I de två tidigare inläggen har vi diskuterat hur man formulerar grundläggande och medelnivå-promptar för att få ut mer relevanta, välstrukturerade och nyanserade svar från AI-modeller. Nu är det dags att ta steget vidare och på djupet utforska hur du som pedagog kan maximera AI:ns potential genom avancerade tekniker. Här handlar det om att inte bara styra svarens innehåll, utan också att påverka hur AI:n tänker, resonerar och formulerar sig i flera steg. Detta är särskilt värdefullt för dig som arbetar med didaktiskt utmanande teman, ämnesövergripande projekt eller högre kognitiva nivåer enligt Blooms taxonomi.

Varför behövs avancerade prompttekniker?

När du går över till mer avancerad promptning handlar det inte längre enbart om tydlighet och relevans – det handlar om att medvetet forma AI:ns tankebanor. Du skapar en miljö för AI:n där den, steg för steg, kan utforska problem, väga olika perspektiv, hänvisa till källor och anpassa innehåll efter dina exakta pedagogiska mål. Detta kan vara ovärderligt när du exempelvis:

• Utvecklar fördjupande undervisningsmaterial som bygger på gedigen forskning och läroplaner.
• Skapar scenario- eller casestudier där eleverna ska analysera ett komplext problem ur olika perspektiv, till exempel historiska konflikter eller etiska dilemman i biologiundervisningen.
• Arbetar med differentiering och inkludering, där du inte bara vill ha en text med extra bildstöd, utan även vill kunna be AI:n att redogöra för olika anpassningar på ett reflekterande sätt.

1. Kedjebaserade promptar (Chain-of-thought prompting)

En avancerad teknik är att be AI:n redovisa sin ”tankeprocess” innan den ger det slutliga svaret. Det kan liknas vid att be eleverna visa sina uträkningar i matematik, inte bara svaret. Genom att uppmuntra AI:n att stegvis förklara sin resonemangskedja får du större insyn i hur slutsatserna dras. Detta kan i sin tur hjälpa dig att justera prompten så att resonemanget blir mer relevant och korrekt.

Exempel:

1. Deluppgift: ”Bryt ner processen för hur källkritik kan läras ut i en gymnasieklass i fem steg. Fundera på vilka moment som är mest utmanande för eleverna och motivera varför.”
2. Kedjetanke: ”Förklara högt hur du kom fram till ditt svar i punktform, och nämn vilka aspekter av källkritik som du prioriterade och varför.”
3. Slutsvar: ”Sammanfatta nu din förklaring i en sammanhängande text som kan inkluderas i en lektionsplan.”

Med denna metod får du inte bara ett slutgiltigt undervisningsmaterial, du får också insikt i hur AI:n sorterar, värderar och kombinerar idéer. Detta kan göra det lättare för dig att styra AI:n i framtida promptar.

2. Fler-rollstrategi (Multi-role prompting)

Du kan låta AI:n anta flera roller för att skapa en dynamisk dialog som resulterar i mer djupgående lösningar. Kanske vill du låta AI:n agera både som elev och lärare samtidigt, eller som historiker och journalist. Genom att kombinera flera perspektiv kan du få fram nyanserade ståndpunkter och förklaringar.

Exempel:
”Du ska anta två roller:

1. Du är en lärare i samhällskunskap som ska förklara hur politiska val genomförs i Sverige för elever i åk 9, med tydlig koppling till Skolverkets styrdokument.
2. Du är en kritiskt tänkande elev som ställer utmanande frågor om relevansen av politiska partier och väljarbeteende.

Först ska läraren ge en förklaring. Därefter ska eleven ställa uppföljande frågor. Avsluta med att läraren utvecklar sina svar och refererar till minst två online-källor.”

Genom denna teknik uppstår en slags intern dialog hos AI:n där olika perspektiv bryts mot varandra, vilket ofta leder till mer genomtänkta och precisa svar.

3. ”Few-shot” och ”One-shot” exemplifiering

Genom att förse AI:n med exempel på önskad svarsnivå kan du styra kvaliteten ytterligare. Detta kan liknas vid att du visar eleverna ett mönsterexempel innan de själva utför en uppgift. För AI:ns del innebär det att du ger den exempelpromptar och -svar, så att den lär sig vilken typ av resonemang och tonalitet du förväntar dig.

Exempel:
Ge först AI:n ett exempel:
”Här är ett exempel på hur du förklarar fotosyntesen på högstadienivå, med lättillgängligt språk, relevanta exempel och en kort övningsuppgift. [Följt av ett exempel du själv skapat]”
Be därefter AI:n:
”Ge nu en liknande förklaring av cellandningen på gymnasienivå. Använd samma ton, struktur och nivån på förklaringen, men anpassa komplexiteten till gymnasieelever.”

Genom att visa AI:n ett ”idealexempel” förstår den bättre vilken sorts output du är ute efter.

4. Iterativ förbättring och precisering genom återkoppling

Ett avancerat arbete med promptning innebär också att du vågar gå i dialog med AI:n. Du behöver sällan nöja dig med första svaret. Ge återkoppling, be AI:n om att fördjupa eller bredda ett resonemang, samt öka eller minska komplexitetsgraden. På så sätt fungerar du som en handledare som vägleder AI:n mot önskat resultat.

Exempel:
”Din förklaring om hur man kan undervisa om hållbar utveckling var bra, men kan du lägga till mer fokus på hur man integrerar ämnet i matematikundervisningen? Jag vill se konkreta exempel på hur elever kan räkna på koldioxidutsläpp i samband med transportval.”

Genom denna typ av feedback kan du gradvis styra AI:n mot alltmer relevanta och välanpassade svar, precis som du successivt skulle förbättra ett lektionsupplägg i dialog med en kollega.

5. Integrera externa resurser och metadata

Du kan uppmana AI:n att referera till specifika forskningsstudier, läroplaner eller didaktiska teorier. Detta möjliggör att du kan arbeta mer vetenskapligt förankrat och se till att AI:n bygger sina svar på källor du litar på.

Exempel:
”Förklara hur formativ bedömning kan användas i matematikundervisningen i åk 6. Referera till Skolverket och minst en forskningsartikel inom bedömning för lärande, t.ex. från Educational Assessment. Visa hur dessa källor stödjer dina förslag till lektionsaktiviteter.”

Genom denna typ av promptning får du ett svar som inte bara är teoretiskt mer robust, utan som också underlättar för dig att efteråt granska och validera informationen.

---

Sammanfattningsvis:
Denna tredje fördjupning visar hur du kan ta promptningen till en ännu högre nivå av sofistikering. Med tekniker som kedjebaserade promptar, fler-rollstrategier, exemplifiering via få exempel, iterativ förbättring och integrering av vetenskapliga källor kan du styra AI:n till att bli en verkligt kraftfull pedagogisk resurs. Du kan skapa avancerade undervisningsmaterial, scenario-baserade övningar och fördjupade analyser som inte bara levererar svar, utan även förklarar resonemangen bakom svaren.

Genom ett medvetet och metodiskt arbete med promptdesign kan AI bli en förlängning av din egen pedagogiska kreativitet, ett verktyg som hjälper dig att tänja gränserna för vad som är möjligt i klassrummet och i din egen professionella utveckling som lärare.