قاعدة الأسئلة الثلاثة.. كيف تُحقق أفضل فائدة من ChatGPT؟
يتعامل كثير من المستخدمين مع “ChatGPT” على أنه محرك بحث تقليدي، يطرحون سؤالًا، ويطالعون الإجابة سريعاً، ثم ينتقلون إلى شيء آخر، لكن هذه الطريقة تحرمهم من الاستفادة الحقيقية من قدرات الذكاء الاصطناعي، لأن أفضل الإجابات غالباً لا تأتي من المحاولة الأولى.
في الواقع، يمكن تحسين النتائج بشكل كبير عبر أسلوب بسيط يُعرف بـ “قاعدة الأسئلة الثلاثة”؛ وهي طريقة تجعل التفاعل مع النموذج أقرب إلى حوار تدريجي يطوّر الإجابة خطوة بعد أخرى، بدلاً من الاكتفاء برد واحد قد يكون عاماً أو غير دقيق، وفق موقع “تومس جايد”.
تعتمد الفكرة على مبدأ بسيط هو: “لا تتوقف عند السؤال الأول، بل امنح الذكاء الاصطناعي فرصة لتحسين الإجابة عبر ثلاث مراحل متتالية: المسودة الأولى، ثم التنقيح، وأخيراً التحسين النهائي”، والنتيجة غالباً ما تكون إجابات أوضح وأكثر فائدة، وأقرب بكثير إلى ما يبحث عنه المُستخدم.
كيف تعمل القاعدة؟
على الرغم من اسمها، فإن “قاعدة الأسئلة الثلاثة” ليست معقدة، بل تقوم على ثلاث خطوات متتالية توجه الذكاء الاصطناعي تدريجياً نحو الإجابة المثالية:
السؤال الأول يتعلق بالفكرة الأساسية، ومن المهم فيه البدء بالسؤال المباشر والبسيط حول الموضوع الذي تريد فهمه أو العمل عليه.
السؤال الثاني يهتم بتحسين الإجابة: اطلب من الذكاء الاصطناعي إعادة صياغة الرد بشكل أوضح، أو إضافة أمثلة، أو تبسيط الشرح.
السؤال الثالث فيه التخصيص النهائي، وهنا تضبط النتيجة النهائية عبر تحديد النبرة أو العمق أو طريقة العرض، بحيث تصبح الإجابة مناسبة تماماً لاحتياجاتك.
كل خطوة تضيف طبقة جديدة من التوجيه، ما يساعد النموذج على الاقتراب تدريجياً من الاستجابة المثالية.
لتجربة هذه الطريقة عملياً، يمكن تطبيقها على موضوع تقني معقد مثل “الشبكات العصبية”، وهي التقنية التي تقوم عليها العديد من أنظمة الذكاء الاصطناعي الحديثة.
نموذج تطبيقي.. الشبكات العصبية
السؤال الأول: “اشرح كيف تعمل الشبكات العصبية”
في هذه الحالة كانت الإجابة الأولى صحيحة علمياً، لكنها اعتمدت على مصطلحات تقنية مثل “الطبقات” و”الأوزان” و”بيانات التدريب”، وهو ما قد يربك القارئ غير المتخصص.
السؤال الثاني: “اشرح الشبكات العصبية باستخدام تشبيه بسيط”
عندها يتحسن الشرح بشكل ملحوظ، إذ قارن النظام بين الشبكات العصبية وطريقة تعلم الإنسان للأنماط، مثل التعرف على الوجوه بعد رؤية أمثلة كثيرة.
السؤال الثالث: “اشرح الشبكات العصبية كما لو كنت تخاطب طالباً في المدرسة الثانوية”
هنا أصبحت الإجابة أكثر وضوحاً وبساطة، وركزت على الفكرة الأساسية: تعلم الحواسيب الأنماط من الأمثلة وتحسين أدائها بمرور الوقت.
بهذه الطريقة تحولت الإجابة من شرح تقني معقد إلى تفسير واضح وسهل الفهم.
لماذا لا نطرح السؤال المثالي من البداية؟
قد يبدو من المنطقي طرح السؤال الأكثر دقة منذ البداية، لكن المشكلة أن معظم الناس لا يعرفون بالضبط ما يريدونه في اللحظة الأولى.
السؤال الأول يعمل كمسودة أولية يحدد اتجاه الإجابة، ثم يأتي السؤال الثاني لتعديل الأسلوب أو توضيح النقاط الغامضة، وعند الوصول إلى السؤال الثالث تكون لديك صورة أوضح لما تحتاجه بالفعل.
بمعنى آخر، لا تقتصر العملية على تحسين إجابة الذكاء الاصطناعي، بل تساعد أيضًا على تحسين طريقة طرح السؤال نفسه.
لا تقتصر هذه القاعدة على الشرح النظري، بل يمكن استخدامها أيضاً في التخطيط للمشروعات.
في هذه الحالة يمكن أن يكون السؤال الأول: “ساعدني في التخطيط لمشروع لتحسين إنتاجية الفريق”، حيث تأتي الإجابة كأفكار عامة.
أما السؤال الثاني فيمكن أن يأتي مثلاً: “أنشئ خطة إنتاجية خطوة بخطوة لفريق صغير مع أهداف واضحة واجتماعات متابعة أسبوعية”، وفيه أصبحت الخطة أكثر تنظيماً وقابلية للتطبيق.
وبالنسبة للسؤال الثالث: “حوّل هذه الخطة إلى خارطة طريق لمدة شهر مع مهام محددة لكل أسبوع”، وهنا تحولت الأفكار إلى خطة عملية يمكن تنفيذها فعلياً داخل فريق العمل.
لماذا تنجح هذه الطريقة؟
الذكاء الاصطناعي يقدم أفضل أداء عندما يتلقى توجيهاً واضحا وسياقاً كافياً، وكل سؤال إضافي يمنحه مزيداً من المعلومات حول ما يريده المستخدم بالضبط.
لذلك فإن التعامل مع “شات جي بي تي” كـ”محرك بحث” يحد من إمكاناته، بينما التعامل معه كشريك في التفكير يجعل النتائج أكثر دقة وعمقاً.
