Como utilizar o ChatGPT a favor do UltraLearning para melhorar a eficiência do aprendizado
Nos últimos dois meses tenho me dedicado à ler o livro Ultra-Learning de Scott Young, através de uma indicação de um professor da faculdade. Eu o havia pedido para que me orientasse sobre maneiras de melhorar minha abordagem de aprendizagem, para que eu pudesse ter um melhor desempenho tanto acadêmico como profissional.
Os insights que tive por meio dessa leitura me fizeram escrever esse post, e venho compartilhar sobre como estou utilizando os ensinamentos na minha própria jornada enquanto estudante de computação, para que qualquer pessoa que busque uma melhor forma de aprender uma habilidade ou conhecimento possa utilizar das atuais ferramentas disponíveis para obter o objetivo desejado.
O intuito do post não é explicar sobre técnicas de prompt engineering, apenas mostrar a modelagem do contexto da LLM de acordo com os princípios do Ultra-Aprendizado pra alcançar um determinado fim, nesse caso o aprendizado de um determinado conteúdo. A aplicação dessa técnica permite obter melhores resultados de uso da ferramenta por meio desse “finetuning” inicial.
Seguindo os nove princípios abordados no livro, destaco a aplicação da Gen AI na Meta-Aprendizagem, Prática Direta e Retorno.
IA relacionada à Meta-Aprendizagem
O capítulo 4 aborda o princípio da Meta-Aprendizagem, relacionado ao procedimento de destrinchar o conhecimento buscado em via de orientar nosso estudo nos conceitos fundamentais para o aprendizado.
Nesse âmbito, observei que a Inteligência Artificial é capaz de nos mostrar o que devemos focar em busca de desenvolver a habilidade almejada, ou estudar o assunto desejado.
Dessa forma, podemos contextualizar o conteúdo que desejamos aprender e requisitar para que o LLM mapeie e nos entregue os tópicos principais dentro do conteúdo como um todo. Assim, teremos um estudo com um escopo muito mais fechado e orientado no objetivo.
Eu pessoalmente opto sempre por buscar os 20% cruciais para que eu possa entender 80% de todo o conteúdo, seguindo o Princípio de Pareto.
IA relacionada à Prática Direta
O capítulo 6 aborda o princípio da Prática Direta: a ação de praticar a habilidade ou conhecimento que queremos adquirir, da forma mais fiel possível à realidade em que iremos aplicar tal aprendizado.
Feito o mapeamento dos tópicos principais a serem estudados, utilizo a IA para me fornecer questões de fixação de cada um dos assuntos retratados. Seguindo o princípio da Prática Direta, busco por questões que abordem o conteúdo da mesma forma que eles serão abordados na prova da disciplina na qual estou estudando. Assim, o LLM me serve como um facilitador para evitar o Problema da Transferência (leia o livro para entender), tornando a prática o mais próximo possível da utilização da habilidade praticada.
Estou abordando esse assunto para o estudo de um conteúdo teórico da faculdade, porém esse processo serve para o aprendizado de qualquer habilidade. Quando estou aprendendo uma tecnologia de programação, aplico essa técnica para que a IA me forneça questões para construir um algoritmo ou aplicação que utilize da ferramenta que estou estudando, de forma que minha prática ocorra no cenário mais próximo possível do contexto em que pretendo usar do conhecimento adquirido.
IA relacionada ao Retorno
O capítulo 9 aborda o princípio do Retorno, que descreve o processo de obter feedbacks sobre o nosso desempenho ao longo da jornada de construção do conhecimento, apontando nossos erros e acertos afim de corrigir para uma melhoria futura.
O capítulo sobre retorno no livro aborda sobre os três níveis de feedback, onde o nível com maior riqueza de informações acerca do nosso desempenho é o Feedback Corretivo. Esse tipo de feedback é capaz de nos mostrar não somente nossos erros e acertos, como também nos mostrar como corrigir nossos erros para que tenhamos um melhor resultado futuro. O único empecilho é a dificuldade em obter essa forma de retorno, que só pode ser dado por uma pessoa que já possui o conhecimento ou habilidade na qual estamos buscando, tendo capacidade de observar nosso desempenho e discernir acerca dos nossos pontos fortes e fracos. Essa pessoa tende a ser uma autoridade na área em que estamos aprendendo, seja um professor na disciplina ou um profissional que já tem a skill que estamos buscando.
Entretanto, a vinda da IA facilitou esse processo. As LLMs são capazes de nos fornecer esse feedback corretivo. Ao apontar nossa resposta perante uma questão realizada sobre um tópico de estudo, ou até mostrar nosso código, ela é capaz de nos orientar sobre consertar nosso erro e nos corrigir.
Desse modo, deixo abaixo um exemplo de base um trecho de prompt que aplica os princípios citados aqui nesse post.
Contexto: Você é meu professor de {Disciplina de estudo}.
Objetivo: Você é responsável por sanar qualquer dúvida minha. Vou te passar a dúvida juntamente com o material bibliográfico que estou usando de referência.-
Instruções:
- Estruture a resposta em tópicos claros (ex: "Oportunidades", "Desafios", "Casos Práticos").
- Utilize do Princípio de Pareto (80/20) para me informar sobre as principais informações cruciais para o entendimento da matéria.
Referências bibliográficas a serem utilizadas: {Especificar materiais de apoio}
Problema a ser resolvido:
Meu estudo deve cobrir principais tópicos do conteúdo especificado.
Ação a ser realizada: considere as referências bibliográficas para mapear sobre os conteúdos cruciais dentro de cada tópico para a construção do meu conhecimento. No fim de cada tópico, desenvolva questões de fixação sobre o tema.
Ao longo do meu estudo, você deve ser capaz de esclarecer qualquer dúvida minha, fornecendo questões de fixação no fim da explicação sobre a minha dúvida para fortalecer o aprendizado.
Ao meu comando, você deverá corrigir minhas questões e apontar meus erros. Me retorne o feedback com as observações e correções necessárias acerca da minha resposta.
A Linha Tênue entre o Feedback e a Dependência
Com a incorporação da Inteligência Artificial Generativa em nossas rotinas, observamos a tendência de uma delegação cada vez maior de nossas atividades para essas ferramentas. O problema está em delegar atividades relacionadas ao pensamento crítico, e é daí que surge o debate: a IA está nos deixando burras?
Tendo isso em mente, é nosso trabalho buscar o equilíbrio entre buscar o feedback pela IA e evitar que ela faça tudo por nós. Afinal, para que possamos saber se esse retorno recebido está correto ou não, devemos ter previamente consciência da correção que está sendo realizada.
Dessa forma, acredito que devemos - acima de tudo - manter uma postura de curiosidade e sede por resolver problemas. É essa postura que nos mantém inquietos na busca pelo aprendizado, e que nos motiva a ir sempre além do que nos é exposto. Com essa mentalidade, não nos contentamos apenas com o resultado, mas sempre buscamos entender qual a construção lógica necessária para chegar na solução. Assim, não seremos reféns do que qualquer Inteligência Artificial nos retorne, mas nos tornamos independentes para construir nossa própria resposta.
Top comments (0)