ChatGPT的文本理解和生成能力使其成为学术工作者青睐的研究工具,可以显著的提高研究效率。在本文中,我将分享给大家一些好用的先进的研究技巧。具体包括:1、分析和解释研究数据;2、进行文献综述并识别研究空白。
一、分析和解读研究数据
举个例子,如果我们想通过一家餐厅的客户满意度数据来分析餐厅的经营情况以及趋势。我们从50位客户那里收集了这份数据,使用了10个问题的利克特量表问卷。数据是数字评级,从1到5,其中1表示“非常不满意”,而5表示“非常满意”。使用传统方法解释这种原始数据将耗时较长,并需要专门的软件专业知识。这就是你可以使用 ChatGPT 帮助您理解数据的地方。
下面详细介绍如何使用ChatGPT对数据进行分析和预判。下图是我们将要处理的数据快照:
步骤 1:数据分析与探索
数据探索是数据分析中必不可少的步骤,可以帮助理解数据并确定关键见解。在进行ChatGPT提问之前,先列出希望AI回答的具体问题。这些问题将为数据探索部分提供指导。
下面是向 ChatGPT 提供的最终提示词指令:
我希望你能帮助我对收集到的客户满意度评级数据集进行初步数据探索。请就以下方面提供见解:
1、您能否提供客户满意度评分数据集的汇总统计数据,包括评分的范围、平均值、中位数和模式?
2、有多少客户对每个问题给出了最高评分(5 分),有多少客户给出了最低评分(1 分)?
【以文档形式上传数据集】
步骤 2:解读关键见解
通过第一步的提问,我们已经对数据有了一个大致的了解,让我们来总结一下可以利用的关键见解以及客户投诉的常见原因。考虑到上述情况,需要制作了一个新的提示词指令,并将其反馈给 ChatGPT。
紧接着第一步后的提示词如下:
根据上述统计数据,我可以从数据中得出哪些关键见解?您还能提供以下信息吗?
1、根据现有数据,客户忠诚度的主要驱动因素是什么?
2、客户投诉或负面反馈的常见原因?
ChatGPT的回复此处就略过了,大家可以自己操作尝试下,当我们以上提供的是真实的数据, ChatGPT 会为我们提供如何改进策略的建议,并指出需要改进的地方。
ChatGPT可以对数据进行分析和解读,以及趋势的判断和后续的决策建议的提供,在运用提示词指令时可以,研究者可以清晰输入自己的研究动机和目的以便AI给到严谨精确的回复。
二、进行文献综述并找出研究空白点
如果你计划对可某个课题进行文献综述,想识别潜在的研究空白,以便为制定研究问题和文献综述过程提供帮助。以下是分步提示词指令
第一步提示词:我在【研究主题】的文献综述上需要帮助。你能为我提供这个领域当前研究状况的概述吗?
第二步提示词:您能否提供一份关于【研究主题】被引用次数最多的10篇论文的清单?
收集引用次数最多和最有影响力的论文非常耗时,主要是当信息分散在各种资源中时。但是,通过使用 ChatGPT 作为您的研究助手,您可以节省大量时间。现在你已经有了被引用次数最多的10篇论文的名单,Zeenat需要确定潜在的研究差距,这些差距可以构成她论文的基础。
第三步提示词:根据目前的研究,在【研究主题】方面需要解决的主要挑战和研究差距是什么?
在 ChatGPT 的帮助下,我们可以了解研究的现状,并确定帮助她为论文制定研究问题的潜在差距。
三、超好用的学术研究提示词指令:
这个部分给大家分享从文献综述到数据收集再到撰写结果,你可以使用以下提示词指令,可以有效提升研究质量:
1、产生主题创意
“您能否提出与[您感兴趣的领域]相关的 5 个重要未回答的问题,这些问题将推进 [特定子领域或主题] 的当前知识状态?”
2、研究方法和数据收集技术
“您能否提出在[特定子领域或背景]中研究[研究主题]的最佳研究方法和数据收集技术,包括它们的优势、劣势以及何时最合适?”
3、制定强有力的引言、论文陈述和结论
“有哪些有效的策略可以为我的[研究论文]制定强有力的引言、清晰的论文陈述和令人信服的结论?请就如何构建这些要素提供指导性问题和想法,以确保它们有效并与研究目标保持一致。
4、校对你的研究论文
“校对和编辑我的{研究论文},以查找任何语法、标点符号、重复单词和拼写错误。请提供建议,以提高我的研究论文的可读性和流畅性。
5、生成合成数据
“我希望你生成一个数据集 {Dataset About?}具有 {Number of Records} 的合成记录,具有以下特征:
{字段名称} ({数据类型/范围}) …等等。
{关于数据集的特别说明}
数据应该是真实可信的,而不是明显的虚假或随机生成的。将输出格式化为逗号分隔值 (CSV) 文件,标题行列出字段名称和 {Dataset Number} 数据行。
虽然 ChatGPT 可以是一种有用的研究辅助工具,但实际的人类研究以及研究人员对特定主题的理解和专业知识对于高质量的研究仍然至关重要。
ChatGPT 可以帮助协助研究任务,让你更多地专注于实际研究。在使用的时候,应仔细构建提示词指令并提供足够的细节和上下文,以指导 ChatGPT 生成相关且有价值的回复响应。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。