Ugrás a fő tartalomra
OpenAI

2025. július 29.

Termék

Bemutatkozik a tanulási mód

Egy új tanulási mód a ChatGPT‑ben, amely lépésről lépésre vezet végig, gyors válaszok helyett.

Betöltés…

Ma bemutatjuk a ChatGPT tanulási módját — egy olyan tanulási élményt, amely segít lépésről lépésre megoldani a problémákat, ahelyett, hogy csak egy választ kapnál. A mai naptól a Free, Plus, Pro és Team belépett felhasználók számára elérhető, a ChatGPT Edu pedig a következő hetekben lesz elérhető.

A ChatGPT a világ egyik legszélesebb körben használt tanulási eszközévé válik. A diákok kihívást jelentő házi feladatok megoldásához, vizsgákra való felkészüléshez és új fogalmak felfedezéséhez fordulnak hozzá. De az oktatásban való használata egy fontos kérdést is felvetett: hogyan biztosíthatjuk, hogy valódi tanulást támogasson, és ne csak megoldásokat kínáljon anélkül, hogy segítene a diákoknak azok megértésében?

Létrehoztuk a tanulási módot, hogy segítsünk megválaszolni ezt a kérdést. Amikor a diákok bekapcsolják a tanulási módot, irányító kérdésekkel találkoznak, amelyek a válaszokat a céljaikhoz és készségszintjükhöz igazítják, hogy segítsenek mélyebb megértést kialakítani. A tanulási módot úgy tervezték, hogy lebilincselő és interaktív legyen, és segítsen a diákoknak valamit megtanulni — ne csak befejezni.  

Hogyan készült a tanulási mód

A tanulási mód hátterében olyan egyedi rendszerutasítások állnak, amelyeket tanárokkal, tudósokkal és pedagógiai szakértőkkel együttműködve írtunk, hogy tükrözzék a mélyebb tanulást támogató alapvető viselkedésformákat, többek között: az aktív részvétel ösztönzését, a kognitív terhelés kezelését, a metakogníció és az önreflexió proaktív fejlesztését, a kíváncsiság elősegítését, valamint a megvalósítható és támogató visszajelzések nyújtását. Ezek a viselkedésformák a tanulási tudományok terén végzett hosszú távú kutatásokon alapulnak, és meghatározzák, hogy a tanulási mód hogyan reagál a diákokra.

„Ahelyett, hogy elvégezné a munkát helyettük, a tanulási mód arra ösztönzi a diákokat, hogy kritikus szemmel nézzék a tanulásukat. Az ilyen funkciók pozitív lépést jelentenek a mesterséges intelligencia hatékony tanulási célú felhasználása felé. Még a mesterséges intelligencia korszakában is a legjobb tanulás akkor történik, amikor a diákok izgatottak a tananyag iránt, és aktívan részt vesznek benne.” —Robbie Torney, a Common Sense Media mesterséges intelligencia programokért felelős szenior igazgatója.

Kulcsfontosságú jellemzők

Interaktív utasítások: Szókratészi kérdéseket, tippeket és önreflexióra ösztönző utasításokat kombinál, hogy irányítsa a megértést és elősegítse az aktív tanulást, ahelyett, hogy egyértelmű válaszokat adna.

Felépített válaszok: Az információk könnyen követhető szakaszokba vannak rendezve, amelyek kiemelik a témák közötti legfontosabb összefüggéseket, így az információk megfelelő mennyiségű kontextussal maradnak érdekesek, és csökkentik a komplex témákkal kapcsolatos túlterheltséget.

Személyre szabott segítség: A leckék a felhasználó szintjéhez vannak igazítva, a korábbi csevegésekből származó, a készségszintet és a memóriát értékelő kérdések alapján.

Tudásellenőrzés: Kvízek és nyílt végű kérdések, valamint személyre szabott visszajelzések az előrehaladás nyomon követésére, amelyek támogatják a tudás megőrzését és annak új kontextusokban való alkalmazását.

