Das Feedback der KI nutzen

 
FAChbereich Deutsch
● Glossar ▪ Literatur ▪ Autorinnen und Autoren ▪ Literarische Gattungen ▪ Literaturgeschichte ▪ Motive der Literatur ▪ Grundlagen der Textanalyse und Interpretation ▪ Literaturunterricht ▪ Überblick ▪ Literarische Kompetenz • Zugänge zu literarischen Texten ▪ Methoden des Literaturunterrichts ▪ Überblick ▪ Literaturbezogene Leseanimation ▪ Lesetagebuch ▪ Vorlesen durch die Lehrperson ▪ Gestaltendes Lesen ▪ Szenisches Lesen ▪ Buchvorstellung ▪ Literarisches Gespräch ▪ Fragend-entwickelndes Interpretieren ▪ Aufgaben zur Textanalyse ▪ Hinzuziehen von Kontexten (Kontextualisierung) ▪ Textvergleich ▪ Text-Bild-Vergleich ▪ Operative Verfahren ▪ Textproduktive Verfahren ▪ Bildnerisches und musikalisches Gestalten zu literarischen Texten ▪ Darstellendes Spiel und szenische Interpretation ▪ Projektorientiertes Arbeiten ▪ Portfolio-Arbeit im Umgang mit literarischen Texten und Themen ▪ Phasenmodelle für Einzelstunden und Kurzsequenzen (Mikromodelle) ▪ Künstliche Intelligenz und Literaturunterricht • Überblick • Einsatzmöglichkeiten  [ • Anweisungen für die Interaktion (Prompts) • Überblick ► Das Feedback der KI nutzen ◄ ] • KI und Unterrichtsvorbreitung • KI im Unterricht • Fragen und Antworten (KI) ▪ Handlungs- und produktionsorientierter Unterricht ▪ Verschiedene literaturdidaktische Aspekte und Aufgaben ▪ Literaturkanon ▪ Schreibaufgaben im Literaturunterricht ▪ Textauswahl  ● Schreibformen  ● Operatoren im Fach Deutsch
  

▪ Literarisches Lernen

Ein Weg, um die Interaktion mit der KI zu optimieren, besteht darin, sie selbst als Ressource für die • Optimierung von Prompts einzusetzen. Dies kann auch der Textarbeit mit • Künstlicher Intelligenz (K) im Literaturunterricht von Nutzen sein.

Die KI Gemini Advanced führt dabei unterschiedliche Strategien auf. Mit diesen  kann man

• die Anweisung im Prompt noch einmal analysieren

• mit verschiedenen Variationen bei der Prompt-Gestaltung experimentieren

• sich dem gewünschten Output in einem schrittweisen (iterativen) Verfahren den annähern

• besondere Techniken zur Prompt-Optimierung einsetzen

Die Anweisung (Prompt) analysieren

Die Analyse der Aufgabe beim Prompten wird mit Hilfe der Kriterien Relevanz, Korrektheit/Genauigkeit, Grad der Detaillierung sowie Stil und Ton vorgenommen.

• Relevanz: Ist die Antwort des Sprachmodells für die Anfrage überhaupt relevant oder nur bedingt relevant? Wenn nicht, war der Prompt möglicherweise zu vage oder mehrdeutig oder die Kontextinformationen zu ungenau.

• Korrektheit und Genauigkeit : Sind die Antworten inhaltlich überhaupt korrekt? Sind sie genau genug? Wenn nicht, könnte der Prompt das Modell in die Irre geführt haben oder es fehlt ihm an Kontext.

• Grad der Detaillierung: Ist die Antwort zu oberflächlich oder zu detailliert?  Unter Umständen war der Prompt zu kurz oder eben zu ausführlich. In einem solchen Fall kann man die die Formulierung des Prompts so anpassen, dass der gewünschte Grad der Detaillierung erreicht werden kann..

• Stil und Ton: Entspricht der Stil der Antwort den Erwartungen? Wenn nicht, kann versucht werden, den gewünschten Stil im Prompt expliziter anzugeben.

Mit verschiedenen Variationen bei der Prompt-Gestaltung experimentieren

Um den Prompt bei nicht zufrieden stellenden Antworten des Sprachmodells zu verbessern, kann man auf verschiedene Art und Weise, aber auch in Kombination miteinander vorgehen. Vier Strategien, um beim Prompten zu experimentieren betreffen die Formulierung, Schlüsselwörter, Beispiele sowie Einschränkungen, die man vornehmen kann.

