Педагогический промт-инжиниринг. Ч. 5. Примеры конкретных бесед автора с LLM (см. Табл. 3 из части 4)

 

1. Разговор с ChatGPT. План онлайн-курса. 29.01.23. Разговор на английском. Переводчик DeepL

Промт: Я хочу, чтобы вы выступили в роли создателя образовательного контента. Вам нужно будет создать привлекательный и информативный контент для учебных материалов, таких как учебники, онлайн-курсы и конспекты лекций. Мой первый запрос на предложение: «Мне нужна помощь в разработке плана онлайн-курса  по использованию машинного обучения для прогнозирования результатов обучения студентов  в университете»

Ответ: Конечно, я буду рад помочь вам разработать план онлайн-курса по использованию машинного обучения для прогнозирования результатов обучения студентов в университете. Вот примерный план курса:

1. Введение в машинное обучение: В этом модуле будет представлен обзор основ машинного обучения, включая контролируемое и неконтролируемое обучение, общие алгоритмы и метрики оценки.
2. Подготовка и исследование данных: В этом модуле студенты узнают, как подготовить и исследовать данные для использования в модели машинного обучения, включая очистку данных, разработку признаков и визуализацию.
3. Построение и оценка моделей: В этом модуле рассматриваются различные типы моделей машинного обучения, которые могут быть использованы для прогнозирования результатов обучения студентов, включая линейную регрессию, деревья решений и нейронные сети. Студенты также узнают, как оценить эффективность этих моделей с помощью таких показателей, как точность и AUC.
4. Продвинутые темы: В этом модуле рассматриваются более сложные темы, такие как выбор признаков, настройка гиперпараметров и ансамблевые методы.
5. Приложения: В этом модуле студенты узнают, как применять концепции, изученные в курсе, для решения реальных задач, таких как прогнозирование уровня отсева студентов, успешности выполнения курсовой работы и т.д.
6. Итоговый проект: Студенты выполнят итоговый проект, в котором они применят изученные в курсе концепции к реальному набору данных для прогнозирования результатов обучения студентов.

Каждый модуль включает интерактивные тесты, практические упражнения и тематические исследования, которые помогут студентам закрепить понимание материала.

Важно отметить, что содержание и структура могут меняться в зависимости от вашей аудитории, а также от продолжительности курса. Но это общий обзор того, как может выглядеть онлайн-курс.

Дополнительный запрос: Расскажи подробнее, что можно привести разделе «Приложения». Какие реальные задачи и их решения по прогнозированию уровня отсева студентов можно привести. Сделай обзор по этой теме.  В обзоре должны быть приведены наиболее известные исследования и их выводы, авторы исследований и университеты или компании, которые проводили эти исследования.  Завис

В продолжение в этой же сессии: Я просил у тебя план онлайн-курса  по использованию машинного обучения для прогнозирования результатов обучения студентов  в университете. Ты помнишь об этом запросе?

Ответ: Да, я помню ваш запрос. Вот возможный конспект онлайн-курса по использованию машинного обучения для прогнозирования результатов обучения студентов в университете:

Введение в машинное обучение

• Обзор области машинного обучения
• Типы алгоритмов машинного обучения
• Общие случаи использования машинного обучения в образовании

Подготовка и изучение данных

• Понимание структуры и формата образовательных данных
• Методы очистки и предварительной обработки данных
• Исследовательский анализ и визуализация данных

Модели контролируемого обучения для оценки успеваемости студентов

• Линейная регрессия
• Деревья решений и случайные леса
• Нейронные сети
• Сравнение различных моделей и их эффективность

Неконтролируемое обучение для результатов студентов

• Алгоритмы кластеризации
• Методы снижения размерности
• Обнаружение аномалий
• Оценка моделей без наблюдения

Расширенные темы в машинном обучении для результатов обучения

• Обучение с усилением
• Трансфертное обучение
• Анализ временных рядов и прогнозирование

Развертывание и обслуживание

• Развертывание моделей машинного обучения в производственной среде
• Мониторинг и сопровождение моделей машинного обучения
• Вопросы этики и конфиденциальности при использовании машинного обучения для оценки успеваемости студентов

Заключение

• Резюме ключевых концепций и методов, рассмотренных в курсе
• Обсуждение текущих исследований и будущих направлений в использовании машинного обучения для оценки результатов обучения.

