Prompt: Phát hiện bất thường trong dữ liệu hoạt động hàng ngày – Quản lý sức khỏe và phòng ngừa chấn thương – AI Fitness

Dưới đây là phân tích chi tiết về mẫu prompt được cung cấp, tuân thủ cấu trúc yêu cầu:

1. Phân tích Cấu trúc Prompt

Mẫu prompt này được thiết kế để yêu cầu mô hình ngôn ngữ phân tích dữ liệu hoạt động thể chất hàng ngày và đưa ra những cảnh báo tiềm năng về sức khỏe. Cấu trúc của nó bao gồm:

• Hành động chính: “Xem xét dữ liệu hoạt động hàng ngày của tôi” – Đây là mệnh lệnh trực tiếp, yêu cầu mô hình thực hiện một hành động cụ thể dựa trên dữ liệu được cung cấp.
• Các loại dữ liệu được yêu cầu: “số bước chân, khoảng cách di chuyển, lượng calo tiêu thụ” – Liệt kê rõ ràng các chỉ số cần phân tích, giúp mô hình biết chính xác những thông tin nào cần chú trọng.
• Biến số quan trọng (Placeholder):
  • [SỐ_NGÀY]: Đại diện cho khoảng thời gian cần xem xét dữ liệu. Người dùng cần thay thế biến này bằng một con số cụ thể (ví dụ: 7, 30, 90).
  • [MỨC_TRUNG_BÌNH_HOẠT_ĐỘNG]: Đại diện cho mức hoạt động trung bình thông thường của người dùng. Biến này có thể được thay thế bằng một con số hoặc một mô tả ngắn gọn về mức độ hoạt động (ví dụ: “10.000 bước/ngày”, “trung bình thấp”).
• Yêu cầu phân tích cụ thể: “So sánh với mức trung bình thông thường của tôi ([MỨC_TRUNG_BÌNH_HOẠT_ĐỘNG]).” – Chỉ đạo mô hình thực hiện phép so sánh, đây là bước cốt lõi để xác định sự khác biệt.
• Mục tiêu và dấu hiệu cần tìm kiếm: “Tìm kiếm các sự sụt giảm đột ngột hoặc bất thường kéo dài, điều này có thể chỉ ra vấn đề về sức khỏe, chấn thương hoặc sự thay đổi lối sống cần chú ý sớm.” – Xác định rõ mục tiêu cuối cùng của phân tích là phát hiện các xu hướng tiêu cực và cung cấp cảnh báo.

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, mẫu prompt này hoạt động bằng cách:

• Cung cấp ngữ cảnh: Mô hình nhận thức được rằng nhiệm vụ liên quan đến phân tích dữ liệu sức khỏe cá nhân.
• Xác định phạm vi dữ liệu: Biến [SỐ_NGÀY] giúp mô hình khoanh vùng tập dữ liệu cần xử lý. Dữ liệu này được kỳ vọng sẽ được người dùng cung cấp sau prompt hoặc đã được tải lên trước đó trong ngữ cảnh hội thoại.
• Thiết lập điểm chuẩn: Biến [MỨC_TRUNG_BÌNH_HOẠT_ĐỘNG] đóng vai trò là ngưỡng so sánh. Mô hình sẽ sử dụng giá trị này để đánh giá xem dữ liệu hiện tại có thấp hơn mức bình thường hay không.
• Kích hoạt các thuật toán phân tích xu hướng và bất thường: Khi nhận được prompt, mô hình sẽ áp dụng các kỹ năng xử lý ngôn ngữ tự nhiên (NLP) và có thể cả các kỹ năng suy luận logic/thống kê cơ bản (tùy thuộc vào khả năng của mô hình). Nó sẽ:
  • Xử lý và hiểu các chỉ số: “số bước chân”, “khoảng cách di chuyển”, “lượng calo tiêu thụ”.
  • Thực hiện so sánh: Đối chiếu dữ liệu trong `[SỐ_NGÀY]` với `[MỨC_TRUNG_BÌNH_HOẠT_ĐỘNG]`.
  • Phát hiện dị thường: Tìm kiếm các điểm dữ liệu hoặc chuỗi dữ liệu có độ lệch đáng kể so với mức trung bình hoặc xu hướng thông thường. Điều này có thể liên quan đến việc phát hiện các “outliers” (ngoại lai) hoặc “trend changes” (thay đổi xu hướng).
• Tạo ra cảnh báo có ý nghĩa: Dựa trên kết quả phân tích, mô hình sẽ diễn giải các phát hiện và trình bày chúng dưới dạng lời khuyên hoặc cảnh báo, đồng thời giải thích lý do tiềm ẩn (vấn đề sức khỏe, chấn thương, thay đổi lối sống).

