۷ مرداد ۱۴۰۴

معرفی حالت مطالعه

روشی جدید برای یادگیری در ChatGPT که به جای پاسخ‌های سریع، راهنمایی گام به گام ارائه می‌دهد.

در حال بارگذاری…

امروز ما حالت مطالعه را در ChatGPT معرفی می‌کنیم - یک تجربه یادگیری که به شما کمک می‌کند تا به جای دریافت پاسخ، گام به گام با مشکلات کنار بیایید. از امروز، برای کاربران وارد شده در Free، Plus، Pro و Team در دسترس است و در ChatGPT Edu طی چند هفته آینده در دسترس خواهد بود.

ChatGPT در حال تبدیل شدن به یکی از پرکاربردترین ابزارهای یادگیری در جهان است. دانش‌آموزان برای حل مسائل چالش‌برانگیز تکالیف، آماده شدن برای امتحانات و کشف مفاهیم جدید به آن مراجعه می‌کنند. اما استفاده از آن در آموزش و پرورش یک سؤال مهم را نیز مطرح کرده است: چطور مطمئن شویم که از آن برای حمایت از یادگیری واقعی استفاده می‌شود و فقط راه‌حل‌هایی ارائه نمی‌دهد که به دانش‌آموزان در درک آنها کمک نکند؟

ما حالت مطالعه را برای کمک به پاسخ به این سوال ساخته‌ایم. وقتی دانش‌آموزان با حالت مطالعه درگیر می‌شوند، با سوالات هدایت‌کننده‌ای روبرو می‌شوند که پاسخ‌ها را با هدف و سطح مهارت‌شان تنظیم می‌کند تا به آنها در ایجاد درک عمیق‌تر کمک کند. حالت مطالعه به گونه‌ای طراحی شده است که جذاب و تعاملی باشد و به دانش‌آموزان کمک کند چیزی یاد بگیرند - نه اینکه فقط چیزی را به پایان برسانند.

چگونه حالت مطالعه ساخته شد

در باطن، حالت مطالعه توسط دستورالعمل‌های سیستم سفارشی که ما با همکاری معلمان، دانشمندان و متخصصان آموزش نوشته‌ایم، پشتیبانی می‌شود تا مجموعه‌ای از رفتارهای اصلی را که از یادگیری عمیق‌تر پشتیبانی می‌کنند، منعکس کند، از جمله: تشویق مشارکت فعال، مدیریت بار شناختی، توسعه فعال فراشناخت و خوداندیشی، تقویت کنجکاوی و ارائه بازخورد عملی و حمایتی. این رفتارها بر اساس تحقیقات طولانی‌مدت در علم یادگیری هستند و نحوه واکنش حالت مطالعه به دانش‌آموزان را شکل می‌دهند.

«به جای انجام کار برای آنها، حالت مطالعه دانش‌آموزان را تشویق می‌کند تا در مورد یادگیری خود به طور انتقادی فکر کنند.» ویژگی‌هایی مانند این، گامی مثبت در جهت استفاده مؤثر از هوش مصنوعی برای یادگیری است. حتی در عصر هوش مصنوعی، بهترین یادگیری هنوز زمانی اتفاق می‌افتد که دانش‌آموزان از مطالب درسی هیجان‌زده باشند و به طور فعال با آنها درگیر شوند. —رابی تورنی، مدیر ارشد برنامه‌های هوش مصنوعی در Common Sense Media.

ویژگی‌های کلیدی

پرسش‌های تعاملی: پرسش‌های سقراطی، نکات و پرسش‌های خوداندیشی را با هم ترکیب می‌کند تا به جای ارائه پاسخ‌های صریح، درک را هدایت کرده و یادگیری فعال را ارتقا دهد.

پاسخ‌های چارچوب‌بندی‌شده: اطلاعات در بخش‌هایی سازماندهی شده‌اند که دنبال کردنشان آسان است و ارتباطات کلیدی بین موضوعات را برجسته می‌کنند، اطلاعات را با میزان مناسبی از زمینه جذاب نگه می‌دارند و از سردرگمی در مورد موضوعات پیچیده می‌کاهند.

پشتیبانی شخصی‌سازی‌شده: درس‌ها متناسب با سطح مناسب کاربر و بر اساس سوالاتی که سطح مهارت و حافظه را از گفتگوهای قبلی ارزیابی می‌کنند، تنظیم می‌شوند.

بررسی دانش: آزمون‌ها و سوالات تشریحی، همراه با بازخورد شخصی‌سازی‌شده برای پیگیری پیشرفت، از حفظ دانش و توانایی به‌کارگیری آن دانش در زمینه‌های جدید پشتیبانی می‌کنند.

انعطاف‌پذیری: به راحتی حالت مطالعه را در طول مکالمه روشن و خاموش کنید و به شما انعطاف‌پذیری لازم را برای تطبیق با اهداف یادگیری خود در هر مکالمه می‌دهد.

