← Quay lại My Projects
Bài tập 3 · Mục 3.4 📄 Tải file PDF bài tập

Tổng quan về trí tuệ nhân tạo

Kỹ năng Prompt Engineering trong học tập

📅 Nhiệm vụ 3 🤖 Prompt Engineering ⏱️ Bài tập 2 của mục 3.4

🎯 Mục tiêu bài tập

Đánh giá toàn diện hiệu quả của các Mô hình ngôn ngữ lớn (LLMs) đối với 3 tác vụ học tập cốt lõi của sinh viên ngành Công nghệ thông tin. Thực hành kỹ năng tối ưu hóa câu lệnh từ Cơ bản (Basic) → Cải tiến (Improved) → Nâng cao (Advanced) và đúc kết khung nguyên tắc C.L.E.A.R.

📚 3 Tác vụ học tập cốt lõi lựa chọn

Tôi đã thiết lập thực nghiệm trên 3 tác vụ đại diện cho các phương pháp tiếp thu kiến thức khác nhau:

  1. Tác vụ 1: Tóm tắt bài đọc/tài liệu học thuật: Tóm tắt bài báo "Nâng cao chất lượng nguồn nhân lực logistics thông qua việc kết nối cơ sở đào tạo với các doanh nghiệp logistics" (Tạp chí KH&CN Đại học Hùng Vương).
  2. Tác vụ 2: Giải thích một khái niệm phức tạp: Giải thích thuật ngữ "Học sâu" (Deep Learning) trong Trí tuệ nhân tạo (AI).
  3. Tác vụ 3: Tạo bộ câu hỏi ôn tập cho một chủ đề: Tạo bộ đề ôn tập chủ đề "Tiết kiệm và đầu tư" trong môn Kinh tế vĩ mô.

⚡ Nhật ký tiến hóa của các Prompt

Dưới đây là chi tiết các phiên bản prompt đã thiết kế cho từng tác vụ:

Tác vụ 1: Tóm tắt bài đọc/tài liệu học thuật

Basic: "Tóm tắt cho tôi nội dung có trong tài liệu “nâng cao chất lượng nguồn nhân lực logistics thông qua việc kết nối cơ sở đào tạo với các doanh nghiệp logistics” đăng trên tạp chí khoa học và công nghệ của đại học Hùng Vương."

Improved: "Tôi hiện đang là sinh viên năm 4, đang chuẩn bị cho bài luận tốt nghiệp liên quan đến chủ đề “nâng cao chất lượng nguồn nhân lực logistics”, hãy tóm tắt nội dung trong tài liệu học thuật “nâng cao chất lượng nguồn nhân lực logistics thông qua việc kết nối cơ sở đào tạo với các doanh nghiệp logistics” để tôi có cơ sở tham khảo phục vụ bài luận."

Advanced: "Đóng vai trò là một giáo sư, giảng viên đại học có kiến thức chuyên môn về logistics và nhân sự, hãy cô đọng nội dung cho sinh viên năm 4 tham khảo tài liệu “nâng cao chất lượng nguồn nhân lực logistics thông qua việc kết nối cơ sở đào tạo với các doanh nghiệp logistics”. Từ đó, rút ra những điểm kiến thức nổi bật trong tài liệu, sinh viên có thể tham khảo để hoàn thành bài luận."

Tác vụ 2: Giải thích khái niệm phức tạp ("Học sâu")

Basic: "Hãy giải thích thuật ngữ “học sâu” trong trí tuệ nhân tạo (AI)"

Improved: "Tôi lần đầu nghe đến khái niệm “học sâu”, với vai trò là một giảng viên môn học công nghệ số, hãy đơn giản hóa thuật ngữ bằng việc đưa ra ví dụ thực tế dành cho sinh viên năm nhất."

Advanced: "Là một chuyên gia công nghệ, tham gia workshop trò chuyện về chủ đề công nghệ, giúp sinh viên AI, giải thích thuật ngữ “học sâu” cho tất cả sinh viên không chuyên công nghệ, lấy ví dụ thực tế, gạch đầu dòng các ý."