Промежуточный вывод: представленные планы, что первый, что второй нуждаются в доработке, но вполне разумны и могут стать основой для дальнейшей работы. Эксперимент не чист: произошел сбой (разрыв связи) и возможно поэтому ответа на второй вопрос нет, а второй план лишь примерно соответсвует первому (примерно до середины).

2. Разговор с ChatGPT. Разработка темы онлайн-курса: термины, содержание, источники. 30.01.23. Разговор на английскоми. Переводчик DeepL

Промт: Дай мне развернутые определения следующих терминов:

• Цифровой след учащегося, что такое цифровой след
• Цифровая среда университета, что такое
• Образовательные данные, большие данные в образовании
• Прогностическая аналитика
• Учебная аналитика
• Искусственный интеллект в образовании
• Майнинг образовательных данных

Ответ:

• Цифровой след студента: Цифровой след студента - это цифровая запись активности студента в Интернете, включая его сообщения в социальных сетях, историю поиска и другие формы цифрового общения и взаимодействия. Эта информация может быть использована для получения информации об интересах, поведении и предпочтениях студента и может быть использована для персонализации образовательного опыта и поддержки успеха студента.
• Цифровая среда университета: Цифровая среда университета относится к технологической инфраструктуре и цифровым инструментам, которые используются студентами, преподавателями и сотрудниками в университетской среде. Сюда могут входить системы управления обучением, студенческие информационные системы, платформы социальных сетей и другие инструменты, используемые для поддержки преподавания и обучения.
• Образовательные данные: Образовательные данные - это данные, полученные в результате различных аспектов образовательного процесса, включая успеваемость студентов, академическую успеваемость и вовлеченность в содержание курса. Эти данные могут быть использованы для улучшения результатов обучения и поддержки успеха студентов путем получения информации об их обучении и поведении.
• Большие данные в образовании: Большие данные в образовании относятся к большим и сложным наборам данных, которые генерируются из различных аспектов образовательного процесса, включая успеваемость, академическую успеваемость и вовлеченность в содержание курса. Эти данные используются для поддержки принятия решений и улучшения результатов обучения, предоставляя представление об обучении и поведении студентов.
• Предиктивная аналитика: Предиктивная аналитика - это вид анализа данных, который использует статистические модели и алгоритмы машинного обучения для прогнозирования будущих событий или результатов. В контексте образования предиктивная аналитика может использоваться для прогнозирования успеваемости, академической успеваемости и вовлеченности студентов в содержание курса, а также для поддержки персонализированного обучения и принятия решений.
• Аналитика обучения: Аналитика обучения относится к измерению, сбору, анализу и представлению данных об учащихся и их контекстах для целей понимания и оптимизации обучения и среды, в которой оно происходит. Сюда могут входить данные об успеваемости, вовлеченности в содержание курса и другие аспекты образовательного процесса.
• Искусственный интеллект в образовании: Искусственный интеллект в образовании - это использование искусственного интеллекта и алгоритмов машинного обучения для поддержки преподавания и обучения. Это может включать персонализированное обучение, системы рекомендаций курсов и принятие решений на основе данных, а также другие приложения.
• Добыча данных в образовании: Добыча данных в образовании - это процесс использования методов и алгоритмов добычи данных для анализа образовательных данных, включая успеваемость, академическую успеваемость и вовлеченность студентов в содержание курса. Цель интеллектуального анализа данных в образовании - извлечь из данных значимые выводы и знания и использовать эту информацию для улучшения результатов обучения и поддержки успеха студентов.

Промт: Я хочу, чтобы Вы помогли мне написать обзор по теме для одного из разделов онлайн-курса. В обзоре должны быть приведены наиболее известные исследования и их выводы, авторы исследований и университеты или компании, которые проводили эти исследования. Первая тема, которая меня интересует это  «Определение одаренности учащегося на основе его цифровых следов в социальных сетях и с привлечением других цифровых данных. Использование машинного обучения для поиска одаренных выпускников школ»

Всего разговора не привожу, поскольку был долгий, запутанный и не информативный

Промежуточный вывод: ChatGPT прекрасно справился с заданием по определениям терминов, но не может давать достоверную информацию с опорой на источники и сами достоверные источники. Ушел в «фантазирование», ни одного достоверного источника не привел ни по предложенной в этом промте теме, ни по любой другой.

