2025 m. liepos 29 d.

Pristatome mokymosi režimą

Naujas būdas mokytis naudojant „ChatGPT“, siūlantis nuoseklias gaires, o ne greitus atsakymus.

Įkeliama...

Šiandien pristatome mokymosi režimą „ChatGPT“ programoje – mokymosi patirtį, padedančią spręsti problemas žingsnis po žingsnio, užuot tiesiog gavus atsakymą. Nuo šiandien jis prieinamas prisijungusiems „Free“, „Plus“, „Pro“ ir „Team“ naudotojams, o per kelias artimiausias savaites atsiras ir „ChatGPT Edu“.

„ChatGPT“ tampa vienu plačiausiai naudojamų mokymosi įrankių pasaulyje. Studentai ir moksleiviai kreipiasi į jį norėdami išspręsti sunkius namų darbus, pasirengti egzaminams ir susipažinti su naujomis sąvokomis. Tačiau jo naudojimas švietime taip pat iškėlė svarbų klausimą: kaip užtikrinti, kad jis būtų naudojamas tikram mokymuisi remti, o ne tik siūlytų sprendimus nepadėdamas besimokantiesiems jų suprasti?

Sukūrėme mokymosi režimą, kad padėtume atsakyti į šį klausimą. Naudodami mokymosi režimą, mokiniai sulaukia nukreipiamųjų klausimų; taip atsakymai priderinami prie tikslo ir įgūdžių lygio, padedant geriau suprasti medžiagą. Mokymosi režimas sukurtas taip, kad būtų įtraukiantis bei interaktyvus ir padėtų mokiniams ko nors išmokti, o ne tik atlikti užduotį.

Kaip buvo sukurtas mokymosi režimas

Iš esmės mokymosi režimas veikia pagal pasirinktines sistemos instrukcijas, kurias parengėme bendradarbiaudami su mokytojais, mokslininkais ir pedagogikos ekspertais, kad jos atspindėtų pagrindinius elgsenos modelius, skatinančius gilesnį mokymąsi, įskaitant: aktyvaus dalyvavimo skatinimą, kognityvinio krūvio valdymą, iniciatyvų metakognicijos ir savistabos ugdymą, smalsumo puoselėjimą bei praktiškų ir palaikančių atsiliepimų teikimą. Šie elgsenos modeliai grindžiami ilgalaikiais mokymosi mokslo tyrimais ir lemia, kaip mokymosi režimas reaguoja į mokinius.

„Užuot atlikęs darbą už juos, mokymosi režimas skatina studentus kritiškai mąstyti apie mokymąsi. Tokios funkcijos yra teigiamas žingsnis link veiksmingo DI naudojimo mokymuisi. Net ir DI eroje geriausiai mokomasi tada, kai studentai domisi mokomąja medžiaga ir aktyviai ją nagrinėja.“– Robbie Torney, „Common Sense Media“ DI programų vyresnysis direktorius.

Pagrindinės funkcijos

Interaktyvūs raginimai: derina sokratišką klausinėjimą, užuominas ir savistabos raginimus, kad nukreiptų supratimą ir skatintų aktyvų mokymąsi, užuot tiesiogiai pateikus atsakymus.

Struktūruoti atsakymai: informacija suskirstyta į lengvai suprantamus skyrius, išryškinančius pagrindines temų sąsajas, taip išlaikant informacijos patrauklumą pateikiant tinkamą konteksto kiekį ir sumažinant apkrovą mokantis sudėtingų temų.

Individualizuotas palaikymas: pamokos pritaikomos atitinkamam naudotojo lygiui, remiantis klausimais, kuriais įvertinamas įgūdžių lygis ir atmintis iš ankstesnių pokalbių.

Žinių patikrinimai: viktorinos ir atvirojo tipo klausimai kartu su individualizuotais atsiliepimais pažangai stebėti, padedantys įsiminti žinias ir gebėjimą jas pritaikyti naujame kontekste.

Lankstumas: lengvai įjunkite ir išjunkite mokymosi režimą per pokalbį – tai suteikia lankstumo prisitaikyti prie mokymosi tikslų kiekviename pokalbyje.

