Szakképzési innováció – tanítás
Interaktív tananyag
Promptolás a tanári gyakorlatban
Tanulási cél
Egy MI-válasz minősége meglepően nagy mértékben a kérés minőségén múlik. A tananyag segít világos kontextust és jól strukturált kérdéseket adni az MI-eszközöknek.
A prompt az az üzenet, amelyet a mesterséges intelligenciának küldünk – a gyakorlatban ez az egyetlen csatorna, amelyen keresztül elmondhatjuk a modellnek, mire van szükségünk. Ma a prompt már nemcsak szöveg lehet: csatolhatunk képet, hangfájlt, PDF-et, táblázatot vagy más dokumentumot, és ezek mind a bemenet részévé válnak, amelyet a modell a válasz előtt „elolvas”.
A promptolás nem varázsmondatok bemagolásáról szól, hanem arról, hogy világosan gondolkodjunk, és ezt a világos gondolkodást adjuk át a modellnek. Egy jó prompt nem feltétlenül hosszú, de egyértelmű: megadja a célt, a szükséges hátteret, leírja az elvárt kimenetet, és ha hasznos, példát is mutat. A folyamat „vezetője” a tanár marad: a modell óriási mértékben felgyorsíthatja a munkát, de a célokat, a prioritásokat és a minőségi elvárásokat nem tudja helyettünk meghatározni.
Érdemes tudatosítani, milyen típusú kérést küldünk, mert a modell mindegyikhez másként közelít:
Választ vagy magyarázatot várunk.
„Hogyan működik az áram-védőkapcsoló?”
Azt kérjük, hogy a modell készítsen vagy módosítson valamit.
„Írj öt feleletválasztós kérdést…”
Nyitott feladatban struktúrát, tervet vagy stratégiát várunk.
„Tervezz egy négy tanórából álló témakört…”
Ha ezeket összekeverjük, gyengül az eredmény. A „Tudnál írni egy e-mailt a szülőknek?” kérdés formájában van megfogalmazva, pedig cselekvést várunk. Az „Írj egy e-mailt a szülőknek arról, hogy…” egyértelműbb – és minél világosabb az elvárás, annál jobb a válasz.
Amikor a tanár tananyag-előkészítéshez használja az MI-t, az alábbi elemek befolyásolják leginkább a válasz relevanciáját, pontosságát és pedagógiai használhatóságát. Nem minden promptba kell mindegyik, de minden hiányzó elemet a modellnek kell kitalálnia.
Ugyanaz a tanórai feladat hét rövid mondatban: minden mondat egy építőelemet tesz egyértelművé.
„Mit tanítsak a Fi-reléről?” – a modell válaszolni fog, de szinte mindent neki kell kitalálnia: a célcsoportot, a mélységet, a formátumot és a célt. Az eredmény jellemzően általános. Ha rövid, világos mondatokban megadjuk a szerepet, a feladatot és a kontextust, a modellnek sokkal kevesebbet kell találgatnia, és a válasz közvetlenül használhatóvá válik.
Mi a célcsoport? Milyen mélységben? Milyen formátumban? Milyen tanulási céllal? A modellnek ezeket mind ki kell találnia.
A hosszabb nem automatikusan jobb. Nem érdemes „teledumálni” az MI fejét: több rövid, lényegre törő mondat – vagy részfeladatokra bontott kérés – jobban működik, mint egyetlen hosszú, bonyolult bekezdés. Hasonlítsuk össze ugyanannak a feladatnak két megfogalmazását:
Bonyolult: „Nézd át alaposan a dokumentumot, és emeld ki belőle a legfontosabb adatokat és információkat, amelyek lényegesek lehetnek az összegzés szempontjából, majd alakítsd őket könnyebben érthető formába, készíts belőlük vizuális grafikonokat, végül rövidítsd le és rendezd pontokba a kulcsinformációkat.”
Rövid, lényegre törő mondatokkal és részfeladatokkal csökkentheted a félreértés esélyét.
A hatékony promptolás gyakran már a tényleges utasítás előtt elkezdődik. Mi a cél? Milyen háttérinformáció hiányzik? Mi alapján döntöm el, hogy jó-e a válasz? Egyszerű, de hatásos technika, ha megkérjük a modellt, hogy ő kérdezzen minket: „Mielőtt nekikezdesz, tedd fel azokat a kérdéseket, amelyek egy jó feladatlap elkészítéséhez kellenek.” Így a promptból párbeszéd lesz, és kiderülnek a saját kérésünk hiányosságai.
Egy jó minta gyakran többet ér egy hosszú magyarázatnál. Ha van olyan feladatlapunk, kvízformátumunk vagy stílusunk, amely tetszik, csatoljuk, és kérjünk „hasonlót”. Egy jó és egy rossz példa ugrásszerűen növelheti a pontosságot, mert a modell látja, hol húzódik az elvárásunk határa.
A korlátozások leszűkítik a lehetséges válaszok körét: terjedelmi korlát, elemszám, olvasási szint, kötelező szakszókincs, „rövidítést ne használj magyarázat nélkül”, vagy „csak a csatolt tankönyvfejezetet használd forrásként”.