Rugalmasság: Könnyedén be-/kikapcsolhatod a tanulási módot a beszélgetés során, így rugalmasan alkalmazkodhatsz a tanulási céljaidhoz minden egyes beszélgetésben.

Hogyan használják a diákok a tanulási módot

A tanulási módot főiskolások számára tervezték. Néhány visszajelzés, amit a diákoktól hallottunk a korai tesztelés során:

„A legjobb leírás, amit adhatok rá, hogy ez egy élő, 24 órában elérhető, mindentudó „irodai ügyfélszolgálat”. —Noah Campbell, főiskolai hallgató 

A tanulási mód remekül lebontotta a sűrű anyagot világos, jól felépített magyarázatokra.” —Caleb Masi, főiskolai hallgató 

„A tanulási módot azért próbáltam ki, hogy segítsen megtanulni egy olyan koncepciót, amit már sokszor próbáltam elsajátítani: a szinuszos pozíciókódolásokat.” Olyan volt, mint egy tanár, aki sosem fárad bele a kérdéseimbe. Egy 3 órás munkamenet után végre annyira megértettem, hogy magabiztosnak éreztem magam.” —Maggie Wang, főiskolai hallgató

A ChatGPT laboratórium főiskolai hallgatói által ihletett tanulási módok

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

Első lépések 

A tanulási mód különösen hasznos a házi feladatokhoz, a tesztfelkészüléshez és az új témakörök tanulásához. Ha ki szeretnéd próbálni, válaszd a „Tanulj és ismerkedj” lehetőséget a ChatGPT eszközei közül, és tegyél fel egy kérdést. 

Korlátozások és a következő lépések

Ez az első lépés egy hosszabb úton a ChatGPT‑ben való tanulás fejlesztése felé.  Ma a tanulási módot egyedi rendszerutasítások működtetik. Ezt a megközelítést azért választottuk, mert lehetővé teszi számunkra, hogy gyorsan tanuljunk a valódi hallgatói visszajelzésekből, és javítsuk az élményt — még akkor is, ha ez következetlen viselkedést és hibákat eredményez a beszélgetések során. A betanítást közvetlenül a fő modelljeinkbe tervezzük beépíteni, miután megtanultuk, mi működik a legjobban az iteráció és a diákok visszajelzései alapján. 

Emellett olyan funkciókat is felfedezünk, amelyek a tanulási módot érdekesebbé és hasznosabbá teszik a diákok számára, többek között:

  • Világosabb megjelenítések összetett vagy szövegközpontú fogalmakhoz
  • Célok kitűzése és az előrehaladás nyomon követése a beszélgetések során
  • Mélyebb személyre szabás, amely minden diák készségszintjéhez és céljához igazodik

A kutatási környezet még formálódik a mesterséges intelligencia oktatásban való alkalmazásának legjobb módjaival kapcsolatban. Az OpenAI lehetővé teszi a tanulás és a mesterséges intelligencia további kutatását különböző partnerein keresztül a NextGenAI kezdeményezés keretében, és együttműködik a Stanford Egyetem Tanulási Gyorsítójának(új ablakban nyílik meg) SCALE Initiative szakértőivel annak tanulmányozására és megosztására, hogy az AI eszközök hogyan befolyásolják a tanulási eredményeket olyan területeken, mint a K-12 oktatás.

Ahogy hosszabb távú tanulmányokat végzünk arról, hogy a diákok hogyan tanulnak a legjobban az AI segítségével, mélyebb elemzést szeretnénk közzétenni arról, amit a modelltervezés és a kognitív funkciók közötti összefüggésekről tanultunk, ezekre az ismeretekre alapozva alakítani szeretnénk a jövőbeli termékélményeket, és szeretnénk szorosan együttműködni a szélesebb oktatási ökoszisztémával, hogy az AI világszerte előnyös legyen a tanulók számára.