چگونه دانش آموزان از حالت مطالعه استفاده می کنند

حالت مطالعه با توجه به نیازهای دانشجویان دانشگاه طراحی شده است. برخی از بازخوردهایی که از دانش‌آموزان در طول آزمایش‌های اولیه شنیدیم:

«بهترین توصیفی که می‌توانم بکنم، یک «ساعات اداری» زنده، 24 ساعته و 7 روز هفته است.» —نوح کمپبل، دانشجوی کالج

« حالت مطالعه در تجزیه مطالب فشرده به توضیحات واضح و با ریتم مناسب، کار فوق‌العاده‌ای انجام داد.» —کالب ماسی، دانشجوی دانشگاه

«من حالت مطالعه را امتحان کردم تا مفهومی را که قبلاً بارها سعی در یادگیری آن داشته‌ام، به من بیاموزد: کدگذاری‌های موقعیتی سینوسی.» مثل یک معلم خصوصی بود که از سوال‌های من خسته نمی‌شود. بعد از یک جلسه کاری ۳ ساعته، بالاخره آن را به اندازه کافی خوب فهمیدم که احساس اعتماد به نفس داشته باشم. مگی وانگ، دانشجوی کالج

راه های استفاده از حالت مطالعه با الهام از دانشجویان دانشگاه از آزمایشگاه ChatGPT

I want to learn about Game Theory, specifically the broad spectrum that the field entails, then also the ways in which you think it'd be useful for me to understand in my daily life. I want you to of course follow my curiousity, but mostly you will be teaching me about it, and keeping a high level plan to iterate through so I can cover the full scope here. I will ask questions when I am curious, but be deadset on quickly educating me on this.

Perfect. Here’s the high-level plan I’ll drive us through—think of it as a layered roadmap from foundational ideas to practical intuition:

🔹 Phase 1: Core Foundations

1. What is Game Theory, really?

Strategic interaction, rational agents, assumptions.

2. Types of Games

Cooperative vs non-cooperative
Simultaneous vs sequential
Zero-sum vs non-zero-sum

3. Basic Concepts

Players, strategies, payoffs, information
Dominant strategies
Nash equilibrium (core to nearly everything)

🔸 Phase 2: Classic Games & Concepts

4. Famous Games

Prisoner’s Dilemma
Chicken
Battle of the Sexes
Stag Hunt
Matching Pennies

5. Mixed Strategy Equilibria

When no pure strategy works
Randomization and expected payoffs

🔹 Phase 3: Deepening the Model

6. Repeated Games & Folk Theorems

Cooperation emerging over time
Tit for Tat, Grim Trigger, etc.

7. Extensive-Form Games

Game trees, backward induction
Subgame Perfect Equilibria

8. Bayesian Games

Games with incomplete information
Beliefs, types, and expected utility

🔸 Phase 4: Real-Life Relevance

9. Mechanism Design / Reverse Game Theory

Voting systems, auctions, contracts

10. Behavioral Game Theory

Bounded rationality, fairness, heuristics

11. Daily Life Applications

Negotiation, dating, politics, AI systems, etc.

🔹 Phase 5: Advanced & Optional

12. Evolutionary Game Theory

Strategies that reproduce over time

13. Algorithmic Game Theory

Network effects, internet auctions

14. Your world: How it matters to Parker

Systems design, incentives, power structures

Throughout this, I’ll mix in:

🔄 Guided examples
🧠 Thought experiments
🎭 Real-life situations to map theory onto
🧩 Quick checks to make sure ideas are sticking

Let’s kick off Phase 1.
First quick one: In your own words, what do you think Game Theory is about? No need to be polished—just get it out.

I think Game Theory is sort of this meta aspect framing of modern society in life where we look at people in situations and complex systems and we try to analyze how people in them make decisions, sometimes why they make it, and how this affects the situation/system

Nice—you're already circling the core.

Let’s sharpen it a bit together. Game Theory is fundamentally about strategic decision-making—situations where the outcome for each person depends not just on what they do, but on what others do too.

So real quick:

If you’re making a decision and it depends entirely on nature or chance—like a dice roll—is that Game Theory?

And then:

If you’re making a decision and it depends on what someone else does—like whether they cooperate or betray you—is that Game Theory?

Walk me through your thinking on both.

No random chance isn't game theory, though agents in game theory may end up having things depend on random chance. But if youre decision matters then of course it is. Also please remember you should be teaching this to me, via paragraphs of information and moving through a high level plan. If I want to do interactions and questions, I will ask. Continue

Got it—I'll stay in teaching mode and drive forward through the roadmap unless you tap in.

📍Phase 1: Core Foundations — What Game Theory Is

At its heart, Game Theory studies strategic interactions: any situation where the outcome for each agent (person, company, nation, etc.) depends on the actions of others. It’s not about games in the traditional sense, but rather any “game” where decisions must be made in the presence of others who are also making decisions.