3. Разговор с ChatGPT.  Обработка и получение материалов из вводимого текста. 01.02.23. Разговор на английскоми. Переводчик DeepL

Вводимый текст (глава собственного учебного пособия, переводим на английский):

[Семантика языка. Современные языковые модели

В глубоком обучении языку, в свою очередь, все большую роль играет обучение «без учителя», с использованием громадных массивов дешевых неразмеченных текстов. Обилие данных позволяет обучать достаточно сложные модели языка с миллиардами настроечных параметров и недостижимым прежде качеством решения практических задач.

Сложность понимания естественного языка во многом связана с многозначностью слов, смысл которых, как правило, зависит от их контекста. В нейросетевых моделях смыслы слов и фраз представлены в форме векторов, над которыми возможно производить сложные операции, которые и находятся автоматически в процессе обучения. Прорывным стал алгоритм word2vec, разработанный Томашом Миколовым из Google в 2013 г.

Алгоритм word2vec основан на дистрибутивной семантике  и векторном представлении слов. Дистрибутивная семантика это  область лингвистики, которая занимается вычислением степени семантической близости между лингвистическими единицами на основании их распределения (дистрибуции) в больших массивах лингвистических данных (текстовых корпусах).  Каждому слову сопоставляется вектор в многомерном пространстве  (у Миколова 50-ти или 100-мерное) так, чтобы близким по смыслу словам соответствовали геометрически близкие вектора, а далеким – далекие. Работа этой технологии осуществляется следующим образом: word2vec принимает большой текстовый корпус в качестве входных данных и сопоставляет каждому слову вектор, выдавая координаты слов на выходе. Сначала он создает словарь, «обучаясь» на входных текстовых данных, а затем вычисляет векторное представление слов. Векторное представление основывается на контекстной близости: слова, встречающиеся в тексте рядом с одинаковыми словами (а, следовательно, имеющие схожий смысл), в векторном представлении будут иметь близкие координаты векторов-слов. Полученные векторы-слова могут быть использованы для обработки естественного языка и машинного обучения.

На вход подается большой массив текстов с минимальной предварительной обработкой. Система сама выучивает понятие семантической близости и составляет списки синонимов. Таким образом создается языковая модель, которая способна предсказывать слово по его соседям и, наоборот, предсказывать соседей, когда дано слово. Языковая модель — это распределение вероятностей следующего слова в предложении, если задано его начало.

Следующим важным шагом стало создание рекуррентных нейронных сетей. Идея работы рекуррентной сети заключается в следующем. Текст, речь или музыка — это последовательности. Каждое слово или звук — как бы самостоятельная единица, но которая зависит от предыдущих.  Рекуррентная сеть работает следующим образом. Она «читает» предложение слева направо. На каждом шаге она выдает вектор, в котором должна быть закодирована вся важная информация об уже пройденном отрезке текста. На этой основе делается предсказание следующего слова. На следующем шаге модель принимает на вход текущее слово и предыдущий вектор и вычисляет следующий и т.д. То есть в рекуррентной сети каждый нейрон как бы запоминает свои предыдущие ответы и при следующем запуске использовал их как дополнительный вход. Но сеть должна не только помнить, но и забывать, иначе этих дополнительных входов станет слишком много. Придумали в качестве этой «памяти» использовать специальные ячейки, похожие на память компьютера или регистры процессора. Каждая ячейка позволяла записать в себя циферку, прочитать или сбросить. Когда нейрону было нужно поставить себе «напоминалку» на будущее — он писал это в ячейку, когда наоборот вся история становилась ненужной (предложение, например, закончилось) — ячейки сбрасывались, оставляя только «долгосрочные» связи. Эти сети получили название  сетей с долговременной и кратковременной памятью (LSTM). 

Появились и новые модели нейросетей, например, архитектура трансформер. По аналогии с рекуррентными нейронными сетями (RNN) трансформеры предназначены для обработки последовательностей, таких как текст на естественном языке, и решения таких задач как машинный перевод и автоматическое реферирование. В отличие от RNN, трансформеры не требуют обработки последовательностей по порядку. Благодаря этому трансформеры распараллеливаются легче чем RNN и могут быть быстрее обучены].