A nyelvi modelleknek tokenekre van szükségük ahhoz, hogy „gondolkodjanak”. Ha egy számítást vagy többlépéses döntést egyszavas válaszba kényszerítünk, sokkal nagyobb a hiba esélye. Az ilyen feladatoknál kérjük, hogy a modell lépésről lépésre haladjon, és a végső választ a végén adja meg. Ahol fontos a pontosság – számítás, táblázat, adatok –, kérjük az eszközei használatát is, például: „számold ki kóddal” vagy „keress rá az interneten, és add meg a forrásokat”.
A kérdés megfogalmazása irányítja a választ. A „Mik az elektromos autók előnyei és hátrányai a hagyományos autókhoz képest?” kiegyensúlyozott választ eredményez. A „Miért sokkal jobbak az elektromos autók a hagyományosaknál?” egyoldalú felsorolást. Az MI-rendszerek hajlamosak egyetérteni velünk: visszatükrözik és felerősítik a kérdésbe épített feltevéseinket. Ha őszinte értékelést szeretnénk, semlegesen kérdezzünk.
A modellt arra is megkérhetjük, hogy segítsen jobb promptot írni: „Írj egy rövid, egyértelmű promptot a ChatGPT-nek, amely segít egy kezdőnek megtanulni a TypeScript alapjait. A prompt kérjen 1) öt fő témát, 2) mindegyikhez egy minifeladatot, 3) heti tanulási ütemtervet.” Már a modell által írt prompt átnézése is jó lecke a strukturált gondolkodásból.
A promptolás ritkán sikerül elsőre. Egy hasznos ötlépéses rutin, amelyet többek között a Google Prompting Essentials kurzusa is népszerűsít: Feladat → Kontextus → Referenciák → Értékelés → Iterálás. Határozzuk meg a feladatot, adjuk meg a kontextust, csatoljunk referenciát vagy példát, értékeljük a választ a szempontjaink alapján, majd finomítsuk a promptot.
Feladat → Kontextus → Referenciák → Értékelés → Iterálás
Még két gyakorlati szempont. Egyrészt számít a modell megválasztása: hétköznapi kérdésekhez elég egy gyors modell, az összetett tervezés, elemzés vagy számítás viszont erősebb, „gondolkodó” modellt érdemel. Másrészt a prompt nyelve kevésbé fontos, mint az egyértelműsége: a mai modellek magyarul is jól működnek, és egy tartalmilag zavaros prompt sokkal nagyobb gond, mint néhány elírás.
A strukturált promptolás egyik legértékesebb felhasználása a szakképzésben a differenciálás. Ha egy egyébként azonos promptban csak a tanulói szintet és a célt változtatjuk meg, ugyanazt a témát különböző csoportoknak készíthetjük elő: egyszerűsített magyarázatot hétköznapi hasonlatokkal, standard feladatlapot, valamint kiegészítő feladatot a haladó tanulóknak.
Azonos téma mellett változtasd a tanulói szintet és a tanulási célt.
Egyszerűsített magyarázat hétköznapi hasonlatokkal.
Standard feladatlap a csoport előzetes tudásához igazítva.
Kiegészítő feladat nagyobb önállósággal és összetettebb céllal.
Tapasztald meg, hogyan változtatják meg a prompt építőelemei az MI-válasz relevanciáját és használhatóságát. Használj egy generatív MI-eszközt.
A tanulók világos, kontextusban gazdag kérdéseket fogalmaznak meg, és kritikusan értékelik az MI válaszait. Eszközök: az iskola által jóváhagyott MI-eszköz és projektor.
A pontos kérdezés szakmai készség. Ha nem kérdezünk rá a védőfelszerelésre, az MI lehet, hogy meg sem említi. A gördülékeny szöveg nem azonos a helyes szöveggel.
Kövesd az iskola szabályait és a szolgáltatók életkori feltételeit. Ha tanulói fiók nem használható, a saját fiókodból mutasd be a feladatot.
Hívd fel a figyelmet arra, hogy a promptokba ne kerüljenek személyes adatok: név, cím vagy osztálytársakról készült fotó.
A hatékony MI-használat a gondosan megtervezett feladatleíráson múlik, nem csupán az egyes eszközök ismeretén. A passzív felhasználó beírja, elfogadja és továbblép; az aktív felhasználó kérdez, ellenőriz, kiegészít és iterál – és ugyanabból az eszközből sokszoros értéket nyer ki.
Válaszolj minden kérdésre, majd nézd meg az eredményt és a magyarázatokat.
Szerzői jog © 2026 VITA Konzorcium
Ez a mű a Creative Commons Nevezd meg! – Így add tovább! 4.0 Nemzetközi Licenc (CC BY-SA 4.0) feltételei szerint újra felhasználható és átdolgozható.
Az Európai Unió finanszírozásával. A kifejtett nézetek és vélemények kizárólag a szerző(k)éi, és nem feltétlenül tükrözik az Európai Unió vagy a Nemzeti Ügynökség álláspontját.