Key Assumptions (Classical Game Theory):

1. Rational agents – Everyone acts to maximize their own utility (whatever that means to them).

2. Strategic thinking – Agents consider what others might do before acting.

3. Common knowledge – Everyone knows the rules, the payoffs, and that everyone is rational (though later variants relax this).

🧩 Core Building Blocks

Here are the elements every formal game model needs:

Players – The decision-makers.
Strategies – The complete set of actions each player could take.
Payoffs – The outcomes (usually represented numerically) each player receives depending on the combination of strategies chosen.
Rules of play – Whether players move simultaneously or in turns, whether they see each other’s moves, whether they play once or repeatedly.

These get framed into a “game form”, and from there, you look for solutions—most famously, Nash equilibrium (more on that soon).

🎲 Quick Clarification: Game Theory vs Probability

You're exactly right—pure chance (like dice) isn’t Game Theory. That’s probability theory. But if you are choosing a strategy knowing that others may randomize their own moves? That’s Game Theory.

For example: in rock-paper-scissors, the “optimal” strategy is not deterministic—it’s a mixed strategy, which involves randomizing your choices. But you’re doing so strategically, in response to an opponent.

🧠 Where We’re Going Next

Next up, I’ll walk through types of games (Phase 1 continued), then move into dominant strategies and Nash equilibrium to set up the first actual game analysis.

Let me know if you want to pause, go deeper, or shift gears—but otherwise I’ll keep pressing forward.

I like the rock paper scissors example. Keep going, connecting to my life where possible. want to internalize this to be a better person/decision maker

شروع به کار

حالت مطالعه به ویژه برای کمک به تکالیف، آمادگی برای آزمون و یادگیری موضوعات جدید مفید است. برای امتحانش، از ابزارهای ChatGPT گزینه «مطالعه و یادگیری» را انتخاب کن و سوالی بپرس.

محدودیت‌ها و گام‌های بعدی

این اولین قدم در سفری طولانی‌تر برای بهبود یادگیری در ChatGPT است. امروز، حالت مطالعه با دستورالعمل‌های سفارشی سیستم فعال می‌شود. ما این رویکرد را انتخاب کردیم چون به ما اجازه می‌دهد سریعاً از بازخورد واقعی دانش‌آموزان یاد بگیریم و تجربه را بهبود دهیم - حتی اگر به رفتارها و اشتباهات ناهماهنگ در مکالمات منجر شود. ما قصد داریم این رفتار را مستقیماً در مدل‌های اصلی خود آموزش دهیم، وقتی از طریق تکرار و بازخورد دانش‌آموزان یاد گرفتیم چه چیزی بهتر عمل می‌کند.

ما همچنین در حال بررسی قابلیت ها هستیم تا حالت مطالعه را جذاب تر و مفید تر برای دانش آموزان بررسی کنیم، از جمله:

تجسم‌های واضح‌تر برای مفاهیم پیچیده یا متن‌محور
تعیین هدف و پیگیری پیشرفت در طول مکالمات
شخصی‌سازی عمیق‌تر متناسب با سطح مهارت و اهداف هر دانش‌آموز

چشم‌انداز تحقیقات در مورد بهترین روش‌های به‌کارگیری هوش مصنوعی در آموزش هنوز در حال شکل‌گیری است. OpenAI در حال تسهیل تحقیقات بیشتر در مورد یادگیری و هوش مصنوعی از طریق شرکای مختلف در ابتکار NextGenAI⁠ خود است و با کارشناسان ابتکار SCALE در شتاب‌دهنده یادگیری دانشگاه استنفورد⁠(در یک پنجره جدید باز می‌شود) همکاری می‌کند تا مطالعه و به اشتراک‌گذاری کنند که چگونه ابزارهای هوش مصنوعی بر نتایج یادگیری در زمینه‌هایی مانند آموزش K-12 تأثیر می‌گذارند.

همزمان با انجام مطالعات بلندمدت‌تر در مورد چگونگی یادگیری بهتر دانش‌آموزان با هوش مصنوعی، قصد داریم تحلیل عمیق‌تری از آنچه در مورد ارتباط بین طراحی مدل و شناخت آموخته‌ایم منتشر کنیم، تجربیات محصول آینده را بر اساس این بینش‌ها شکل دهیم و در کنار اکوسیستم آموزشی گسترده‌تر همکاری کنیم تا اطمینان حاصل کنیم که هوش مصنوعی به دانش‌آموزان در سراسر جهان سود می‌رساند.

نویسنده

OpenAI

به خواندن ادامه بده

مشاهده همه

New usage analytics and updated spend controls for enterprises

محصول۲۸ خرداد ۱۴۰۵

بهبود هوشمندی سلامت در ChatGPT

محصول۲۸ خرداد ۱۴۰۵

معرفی شبکه شرکای OpenAI

محصول۲۴ خرداد ۱۴۰۵