Prompt: Xây dựng bộ dữ liệu huấn luyện cho chấm điểm toán học – AI trong Giảng dạy – AI Giáo dục

1. Phân tích Cấu trúc Prompt

Prompt này được thiết kế để yêu cầu một quy trình chi tiết nhằm xây dựng bộ dữ liệu huấn luyện cho một công cụ chấm điểm bài toán toán học. Prompt có cấu trúc rõ ràng, sử dụng các mục đánh số (1-5) để xác định các phần chính của quy trình được yêu cầu. Nó bao gồm các placeholder (biến) để người dùng tùy chỉnh, cụ thể là:

• [CHỦ_ĐỀ_TOÁN_HỌC]: Biến này yêu cầu người dùng nhập chủ đề toán học cụ thể mà công cụ chấm điểm sẽ tập trung vào (ví dụ: “Đại số tuyến tính”, “Giải tích”, “Hình học phẳng”). Điều này giúp AI hiểu rõ phạm vi và độ phức tạp của các bài toán cần thu thập.
• [LOẠI_BÀI_TOÁN]: Biến này yêu cầu người dùng xác định các loại bài toán cụ thể trong chủ đề đã chọn. Điều này đảm bảo sự đa dạng trong bộ dữ liệu (ví dụ: “bài toán tối ưu hóa”, “bài toán chứng minh”, “bài toán tính toán”).

Cấu trúc này giúp AI tập trung vào từng khía cạnh của việc xây dựng bộ dữ liệu, từ thu thập dữ liệu ban đầu đến chuẩn hóa và đảm bảo chất lượng.

2. Ý nghĩa & Cách hoạt động

Prompt này hoạt động bằng cách đặt ra một yêu cầu phức tạp và phân rã nó thành các bước con dễ quản lý. Khi một người dùng cung cấp các giá trị cho [CHỦ_ĐỀ_TOÁN_HỌC] và [LOẠI_BÀI_TOÁN], AI sẽ sử dụng những thông tin này để tạo ra một câu trả lời được tùy chỉnh và phù hợp với ngữ cảnh.

• Thu thập bài toán mẫu và lời giải: AI sẽ đề xuất các nguồn có thể tìm kiếm bài toán (sách giáo khoa, đề thi, trang web học thuật) và các phương pháp để tạo ra hoặc thu thập lời giải chi tiết.
• Định nghĩa tiêu chí chấm điểm: AI sẽ phân tích chủ đề toán học để đề xuất các bước giải logic phổ biến và các lỗi thường gặp, từ đó đưa ra các tiêu chí chấm điểm cho từng bước (ví dụ: đúng công thức, tính toán chính xác, logic suy luận).
• Phương pháp gán nhãn: AI sẽ phác thảo các cách tiếp cận để gán nhãn cho dữ liệu, bao gồm cả việc sử dụng thuật toán để tự động hóa một phần và vai trò của chuyên gia con người trong việc xem xét và chỉnh sửa.
• Kỹ thuật làm sạch và chuẩn hóa: AI sẽ đề xuất các kỹ thuật để đảm bảo tính nhất quán của dữ liệu, loại bỏ lỗi nhập liệu, sửa lỗi định dạng, và chuẩn hóa cách biểu diễn các ký hiệu toán học.
• Kích thước bộ dữ liệu và đa dạng: AI sẽ đưa ra ước tính về kích thước bộ dữ liệu ban đầu cần thiết và nhấn mạnh tầm quan trọng của việc thu thập các loại bài toán đa dạng để mô hình có thể khái quát hóa tốt.

3. Ví dụ Minh họa

Giả sử người dùng điền vào prompt như sau:

"Tôi cần xây dựng một bộ dữ liệu huấn luyện cho công cụ chấm điểm các bài toán [ĐẠI_SỐ_TUYẾN_TÍNH]. Hãy đề xuất quy trình chi tiết để: 1) Thu thập các bài toán mẫu và lời giải tương ứng. 2) Định nghĩa các tiêu chí chấm điểm cho từng bước giải. 3) Phương pháp gán nhãn tự động/bán tự động và con người. 4) Các kỹ thuật làm sạch và chuẩn hóa dữ liệu. 5) Kích thước bộ dữ liệu ban đầu và các yêu cầu về đa dạng [BÀI_TOÁN_ĐIỀU_KIỆN_ĐỘC_LẬP, BÀI_TOÁN_TÌM_GIÁ_TRỊ_RIÊNG, BÀI_TOÁN_KHỬ_MA_TRẬN]."

Dựa trên prompt này, AI có thể tạo ra một phần của quy trình như sau:

Ví dụ 1: Ghi chú về Thu thập bài toán

Ví dụ 2: Ghi chú về Tiêu chí chấm điểm

👉 Tóm lại

Prompt này là một mẫu thiết kế hiệu quả cho việc yêu cầu AI cung cấp hướng dẫn toàn diện về việc xây dựng bộ dữ liệu huấn luyện. Việc sử dụng các placeholder tùy chỉnh ([CHỦ_ĐỀ_TOÁN_HỌC] và [LOẠI_BÀI_TOÁN]) cho phép người dùng định hướng câu trả lời một cách chính xác, giúp AI hiểu rõ yêu cầu cụ thể và tạo ra các đề xuất chi tiết, có cấu trúc và chuyên sâu. Các bước được liệt kê bao gồm toàn bộ vòng đời của việc xây dựng bộ dữ liệu, từ thu thập đến chuẩn hóa, làm cho prompt này trở nên mạnh mẽ và hữu ích cho các tác vụ liên quan đến học máy.