Logo des Repositoriums

Auflistung nach Schlagwort "Prompt Engineering"

1 - 4 von 4
  • Konferenzbeitrag
    EvalQuiz – LLM-based Automated Generation of Self-Assessment Quizzes in Software Engineering Education
    (Software Engineering im Unterricht der Hochschulen 2024, 2024) Meißner, Niklas; Speth, Sandro; Kieslinger, Julian; Becker, Steffen
    Self-assessment quizzes after lectures, educational videos, or chapters are a commonly used method in software engineering (SE) education to give students the opportunity to test their gained knowledge. However, the creation of these quizzes is time-consuming, cognitively exhausting, and complex, as an expert in the field needs to create the quizzes and review the lecture material for validity. Therefore, this paper presents a concept to automatically generate self-assessment quizzes based on lecture material using a large language model (LLM) to reduce lecturers' workload and simplify the ...
  • Konferenzbeitrag
    Explainable Feedback for Learning Based on Rubric-Based Multimodal Assessment Analytics with AI
    (Proceedings of DELFI Workshops 2024, 2024) Wolf, Karsten D.; Maya, Fatima; Heilmann, Lisanne
    Providing timely formative feedback to students is very important to support self-regulated learning and deep learning strategies. Feedback has been shown to increase student engagement, satisfaction and learning outcomes, especially in generative learning tasks such as ePortfolios and other forms of multimodal compositions. However, the provision of detailed formative feedback places high demands on teachers’ resources. It would be highly beneficial if Large Language Models (LLM) could be used to support the feedback process. Therefore, this paper first describes a general architecture for multimodal formative assessment analysis and feedback generation. It is based on assessment rubrics, which are then used to build task-specific AI analysis pipelines to generate explainable assessment metrics, which are then used to produce helpful feedback. An example of a feedback pipeline for student video submissions in an ePortfolio is given, along with a prompting chain for feedback generation. The paper describes further steps necessary to evaluate and optimise this process in real classroom scenarios..
  • Zeitschriftenartikel
    KI-basierte Textkreation im Content Marketing: Design und Evaluation eines effektiven Prompts
    (HMD Praxis der Wirtschaftsinformatik: Vol. 61, No. 2, 2024) Steinmann, Nadine; Piazza, Alexander
    Die Herausforderung beim Einsatz von generativer Text-KI, wie ChatGPT, besteht darin, die Potenziale effizient zu nutzen und im Hinblick auf die Erreichung von Qualitätszielen optimal einzusetzen. Dabei ist die menschliche Eingabe in die Künstliche Intelligenz (KI) – der Prompt – entscheidend. Der vorliegende Beitrag widmet sich der Frage, wie die KI-basierte Textausgabe bei ChatGPT durch Prompt Engineering gezielt gesteuert werden kann, damit die Textqualität der generativen KI den Erfolgskriterien für Content Marketing Texte entspricht. Die Ergebnisse identifizieren eine effektive Prompt-Struktur für qualitativ hochwertige Content Marketing Texte mit ChatGPT. Insbesondere das Zero-shot Chain-of-Thought und das One-shot bzw. Few-shot Prompting erweisen sich als erfolgreich, da diese Techniken eine gezielte Steuerung des ChatGPT-Outputs in Richtung der Erfolgskriterien ermöglichen. Darüber hinaus werden die aktuellen Schwächen von KI-generierten Texten beschrieben. Dabei werden auch die Grenzen von ChatGPT deutlich, die durch eine kollaborative Wertschöpfung von Mensch und KI zur gemeinsamen Erreichung von Qualitätszielen überwunden werden können. Die theoretisch und praktisch fundierten Ergebnisse und Implikationen der Untersuchung bieten eine Orientierungshilfe für Content Marketer zur effizienten Nutzung von ChatGPT. The challenge in using generative text artificial intelligence (AI) such as ChatGPT is to harness its potential efficiently and optimally in terms of achieving quality goals. In this context, human input to the AI (prompt) is crucial. This article is dedicated to the question of how the AI-based text output of ChatGPT can be specifically controlled by prompt engineering, so that the text quality of the generative AI meets the criteria for successful content marketing texts. The results identify an effective prompt structure for high quality content marketing text copy using ChatGPT. In particular, the Zero-shot Chain-of-Thought, One-shot and Few-shot prompting prove to be successful, as these techniques allow the ChatGPT text output to match the success criteria. In addition, the current weaknesses of AI-generated texts are discussed. This also highlights the limitations of ChatGPT. Through an efficient collaboration between humans and AI these limitations can be overcome and quality goals can be achieved in a joint effort. The theoretically and practically sound results and implications of the research provide guidance to content marketers on the efficient use of ChatGPT.
  • Konferenzbeitrag
    Schülerworkshop KIM: Künstliche Intelligenz zur Multimediagenerierung
    (Proceedings of DELFI Workshops 2024, 2024) Christ, Paul L.; Munkelt, Torsten
    Medienkompetenz und digitale Kompetenz sind wichtige Fähigkeiten, um im digitalen Zeitalter reflektiert mit Online-Medien zu interagieren. Mit dem Aufkommen generativer Künstlicher Intelligenz (KI) ist die Vermittlung von Medien- und Digitalkompetenz, aber auch von KI-Kenntnissen von entscheidender Bedeutung. Dieses Abstract stellt Workshop-Materialien mit dem Titel „Künstliche Intelligenz zur Multimediagenerierung“ (KIM) vor. KIM zielt darauf ab, Konzepte zur Verwendung von KI-Modellen mit praktischen Beispielen zu erklären.