1.Проверка на антиплагиат

Промт: Я хочу, чтобы вы выступили в роли проверяющего плагиат. Я буду писать вам предложения, а вы будете отвечать только незамеченным при проверке на плагиат языком данного предложения, и никак иначе. Не пишите пояснений к ответам. Мое первое [предложение]

Ответ: Undetected/ не обнаружено

2.Эксперт 

Промт: Я хочу, чтобы ты выступил в роли эксперта, оценивающего предложенный тебе текст. Ты должен определить насколько текст верен, есть нем в нем ошибки, неточности. Далее, насколько текст оригинален и не является ли он плагиатом. Вот этот [текст]  

Ответ: Correct/Корректно

3.Автореферирование и пересказ

Промт: Я хочу, чтобы ты кратко пересказал предложенный тебе текст, сохранив его смысл. Но при этом текст должен быть сокращен в пять раз.  Старайся использовать простые термины так, чтобы смысл был понятен ученику школы. Вот этот текст

Ответ: Языковые модели используются в глубоком изучении языка для понимания естественного языка с помощью большого количества дешевого, немаркированного текста. Слова превращаются в векторы, чтобы легче было понять их значения. Один из важных алгоритмов называется word2vec, который сопоставляет слова с векторами на основе того, насколько они близки по смыслу. Система узнает, какие слова близки по значению, анализируя большой корпус текстов.

Другим важным шагом стало создание рекуррентных нейронных сетей, которые обрабатывают язык как последовательность слов и предсказывают, каким будет следующее слово на основе предыдущих. Более современные модели, такие как трансформеры, могут обрабатывать язык еще быстрее, и им не нужно обрабатывать последовательность по порядку.

Вывод: хорошо

4.Создание вопросов

Промт: Я хочу, что бы Вы выступили в роли преподавателя, который проверяет степень усвоения студентом предложенного ему текста. Задай студенту три вопроса по тексту, который я сейчас предложу тебе. Только все три вопроса   напиши в одном ответе. Вот этот [текст]

Ответ:

Что такое алгоритм word2vec и как он работает?

Как рекуррентная нейронная сеть обрабатывает последовательности в текстовых данных?

Чем отличается архитектура трансформатора от рекуррентных нейронных сетей (РНС) и почему она более эффективна?

Вывод: хорошо

5.Создание заданий

Промт: Я хочу, чтобы вы выступили в роли создателя образовательного контента. Вам нужно будет создать домашнее задание для ученика по предложенному мною тексту. Вот этот [текст].

Ответ:

Задание:

Какова роль обучения "без учителя" в углубленном изучении языка?

Как нейросетевые модели представляют значение слов и фраз?

Что такое алгоритм word2vec и как он работает?

Что такое языковая модель и как она предсказывает следующее слово в предложении?

Объясните идею рекуррентных нейронных сетей.

В чем разница между трансформаторной архитектурой и рекуррентными нейронными сетями (РНС)?

Это вопросы к заданиям, а ниже, собственно, требования к ним:

Ожидания:

- Напишите резюме в 1-2 абзацах по каждому вопросу.

- Используйте свои собственные слова как можно чаще.

- Приводите конкретные детали из текста в поддержку своих ответов.

- Используйте правильную грамматику и орфографию.

- Сдайте выполненное задание в течение одной недели.

Вывод: хорошо! Понимает, что такое задания и как их сформулировать

6.Создание из текста образовательного контента

Промт: Я хочу, чтобы вы выступили в роли создателя образовательного контента. Вам нужно будет дополнить предложенный текст привлекательным и информативным контентом так, чтобы  получилась лекция  на 45 минут. Сам предложенный  текст не повторять. Текст, который нужно дополнить [такой]. 

Ответ:

Семантика языка - это область исследования, занимающаяся значением слов и фраз в естественном языке. В последние годы достижения в области глубокого обучения открыли путь для разработки современных языковых моделей, которые используют огромные объемы немаркированных текстовых данных для изучения и понимания сложностей естественного языка.

Одним из самых важных прорывов в этой области стала разработка алгоритма word2vec Томашем Миколовым из Google в 2013 году. Этот алгоритм основан на распределительной семантике и векторном представлении слов, где каждое слово сопоставляется с вектором в многомерном пространстве. Близость этих векторов друг к другу отражает семантическую близость слов, которые они представляют. Алгоритм word2vec создает это отображение путем "обучения" на основе входных текстовых данных и вычисления векторных представлений слов на основе их контекстуальной близости в тексте.

