Fara beint í aðalefni
OpenAI

29. júlí 2025

Vara

Við kynnum námsstillingu

Ný leið til að læra í ChatGPT sem býður upp á ítarlegar leiðbeiningar í stað skjótra svara.

Hleður inn...

Í dag kynnum við námsstillingu í ChatGPT — námsupplifun sem hjálpar þér að leysa vandamál með ítarlegum leiðbeiningum í stað þess að fá bara svar. Frá og með deginum í dag er það aðgengilegt fyrir notendur sem hafa skráð sig inn á Free, Plus, Pro, Team, með aðgengi í ChatGPT Edu á næstu vikum.

ChatGPT er að verða eitt af mest notuðu námsverkfærunum í heiminum. Nemendur leita til þess til að leysa krefjandi heimaverkefni, undirbúa sig fyrir próf og kanna ný hugtök. En notkun þess í menntun hefur einnig vakið upp mikilvæga spurningu: hvernig tryggjum við að það sé notað til að veita aðstoð við raunverulegt nám og bjóði ekki bara upp á lausnir án þess að hjálpa nemendum að skilja þær?

Við höfum búið til námsstillingu til að hjálpa við að svara þessari spurningu. Þegar nemendur nota námsstillingu mæta þeir leiðbeinandi spurningum sem stilla svörin að markmiðum þeirra og hæfileikastigi til að hjálpa þeim að byggja upp dýpri skilning. Námsstillingin er hönnuð til að vera áhugaverð og gagnvirk og til að hjálpa nemendum að læra eitthvað — ekki bara að ljúka einhverju.  

Hvernig námsstilling var búin til

Undir yfirborðinu er námsstillingin knúin áfram af sérsniðnum kerfisleiðbeiningum sem við höfum þróað í samstarfi við kennara, vísindamenn og sérfræðinga í kennslufræðum til að endurspegla kjarnahegðun sem styður djúpnám, þar á meðal: ​​að hvetja til virkrar þátttöku, stjórna hugrænu álagi, þróa fyrirbyggjandi hugræna getu og sjálfsskoðun, efla forvitni og veita framkvæmanlegar og stuðningsríkar ábendingar. Þessar hegðanir byggja á langtímarannsóknum í námsvísindum og móta hvernig námsstilling bregst við nemendum.

„Í stað þess að vinna verkið fyrir þá hvetur námsstillingin nemendur til að hugsa gagnrýnið um nám sitt.“ Eiginleikar eins og þessir eru jákvætt skref í átt að árangursríkri notkun gervigreindar til náms. Jafnvel á tímum gervigreindar á besta námið sér stað þegar nemendur eru spenntir og taka virkan þátt með kennsluefninu. —Robbie Torney, yfirmaður gervigreindaráætlana hjá Common Sense Media.

Lykileiginleikar

Gagnvirkar kvaðningar: Sameinar sókratískar spurningar, vísbendingar og sjálfsskoðunarkvaðningar til að leiðbeina skilning og stuðla að virku námi, í stað þess að veita svör beint.

Stigskipt svör: Upplýsingar eru skipulagðar í auðskiljanlega hluta sem varpa ljósi á lykiltengsl milli málefna, halda hlutum áhugaverðum með réttu magni af samhengi og draga úr of miklu álagi í flóknum efnum.

Sérsniðin aðstoð: Kennslustundir eru sniðnar að réttu stigi fyrir notanda, byggðar á spurningum sem meta hæfileikastig og minni úr fyrri spjöllum.

Þekkingarathuganir: Próf og opnar spurningar, ásamt persónulegri ábendingu til að fylgjast með framförum, aðstoð við varðveislu þekkingar og getu til að beita þeirri þekkingu í nýjum samhengi.

Sveigjanleiki: Auðvelt er að skipta um námsstillingu á meðan á samtali stendur, sem gefur þér sveigjanleika til að aðlagast námsmarkmiðum þínum í hverju samtali.

Hvernig nemendur nota námsstillingu

Námsstillingin var búin til með háskólanema í huga. Nokkrar ábendingar sem við fengum frá nemendum í fyrstu prófunum:

„Besta leiðin til að lýsa þessu er lifandi, 24/7, alvitur „opnunartími.“ —Noah Campbell, háskólanemi 

Námsstillingin stóð sig frábærlega í að brjóta niður flókið efni í skýrar og vel útskýrðar skýringar.“ —Caleb Masi, háskólanemi 

„Ég prófaði námsstillinguna til að kenna mér hugtak sem ég hef reynt að læra oft áður: sínuslaga staðsetningarkóðanir.“ Það var eins og kennarinn minn sem þreytist ekki á spurningum mínum. Eftir þriggja tíma vinnulotu skildi ég þetta loksins nógu vel til að líða vel. —Maggie Wang, háskólanemi

Leiðir til að nota námsstillingu innblásnar af háskólanemum í ChatGPT Lab

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

Byrja 

Námsstilling er sérstaklega gagnleg fyrir aðstoð við heimavinnu, prófundirbúning og til að læra ný málefni. Til að prófa það, veldu „Læra“ í verkfærunum í ChatGPT og spurðu spurningar. 

Takmarkanir og hvað kemur næst

Þetta er fyrsta skrefið í lengri vegferð til að bæta nám í ChatGPT.  Í dag er námsstillingin knúin áfram af sérsniðnum kerfisleiðbeiningum. Við völdum þessa nálgun vegna þess að hún gerir okkur kleift að læra fljótt af raunverulegum ábendingum nemenda og bæta upplifunina – jafnvel þótt það leiði til einhvers ósamræmis í hegðun og mistaka í samtölum. Við ætlum að þjálfa þessa hegðunar beint inn í aðallíkön okkar þegar við höfum lært hvað virkar best með ítrekun og ábendingum frá nemendum. 

Við erum líka að kanna virkni til að gera námsstillingu meira spennandi og gagnlegri fyrir nemendur, þar á meðal:

  • Skýrari myndgervingar fyrir flókin eða textaþung hugtök
  • Markmiðasetning og framfaramælingar yfir samtöl
  • Dýpri sérsniðin aðlögun að hæfileikastigi og markmiðum hvers nemanda.

Rannsóknarumhverfið er enn að mótast varðandi bestu leiðirnar til að nota gervigreind í menntun. OpenAI er að gera frekari rannsóknir á námi og gervigreind mögulegar í gegnum ýmsa samstarfsaðila í NextGenAI framtakinu sínu og vinnur með sérfræðingum frá SCALE framtakinu við Accelerator for Learning við Stanford University(opnast í nýjum glugga) til að rannsaka og deila því hvernig gervigreindarverkfæri hafa áhrif á námsárangur á sviðum eins og K-12 menntun.

Þegar við framkvæmum langtímarannsóknir á því hvernig nemendur læra best með gervigreind, ætlum við að gefa út ítarlegri greiningu á því sem við höfum lært um tenginga á milli líkanahönnunar og hugrænnar getu, móta framtíðarupplifun af vörum út frá þessari innsýn og vinna hlið við hlið með víðtækara menntakerfi til að tryggja að gervigreind komi nemendum um allan heim til góða.