• Formulierung: Liegt es womöglich an der Formulierung, dass die Ergebnisse nicht wie gewünscht ausfallen? Unter Umständen lohnt es sich, einfach andere Formulierungen zu verwenden.

• Schlüsselwörter: Sind die Begriffe, die quasi als Schlüsselwörter für die KI fungieren, zu ungenau oder müssen sie um weitere Schüsselwörter ergänzt werden? Gibt es eventuell bestimmte Schlüsselwörter, die die KI in die falsche Richtung weisen und daher weggelassen werden sollten?

• Beispiele: Kann das Modell auf Beispiel zurückgreifen? Beispiele, die man der KI angeben kann, helfen oft weiter,

• Einschränkungen: Ist die die Richtung, die de Anweisung vorgibt, u. U. zu allgemein oder zu umfassend formuliert? Um solche Probleme zu vermeiden ist es oft sinnvoll, dem Sprachmodell zu auch zu sagen, was es eben nicht tun soll.

Sich dem gewünschten Ergebnis schrittweise annähern (Iteration)

Das wichtigste Verfahren, mit dem man die Feedback-Qualitäten des Sprachmodells ganz explizit nutzen kann, ist die so genannte Feedback-Schleife, einem Verfahren der schrittweisen Annäherung (Iteration), das man aus der Mathematik kennt. Dort beschreibt es ein Rechenverfahren zur Annäherung an die exakte Lösung. Neben diesem iterativen Prozess in einem konkreten Fall sollte man bei unzureichenden Ergebnissen aber in jedem Fall mehrere Versuche mit unterschiedlichen Prompts vornehmen und auf seine eigenen Erfahrungen beim Prompten im Allgemeinen und im Zusammenhang mit bestimmten Themen und Aufgaben zurückgreifen (Prompt-Engineering-Wissen)

Bei der Feedback-Schleife geht es ausdrücklich darum, wie man die KI zur Hilfe veranlassen kann, einen bestimmten Output zu optimieren, dass er den eigenen Erwartungen entspricht. Das Prompting-Verfahren, das dabei zum Einsatz kommt, wird von Fachleuten auch als Gedankenkette (Chain-of-Thought-Prompting, kiurz CoT-Prompting) bezeichnet.

Hierzu muss man sich mit einer sukzessiven Strategie auf weitere Interaktionen mit der KI einlassen. In einem Prozess der schrittweisen Annäherung (iterativer Prozess) werden dazu die Vorgaben in dem Chat, der den bisherigen Verlauf in seiner Chat-Historie aufgezeichnet und gespeichert hat, nach und nach konkretisiert, präzisiert oder um die nötigen Kontextinformationen etc. ergänzt, um das Ergebnis so zu verbessern. Dabei kann man systematisch vorgehen, in dem man z. B. bei der Analyse eines erzählenden Textes das Modell nach und nach auffordert, zu bestimmten Analysekategorien eine Antwort zu generieren, ohne sich nur auf seine globale Antwort zu stützen.

Besondere Techniken zur Prompt-Optimierung einsetzen

Beim »Prompt-Engineering, also der möglichst effektiven Konstruktion geeigneter Prompts für KI-Modelle, kann man auch auch besondere Makromodelle zurückgreifen, denen eine bestimmte Abfolge und/oder das Verfügbarmachen von Kontextinformationen betrifft. Damit soll wie bei allen anderen Techniken auch die Outputqualität der KI-Antworten verbessert werden.

• So kann man beim Few-Shot-Prompting dem »Sprachmodelle (»Large Language Models, kurz: LLMs)  einige Beispiele für die gewünschte Antwort geben, bevor die eigentliche Anfrage gestellt wird.

• Beim »Chain-of-Thought-Prompting wird das Sprachmodell aufgefordert, seine Gedankengänge zu erklären, bevor es eine Antwort gibt.

▪ Literarisches Lernen

Gert Egle, zuletzt bearbeitet am: 18.07.2024

 
ARBEITSTECHNIKEN und mehr
▪ Arbeits- und Zeitmanagement ▪ Kreative Arbeitstechniken ▪ Teamarbeit ▪ Portfolio ● Arbeit mit Bildern ● Arbeit mit Texten ▪ Arbeit mit Film und Video ▪ Mündliche Kommunikation ▪ Visualisieren ▪ Präsentation ▪ Arbeitstechniken für das Internet ▪ Sonstige digitale Arbeitstechniken