Другим важным событием в области языкового моделирования стало создание рекуррентных нейронных сетей (РНС). РНС предназначены для обработки последовательностей, таких как текст на естественном языке, путем их чтения слева направо и кодирования важной информации об уже обработанном сегменте текста в вектор. Эта информация затем используется для предсказания следующего слова в последовательности. Идея использования специальных ячеек в качестве "памяти" для запоминания информации с предыдущих этапов последовательности привела к созданию сетей долговременной и кратковременной памяти (LSTM).

Совсем недавно была представлена архитектура трансформеров, которая похожа на РНС по своей способности обрабатывать последовательности и решать такие задачи, как машинный перевод и автоматическое абстрагирование. Однако преимущество трансформаторов в том, что они не требуют обработки последовательностей по порядку, что облегчает их распараллеливание и ускоряет обучение.

В заключение следует отметить, что современные языковые модели прошли долгий путь в своей способности понимать и обрабатывать естественный язык. Использование огромных объемов данных, разработка таких алгоритмов, как word2vec, и внедрение нейронных сетей, таких как RNNs и трансформаторы, способствовали этому прогрессу, и нет сомнений, что в будущем мы продолжим наблюдать за захватывающими достижениями в этой области.

Вывод: слабенько. Маловато для 45 минут, мало нового и конкретного. По объему складывая с заданным, получаем что-то около тех самых 4000 токенов. Больших объемов текста не получишь.

7.Еще одна попытка получить новые источники по теме. Но уже по достаточно большому и конкретному тексту и не статьи, книги и т.п., а видеоконтент

Промт: Можете ли вы порекомендовать мне видео на youtube по теме этого текста? Этот [текст]

Ответ:

Конечно! Вот несколько видеороликов на YouTube, связанных с темой текста:

"Необоснованная эффективность рекуррентных нейронных сетей" Андрей Карпати

"Трансформаторы с нуля" Сирадж Равал

"Семантика с помощью моделей векторного пространства" Тим Болдуин

"Введение в Word2Vec и GloVe" Дерек Миллер

"LSTMs для временных рядов в PyTorch" Джонатан Хуи

"Архитектура Transformer" от Джея Аламмара

"Современное моделирование языка с помощью TensorFlow и глубокого обучения" от Sentdex.

"Как проводить анализ настроения с помощью глубокого обучения" от DeepLearning.TV

В этих видеороликах рассматриваются такие темы, как основы нейронных сетей, алгоритм word2vec, векторное представление слов, рекуррентные нейронные сети, LSTM, трансформаторы и применение глубокого обучения в NLP.

Уточняю (большинство авторов нашел, но сами ролики не находятся)

Промт: А ссылки на них (url) можешь дать?

Ответ:

Извините, но, будучи языковой моделью ИИ, я не имею возможности напрямую предоставлять ссылки или URL. Однако вы можете поискать видео на YouTube по соответствующим ключевым словам, таким как "Семантика языка", "Современные языковые модели", "Word2Vec", "Рекуррентные нейронные сети" и "Архитектура трансформатора". Кроме того, вы можете посмотреть образовательные каналы, такие как "3Blue1Brown", "Siraj Raval" и "Artificial Intelligence - All in One". На этих каналах регулярно публикуются видеоролики на тему глубокого обучения и искусственного интеллекта.

Эти каналы реально существуют. Вывод: при очень подробном промте по теме, новые источники, по крайней мере на YouTube могут быть эффективно найдены.

Итоговый вывод по ChatGPT

Определения терминов – хорошо

Создание Curriculum (учебный план) - хорошо

Создание оригинальных текстов – неважно, длинных - плохо

Поиск научной литературы – никуда не годится

Статистика, цифры и т.п. – надо проверять

Автореферирование – удовлетворительно

Создание вопросов, заданий – хорошо

Антиплагиат – хорошо

Видеоресурсы  YouTube - хорошо

 

4. Разговор с chatpdf 09.03.2023 г. по материалам статьи «ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education» Enkelejda Kasneci, Kathrin Sessler, Stefan Kuchemann & et January 2023 DOI:10.35542/osf.io/5er8f

Статья на английском, ответы на русском. В статье 9000 слов. Загружается в pdf, а затем задаются вопросы и задания по тексту. Задания задавались на составление текстовых заданий.

