Hopp til hovedinnhold
OpenAI

29. juli 2025

Produkt

Vi introduserer studiemodus

En ny måte å lære på i ChatGPT som gir trinnvis veiledning i stedet for raske svar.

Laster inn …

I dag introduserer vi studiemodus i ChatGPT – en læringsopplevelse som hjelper deg med å jobbe gjennom problemer trinn for trinn i stedet for bare å få et svar. Fra i dag er den tilgjengelig for påloggede brukere med Free, Plus, Pro, Team, med tilgjengelighet i ChatGPT Edu i løpet av de neste ukene.

ChatGPT er snart et av verdens mest brukte læringsverktøy. Studenter bruker det til å jobbe seg gjennom utfordrende lekser, forberede seg på eksamener og utforske nye konsepter. Men bruken av den i utdanningen har også reist et viktig spørsmål: Hvordan kan vi sørge for at den brukes til å støtte reell læring, og ikke bare tilbyr løsninger uten å hjelpe studenter med å forstå dem?

Vi har utviklet studiemodus for å hjelpe til med å besvare dette spørsmålet. Når studenter bruker studiemodus, får de veiledende spørsmål som kalibrerer svar etter målet og ferdighetsnivået deres for å hjelpe dem med å danne dypere forståelse. Studiemodus er laget for å være engasjerende og interaktiv, og for å hjelpe studenter å lære noe – ikke bare fullføre noe.  

Slik ble studiemodus bygget

Studiemodus drives av tilpassede systeminstruksjoner vi har skrevet i samarbeid med lærere, vitenskapsfolk og pedagogikkeksperter for å gjenspeile et sett med atferder som støtter dypere læring, inkludert:oppmuntring til aktiv deltakelse, administrering av kognitiv belastning, utvikling av metakognisjon og egenrefleksjon, noe som fostrer nysgjerrighet og gir praktisk og støttende tilbakemelding. Denne adferden er basert på langvarig forskning innen læringsvitenskap og former hvordan studiemodus svarer studenter.

«I stedet for å gjøre arbeidet for dem, oppfordrer studiemodus studentene til å tenke kritisk om sin egen læring. Funksjoner som disse er et positivt skritt mot effektiv bruk av AI for læring. Selv i AIs tidsalder skjer den beste læringen fortsatt når elevene er begeistret for og aktivt engasjerer seg med undervisningsmaterialet.» – Robbie Torney, Senior Director for AI-programmer hos Common Sense Media.

Nøkkelfunksjoner

Interaktive meldinger: Kombinerer Socratic-utspørring, hint og meldinger for egenrefleksjon for å veilede forståelse og fremme aktiv læring i stedet for å gir svar direkte.

Svar i støttestruktur: Informasjon organiseres i deler som er enkle å følge, som fremhever nøkkelforbindelsene mellom emner, holder informasjon engasjerende med akkurat riktig mengde kontekst og gjør komplekse emner mindre overveldende.

Personlig tilpasset støtte: Undervisningen tilpasses riktig nivå for brukeren, basert på spørsmål som vurderer ferdighetsnivå og hukommelse fra tidligere samtaler.

Kunnskapssjekker: Quizer og åpne spørsmål samt personlig tilpasset tilbakemelding for å spore fremdrift, støtte kunnskapsbevaring og evnen til å bruke den kunnskapen i nye kontekster.

Fleksibilitet: Slå studiemodus enkelt på og av under samtaler, noe som gir deg fleksibiliteten til å tilpasse læringsmålene dine i hver samtale.

Slik bruker studentene studiemodus

Studiemodus ble laget med tanke på universitetsstudenter. Noen tilbakemeldinger vi fikk fra studenter under tidlig testing:

«Den beste måten jeg kan beskrive det på er en direkte, døgnåpen, allvitende «kontortid».» –Noah Campbell, student

«Studiemodus gjorde en flott jobb med å bryte ned komplisert materiale til klare, velplasserte forklaringer.» –Caleb Masi, student

«Jeg satte studiemodus på prøve for å undervise meg i et konsept jeg har forsøkt å lære mange ganger tidligere: sinusformede posisjonelle kodinger. Det var som en lærer som ikke blir lei av spørsmålene mine. Etter en 3-timers økt forsto jeg det endelig godt nok til å føle meg sikker.» – Maggie Wang, student

Måter å bruke studiemodus på inspirert av studenter fra ChatGPT‑laboratoriet

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

Kom i gang 

Studiemodus er spesielt nyttig til hjemmelekser, eksamensforberedelser og til å lære nye emner. For å prøve den kan du velge «Studer og lær» fra verktøyene i ChatGPT og stille et spørsmål. 

Begrensninger og veien videre

Dette er et første skritt i en lengre reise for å forbedre læring i ChatGPT.  Nå drives studiemodus av tilpassede systeminstruksjoner. Vi valgte denne tilnærmelsen fordi den gjør at vi kan lære raskt fra ekte tilbakemeldinger fra studenter og forbedre opplevelsen – selv om det resulterer i noen inkonsekvente atferder og feil fra samtaler. Vi planlegger å lære opp denne atferden direkte i hovedmodellene våre når vi har lært hva som fungerer best, via iterering og tilbakemeldinger fra studenter. 

Vi utforsker også funksjonalitet for å gjøre studering mer engasjerende og nyttig for studenter, inkludert:

  • tydeligere visualiseringer for komplekse konsepter eller konsepter med mye tekst
  • angivelse av mål og sporing av fremdrift mellom samtaler
  • dypere personlig tilpasning skreddersydd etter ferdighetsnivået og målene til hver enkelt student

Forskningslandskapet er fortsatt i utvikling når det gjelder de beste måtene å bruke AI i utdanning på. OpenAI legger til rette for videre forskning på læring og AI gjennom ulike partnere i sitt NextGenAI-initiativ, og samarbeider med eksperter fra SCALE-initiativet ved Stanford Universitys Accelerator for Learning(åpnes i et nytt vindu) for å studere og dele hvordan AI-verktøy påvirker læringsresultater innen områder som grunnskole og videregående skole.

Når vi kjører mer langsiktige studier om hvordan studenter lærer best med AI, har vi tenkt å publisere en dypere analyse av det vi har lært om koblingene mellom modelldesign og kognisjon, forme fremtidige opplevelser basert på denne innsikten og jobbe sammen med det bredere økosystemet for utdanning for å sikre at AI er til fordel for elever over hele verden.