Tác vụ 3: Tạo bộ câu hỏi ôn tập (Kinh tế vĩ mô)

Basic: "Tạo cho tôi bộ câu hỏi ( 10- 20 câu) trắc nghiệm cho chủ đề “tiết kiệm và đầu tư” trong kinh tế vĩ mô"

Improved: "Tôi đang chuẩn bị cho bài kiểm tra sắp tới hãy giúp tôi tạo bộ câu hỏi ôn tập khoảng 15 câu ( bao gồm trắc nghiệm và tự luận) liên quan đến bài “tiết kiệm và đầu tư” trong kinh tế vĩ mô, có mức độ nâng cao dần"

Advanced: "Là 1 giảng viên môn kinh tế vĩ mô, tạo đề cương ôn tập cho sinh viên (10 câu) với bài giảng “ tiết kiệm và đầu tư”, có giải thích ngắn gọn cho từng đáp án dễ hiểu cho sinh viên năm nhất, gạch đầu dòng cho phần giải thích."

📊 Đánh giá và So sánh kết quả đầu ra

Bảng đối chiếu sự vượt trội của cấu trúc câu lệnh nâng cao đối với chất lượng dữ liệu phản hồi từ AI:

Tác vụ Đánh giá Prompt Cơ bản / Cải tiến Phân tích sự vượt trội của Prompt Nâng cao
1. Tóm tắt thuật toán Kết quả trả về tương đối máy móc, rập khuôn. Dù phiên bản cải tiến đã xuất sắc lồng ghép được bảng biểu so sánh lợi ích các bên nhưng nhìn chung vẫn chỉ dừng ở mức tóm lược thô dữ liệu. Ép AI hóa thân thành người hướng dẫn học thuật chuyên sâu. Kết quả bóc tách được các "điểm vàng" kiến thức mang tầm vĩ mô như Mô hình Ba bên (Triple Helix), Tiêu chuẩn năng lực KSA và phương thức Học tập qua trải nghiệm (Experiential Learning).
2. Giải thích khái niệm phức tạp Cách giải thích còn mang nặng tính định nghĩa giáo điều, chưa thực sự bẻ gãy được rào cản thuật ngữ đối với người mới tiếp cận. Ép AI sử dụng ngôn ngữ workshop sư phạm, chia nhỏ luận điểm bằng các gạch đầu dòng trực quan, lấy ví dụ đời sống sinh động giúp sinh viên nắm bắt bản chất một cách dễ dàng.
3. Ôn tập kiến thức Câu hỏi tạo ra mang tính ngẫu nhiên, rời rạc, chưa tối ưu tốt cấu trúc cho lộ trình tự học hoặc kiểm tra có hệ thống. Thiết lập một đề cương ôn tập chuẩn mực (đúng mẫu 10 câu) phân hóa tốt cho sinh viên năm nhất, có đáp án đi kèm phần lý giải gạch ý chi tiết, hiểu rõ đúng/sai của từng phương án.

⚙️ Khung nguyên tắc viết Prompt hiệu quả (C.L.E.A.R)

Đúc kết từ bài thực hành, tôi đề xuất bộ khung nguyên tắc giúp tối ưu hóa giao tiếp học thuật với AI:

  • C - Context (Ngữ cảnh): Cung cấp bối cảnh rõ ràng (Bạn là ai? Đang giải quyết vấn đề gì? Đối tượng nghe là ai?). Khoanh vùng giúp AI tránh đưa ra thông tin nhiễu.
  • L - Length & Layout (Độ dài & Bố cục): Chỉ định rõ dạng thức đầu ra (Bảng biểu, danh sách gạch đầu dòng, Markdown, giới hạn số từ) để tránh các khối chữ đặc.
  • E - Examples (Ví dụ minh họa): Áp dụng Few-shot prompting. Cung cấp 1-2 ví dụ mẫu để AI hiểu nhanh cấu trúc và định dạng bạn mong muốn.
  • A - Act As (Đóng vai): Gán vai trò cụ thể cho AI nhằm định hình giọng điệu (giọng điệu giảng viên, nhà phát triển phần mềm) và chiều sâu chuyên môn phù hợp.
  • R - Refine (Tinh chỉnh liên tục): Xem Prompt Engineering là quá trình lặp. Liên tục điều chỉnh, sửa lỗi hoặc yêu cầu AI tối ưu thêm các góc nhìn khác (như bộ nhớ, thời gian chạy).

💭 Bài học rút ra

Chất lượng phản hồi của AI tỷ lệ thuận với mức độ logic và chi tiết của câu lệnh. Việc rèn luyện Prompt Engineering không chỉ giúp tôi khai thác tối đa sức mạnh của LLM phục vụ học tập, mà còn giúp rèn luyện tư duy lập trình - khả năng phân tách một bài toán lớn thành các bước logic và đặt ra các ràng buộc chặt chẽ cho hệ thống.