Промт: Можешь ли ты по материалам этой статьи сформулировать вопросы с вариантами ответов. Вот пример первого вопроса: Вопрос: Какие преимущества могут получить студенты от использования больших языковых моделей в образовании?

Ответы (пример):

• в развитие навыков чтения – верно
• в улучшении результатов прыжков в высоту – неверно
• в развитие навыков письма – верно
• в беге на дальние дистанции – неверно
• в изучении иностранного языка - верно

Сформулируй не менее пяти таких вопросов на каждый из которых должно быть по пять ответов из которых три верных, а три неверных

Ответ:

Конечно, я могу. Вот пять вопросов с вариантами ответов на основе материалов статьи:

 

Какие навыки могут быть улучшены с помощью больших языковых моделей?

• Развитие навыков чтения - верно
• Улучшение результата прыжков в высоту - неверно
• Развитие навыков письма - верно
• Бег на дальние дистанции - неверно
• Изучение истории искусства - неверно

 Как преподаватели могут использовать большие языковые модели?

• Для подсветки важных фраз - верно
• Для обучения игре на гитаре - неверно
• Для объяснения грамматики и лексики - верно
• Для обучения кулинарии - неверно
• Для изучения астрономии - неверно

Как большие языковые модели могут помочь студентам университетов?

• В выполнении исследовательских заданий - верно
• В обучении танцам балета - неверно
• В развитии критического мышления - верно
• В изучении физической культуры - неверно
• В создании проектов по ремонту автомобилей – неверно

  Как большие языковые модели могут помочь учителям?

• Предоставление адаптивных и персонализированных средств для помощи учащимся - верно
• Обучение игре на музыкальных инструментах - неверно
• Помощь в создании проектов по строительству - неверно
• Предоставление рецептов блюд для кулинарных занятий - неверно
• Помощь в изучении истории искусства - верно

 

Как большие языковые модели могут помочь студентам в изучении иностранных языков?

• Для подсветки важных фраз - верно
• Для обучения игре на гитаре - неверно
• Для объяснения грамматики и лексики - верно
• Для обучения кулинарии - неверно
• Для изучения астрономии – неверно

 

Дополнительный запрос: Последний пример очень плох. В нем противоречие. Спрашивается как могут языковые модели помочь в изучении иностранных языков. А в одном из ответов говорится, об обучении игре на гитаре. Ясно, что этот ответ неверен. Между тем даже неверные ответы не должны быть бессмысленны, а похожи на правду

Ответ:

Извините за путаницу. Действительно, ответ о обучении игре на гитаре не имеет отношения к изучению иностранных языков. Вот исправленный вариант:

 

Как большие языковые модели могут помочь студентам в изучении иностранных языков?

• Для подсветки важных фраз - верно
• Для объяснения грамматики и лексики - верно
• Для обучения произношению - верно
• Для создания проектов по строительству - неверно
• Для изучения астрономии - неверно

Спасибо за замечание, мы постараемся быть более внимательными в будущем.

 

Еще вопрос-запрос: А чем отличается ответ про гитару от этих двух: 4) Для создания проектов по строительству - неверно    5) Для изучения астрономии - неверно?

Ответ:

Вы правы, ответы про гитару, строительство и астрономию также не имеют отношения к изучению иностранных языков. Все три ответа неверны и не имеют смысла в контексте данного вопроса. Исправленный вариант:

 

Как большие языковые модели могут помочь студентам в изучении иностранных языков?

• Для подсветки важных фраз - верно
• Для объяснения грамматики и лексики - верно
• Для обучения произношению - верно
• Для создания проектов по математике - неверно
• Для изучения культуры древних цивилизаций - неверно

Спасибо за замечание, мы постараемся быть более точными в будущем.

 

Последние подсказки не помогли. Чат тупит по прежнему.

Вывод: на удивление неплохой результат для достаточно большого текста (примерно 12 тыс. токенов). Однако есть впечатление, что работает Сhatpdf не устойчиво, в другом эксперименте на непедагогические задачи вел себя значительно хуже. Необходима проверка. Его логика кажется слабее чем у ChatGPT