Kaip studentai naudoja mokymosi režimą

Mokymosi režimas sukurtas galvojant apie koledžų studentus. Keli studentų atsiliepimai, kuriuos išgirdome per ankstyvąjį testavimą:

„Geriausiai tai apibūdinčiau kaip gyvą, visą parą pasiekiamą ir viską žinantį konsultantą.“ – Noah Campbell, studentas

„Mokymosi režimas puikiai suskirstė sudėtingą medžiagą į aiškius, gerai išdėstytus paaiškinimus.“ – Caleb Masi, studentas

„Išbandžiau mokymosi režimą, kad jis mane pamokytų sąvokos, kurią jau daug kartų bandžiau išmokti: sinusinio pozicinio kodavimo. Tai buvo lyg mokytis su korepetitoriumi, kuris nepavargsta nuo mano klausimų. Po 3 valandų darbo seanso pagaliau supratau tai pakankamai gerai, kad pasitikėčiau savo žiniomis.“– Maggie Wang, studentė

Būdai naudoti mokymosi režimą, įkvėpti „ChatGPT“ laboratorijos studentų

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

Darbo pradžia

Mokymosi režimas ypač naudingas ruošiant namų darbus, rengiantis egzaminams ir mokantis naujų temų. Norėdami jį išbandyti, „ChatGPT“ įrankiuose pasirinkite „Study and learn“ ir užduokite klausimą.

Apribojimai ir ateities perspektyvos

Tai pirmasis žingsnis ilgame kelyje siekiant pagerinti mokymąsi naudojant „ChatGPT“. Šiandien mokymosi režimas veikia pagal pasirinktines sistemos instrukcijas. Pasirinkome šį būdą, nes jis leidžia greitai mokytis iš realių studentų atsiliepimų ir tobulinti patirtį, net jei dėl to pokalbiuose pasitaiko nenuoseklios veiksenos ir klaidų. Planuojame šią veikseną tiesiogiai įdiegti į savo pagrindinius modelius, siekdami per iteracijas ir studentų atsiliepimus sužinoti, kas veikia geriausiai.

Taip pat tiriame funkcijas, kurios padarytų mokymosi režimą patrauklesnį ir naudingesnį studentams, įskaitant:

aiškesnes sudėtingų arba daug teksto turinčių sąvokų vizualizacijas;
tikslų nustatymą ir pažangos stebėjimą per kelis pokalbius;
gilesnį individualizavimą, pritaikytą kiekvieno studento įgūdžių lygiui ir tikslams.

Tyrimų apie geriausius DI taikymo švietime būdus laukas vis dar formuojasi. „OpenAI“ padeda atlikti tolesnius mokymosi ir DI tyrimus per įvairius partnerius savo NextGenAI⁠ iniciatyvoje bei dirbdama su ekspertais iš „SCALE Initiative“ Stanfordo universiteto Mokymosi akceleratoriuje⁠(atsidaro naujame lange), siekdama ištirti ir pasidalyti, kaip DI įrankiai veikia mokymosi rezultatus tokiose srityse kaip K-12 ugdymas.

Vykdydami ilgalaikius tyrimus apie tai, kaip studentai geriausiai mokosi naudodami DI, ketiname paskelbti gilesnę analizę apie tai, ką sužinojome apie sąsajas tarp modelio dizaino ir kognityvinių procesų, formuoti būsimą produktų patirtį remdamiesi šiomis įžvalgomis ir dirbti kartu su platesne švietimo ekosistema, užtikrindami, kad DI būtų naudingas besimokantiesiems visame pasaulyje.

Autorius

OpenAI

Skaityti toliau

Peržiūrėti viską

Better memory for a more helpful ChatGPT

Dreaming: Better memory for a more helpful ChatGPT

Moksliniai tyrimai2026-06-04

Pristatome naujas „GPT-Rosalind“ galimybes

Produktas2026-06-03

„Codex“ – kiekvienam vaidmeniui, priemonei ir darbo eigai

Produktas2026-06-02