Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
Bạn vừa đọc một lời giải thích về token và thấy mọi thứ rất dễ hiểu. Đóng cửa sổ lại, bạn vẫn không giải thích được vì sao hai câu có cùng số từ có thể dùng số token khác nhau. Cảm giác hiểu khi đang đọc chưa đủ cho thấy bạn tự dùng được kiến thức đó.
Đặt AI ở phía sau lần thử đầu tiên
Trước khi hỏi, viết điều mình hiểu bằng lời của mình. Có thể chỉ là vài câu hoặc một sơ đồ giấy. Chỗ bí chính là thông tin hữu ích để chọn câu hỏi tiếp theo. Nếu nhận ngay lời giải hoàn chỉnh, bạn khó biết phần nào mình đã hiểu và phần nào chỉ đang nhận ra vì vừa nhìn thấy.
Roediger và Karpicke, năm 2006 nghiên cứu việc tự nhớ lại nội dung so với đọc lại và thấy lợi ích ở các bài kiểm tra trì hoãn trong thí nghiệm. Nghiên cứu này không đánh giá chatbot; nó hỗ trợ ý tưởng dành chỗ cho việc tự trả lời trong cách học của bạn.
Nhờ gợi ý từng mức, không xin bài giải ngay
Giả sử bạn đang học về prompt. Hãy tự viết yêu cầu tóm tắt thông báo, rồi nhờ AI xem phần nào còn thiếu. Một prompt học tập có thể như sau:
Tôi đang tập viết yêu cầu cho AI.
Đây là prompt tôi tự viết: [dán bản của mình].
Mục tiêu: đầu ra giữ đúng thời gian và không thêm thông tin.
Đừng viết thay ngay.
Chỉ ra một điểm chưa rõ và hỏi tôi cách sửa.
Sau khi tôi trả lời, đối chiếu với mục tiêu đã nêu.
Nếu tôi vẫn bí, đưa một gợi ý nhỏ trước khi đưa ví dụ hoàn chỉnh.Bạn có thể quy định thứ tự: câu hỏi gợi mở, gợi ý một phần, rồi mới đáp án. Nếu AI đưa hết lời giải ngay, dừng đọc phần đó và thử một bài tương tự. Mục đích là tạo cơ hội làm việc với kiến thức, không phải hoàn thành cuộc trò chuyện thật nhanh.
Chạy các mô hình trên cùng bộ thử, đọc cả điểm tổng lẫn kiểu lỗi, rồi cân nhắc tốc độ và chi phí. Một chênh lệch nhỏ chưa chứng minh mô hình nào luôn tốt hơn.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Cùng bộ thử
Dùng cùng các trường hợp và quy tắc chấm đã xác định trước cho cả hai mô hình.
02 / Đọc điểm số
Trong ví dụ giả định, A đúng 18/20, B đúng 17/20. Chênh lệch một trường hợp chưa đủ kết luận chung.
03 / Xem kiểu lỗi
Mở các trường hợp thất bại: sai tên người và vượt độ dài có mức ảnh hưởng khác nhau.
04 / Đánh giá nhiều chiều
Đo thêm tốc độ, chi phí và độ ổn định trên dữ liệu phù hợp với công việc thực tế.
A đúng 18/20 và B đúng 17/20 là số liệu giả định để giải thích cách đọc kết quả, không phải benchmark của mô hình có thật.
Thay đổi ví dụ để biết mình hiểu gì
Sau khi sửa được prompt cho thông báo giờ mở cửa, đổi sang ghi chú cuộc họp. Bạn vẫn cần giữ dữ kiện và đánh dấu điều chưa rõ, nhưng đầu ra có thể cần người phụ trách và hạn chót. Nếu chỉ chép nguyên mẫu, bạn có thể bỏ qua yêu cầu mới.
Nhờ AI tạo một ví dụ gần và một ví dụ khác bối cảnh, nhưng tự làm trước khi xem đáp án. Với kiến thức có nguồn xác định, gửi đoạn tài liệu làm căn cứ và yêu cầu câu hỏi bám vào đó. Hạn chế này giúp giảm việc AI hỏi sang phần bạn chưa học, dù vẫn cần kiểm tra câu hỏi có chính xác không.
Một cách tự kiểm tốt là giải thích vì sao một đáp án gần đúng lại sai. Chẳng hạn, yêu cầu “viết ngắn” còn thiếu gì nếu người đọc phải biết hạn đăng ký? Việc chỉ ra thiếu sót cho thấy bạn đang sử dụng tiêu chí.
Đừng để AI vừa ra đề vừa quyết định mọi đáp án
Mô hình có thể khen một lời giải chưa đúng, hiểu sai câu hỏi hoặc chấm không nhất quán. Vì vậy, giữ tài liệu gốc, đáp án được giảng viên xác nhận hoặc phép kiểm độc lập tùy nội dung. Khi phản hồi của AI mâu thuẫn với nguồn, xem lại nguồn trước khi sửa kiến thức của mình.
Ghi riêng ba loại lỗi: thiếu kiến thức, hiểu sai yêu cầu và bất cẩn. Mỗi loại cần cách luyện khác nhau. Không cần biến một điểm chấm tự động thành nhận xét về năng lực bản thân. Nó chỉ là kết quả trên bài đang làm, với cách chấm có giới hạn.
Bài tập: kiểm tra lại khi không mở chat
Chọn một khái niệm từ LLM hoạt động như thế nào. Viết lời giải thích ngắn, nhờ AI hỏi một câu phản biện và sửa câu trả lời dựa trên nguồn.
Hôm sau, không mở cuộc trò chuyện cũ, hãy giải thích lại rồi đưa một ví dụ mới. Tự kiểm xem định nghĩa có đúng, ví dụ có phù hợp và bạn có nêu được một giới hạn hay không. Phần chưa làm được trở thành mục tiêu cho buổi học kế tiếp.