼，

個人可以採取哪些措施來幫助解決這些問題？

第二個提示生成了更長的輸出和更好的結構。提示中使用“論文”一詞是有意的，因為GPT-3可以理解論文的定義，因此更有可能生成連貫的、結構化的回答。

許多討論性問題並不適合提示

"內戰是一場關於擴張的衝突嗎？同意還是不同意，為什麼？"

這是一個真實的大學歷史課程的討論問題。它的措辭不當，也過於開放。為了獲得良好的討論回答，您需要將問題改寫為一個明確定義的提示。上面那個討論問題的明確定義提示可以是：

"解釋內戰的原因以及擴張是否在衝突中起了作用。附上支援您論點的證據。"

現在我們可以新增格式和上下文指令。

寫一篇高度詳細的討論回答，按照論文結構回答以下提示:
解釋內戰的原因以及擴張是否在衝突中起了作用。

附上支援您論點的證據。

使用GPT-3自動重寫明確定義的提示

上面的改寫例子是使用OpenAI的ChatGPT生成的。

迭代

在為討論問題制定有效的提示後，您現在需要細化 GPT-3 生成的結果。這可能涉及到調整輸出以符合諸如字數等限制，或將不同生成的結果的概念組合在一起。

迭代的一個簡單方法是生成多個輸出並檢視它們，以瞭解 GPT-3 正在使用的概念和結構。一旦評估了輸出，您就可以選擇最合適的輸出並將它們組合成一個連貫的回答。

另一種迭代的方法是逐步開始，然後逐步擴充套件。這需要不止一個提示:一個起始提示，用於撰寫最初的一兩段，然後是其他提示，以擴充套件已經寫過的內容。

以下是一個潛在的哲學討論問題:

"數學是發明還是發現？用仔細的推理來解釋你的答案。"

將其新增到一個簡單的提示中，如下所示:

寫一個起始段回答以下問題:
數學是發明還是發現？用仔細的推理來解釋你的答案。

我生成了一些回答，找到了一個我喜歡的：

哲學家和數學家之間爭論不休，數學是發明還是發現。

一些人認為，數學的概念和原則獨立於人類思維存在，因此可以被認為是被發現而不是被髮明的。

例如，數字、比率和幾何形狀的概念在自然界中被觀察到，可以被抽象化和系統化地研究。

This is a pretty good start. I then followed this up with another prompt to expand: 這是一個不錯的開端。然後我使用另一個提示來擴充套件：

我正在撰寫一篇詳細的短文，回答以下提示:
數學是發明還是發現？用仔細的推理來解釋你的答案。
這是我目前的情況:
哲學家和數學家之間爭論不休，數學是發明還是發現。

一些人認為，數學的概念和原則獨立於人類思維存在，因此可以被認為是被發現而不是被髮明的。

例如，數字、比率和幾何形狀的概念在自然界中被觀察到，可以被抽象化和系統化地研究。
寫下我文章的下一段。

嘗試使用以下演示來擴充套件此提示（您將需要您的OpenAI API金鑰）：

我使用此提示生成了幾個擴充套件，並選擇了一個我喜歡的，最終得到了以下結果：

哲學家和數學家之間爭論不休，數學是發明還是發現。

一些人認為，數學的概念和原則獨立於人類思維存在，因此可以被認為是被發現而不是被髮明的。

例如，數字、比率和幾何形狀的概念在自然界中被觀察到，可以被抽象化和系統化地研究。

另一方面，有人認為數學在很大程度上是人類思維的發明。

數學原理基於邏輯推理，這是人類思維的一個特徵。

例如，歐幾里德幾何基於抽象的公理和前提，被接受為真實而無需證明。

因此，可以認為幾何是人類思維的發明，而不是一種發現。

同樣，數學公式和方程用於模擬和預測物理現象，這又是人類推理的結果。

使用擴充套件提示，我們可以逐步地寫作並在每個步驟上進行迭代。這對於需要生成更高質量的輸出並希望逐步修改的情況非常有用。

Written by jayo78.

Footnotes

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