3. Ví dụ Minh họa

Dưới đây là hai ví dụ về cách prompt này có thể được điền và kết quả mà mô hình ngôn ngữ có thể tạo ra:

Ví dụ 1: Xem xét dữ liệu gần đây

Prompt đã điền:

Xem xét dữ liệu hoạt động hàng ngày của tôi (số bước chân, khoảng cách di chuyển, lượng calo tiêu thụ) trong 7 ngày qua. So sánh với mức trung bình thông thường của tôi (khoảng 8.000 bước/ngày và 400 calo tiêu thụ). Tìm kiếm các sự sụt giảm đột ngột hoặc bất thường kéo dài, điều này có thể chỉ ra vấn đề về sức khỏe, chấn thương hoặc sự thay đổi lối sống cần chú ý sớm.

Kết quả mô hình có thể tạo ra (minh họa):

Dựa trên dữ liệu hoạt động của bạn trong 7 ngày qua, tôi nhận thấy một số điểm đáng chú ý. Mức sụt giảm rõ rệt nhất xuất hiện vào ngày thứ 3 và thứ 4, với số bước chân chỉ còn khoảng 3.000 mỗi ngày và lượng calo tiêu thụ giảm xuống còn dưới 200. Mức độ hoạt động này thấp hơn đáng kể so với mức trung bình thông thường của bạn là 8.000 bước/ngày và 400 calo.

Tôi khuyên bạn nên theo dõi sát sao mức độ hoạt động của mình trong vài ngày tới. Nếu tình trạng này tiếp diễn hoặc bạn cảm thấy không khỏe, hãy cân nhắc tham khảo ý kiến bác sĩ hoặc chuyên gia y tế.

Ví dụ 2: Xem xét dữ liệu dài hạn với mức trung bình là một con số cụ thể

Prompt đã điền:

Xem xét dữ liệu hoạt động hàng ngày của tôi (số bước chân, khoảng cách di chuyển, lượng calo tiêu thụ) trong 30 ngày qua. So sánh với mức trung bình thông thường của tôi (10000). Tìm kiếm các sự sụt giảm đột ngột hoặc bất thường kéo dài, điều này có thể chỉ ra vấn đề về sức khỏe, chấn thương hoặc sự thay đổi lối sống cần chú ý sớm.

Kết quả mô hình có thể tạo ra (minh họa):

Phân tích dữ liệu hoạt động của bạn trong 30 ngày gần nhất cho thấy xu hướng chung khá ổn định, gần với mức trung bình bạn đặt ra là 10.000 bước mỗi ngày. Tuy nhiên, tôi phát hiện một giai đoạn kéo dài khoảng 5 ngày, từ ngày thứ 15 đến ngày thứ 19 của chu kỳ 30 ngày này, có sự sụt giảm nhẹ nhưng liên tục. Trong giai đoạn này, mức trung bình số bước chân của bạn dao động quanh mức 7.000-7.500. Mặc dù không phải là một cú sụt giảm đột ngột, nhưng sự giảm đi 2.500-3.000 bước/ngày trong 5 ngày liên tiếp vẫn là một điểm đáng chú ý.