Few-shot cho bài tập mẫu

Few-shot prompting là kỹ thuật cung cấp 2–3 ví dụ mẫu (cặp input-output) trước khi yêu cầu AI thực hiện tác vụ tương tự. Trong giáo dục, đây là cách "dạy" AI cách trình bày bài tập, cách nhận xét học sinh, hoặc cách giải bài toán theo đúng chuẩn mực và phong cách của bạn — thay vì viết hướng dẫn dài dòng dễ bị hiểu nhầm.

Giải thích chi tiết

Cơ chế "học theo mẫu" của AI

AI như ChatGPT hoạt động dựa trên pattern recognition (nhận diện mẫu). Khi bạn cung cấp các cặp ví dụ mẫu—ví dụ: [Câu hỏi toán học] → [Lời giải theo định dạng mong muốn]—AI sẽ tự tìm ra quy luật ẩn và áp dụng cho yêu cầu mới. Khác với con người cần giải thích lý thuyết, AI "hiểu" thông qua ví dụ cụ thể nhanh hơn nhiều.

Cấu trúc một "shot" hoàn chỉnh

Một shot (một lần bắn/ví dụ) bao gồm:

• Input: Bài toán, câu hỏi, hoặc tình huống cụ thể
• Output: Cách xử lý mong muốn (lời giải, nhận xét, định dạng văn bản)

Ví dụ:

Input: Tính diện tích tam giác có đáy 6cm và cao 4cm.
Output: Áp dụng công thức S = (a×h)/2 = (6×4)/2 = 12 cm². 
Lưu ý: Đơn vị cm², kết luận rõ ràng.

Số lượng shots: Bao nhiêu là đủ?

• 1-shot: Dùng khi tác vụ đơn giản, chỉ cần gợi ý về định dạng
• 3-shots: "Vàng" cho giáo dục—đủ để AI thấy pattern nhưng không quá dài
• 5+ shots: Khi logic phức tạp (cách chấm luận văn, quy trình phân tích văn bản)

Khi nào few-shot thắng thế?

Dùng few-shot thay vì hướng dẫn tự nhiên (zero-shot) khi:

• Cần định dạng đặc biệt (bảng LaTeX, cấu trúc câu hỏi trắc nghiệm nhiều tầng)
• Muốn AI bắt chước giọng văn cá nhân (cách viết nhận xét, tone giảng dạy)
• Xử lý quy tắc đặc thù (cách trừ điểm toán theo bước, rubric chấm văn nghệ)

Ví dụ thực tế

Tạo bài tập Hình học 10 theo cấu trúc chuẩn

Thay vì yêu cầu "Tạo bài tập hình học có gợi ý nhưng không có lời giải", bạn dùng few-shot:

Ví dụ 1: Đề bài: Cho tam giác ABC vuông tại A, AB = 3cm, AC = 4cm. Tính BC. Gợi ý: Áp dụng định lý Pytago trong tam giác vuông ABC. Đáp số: BC = 5cm

Ví dụ 2: Đề bài: Tính diện tích hình tròn bán kính 7cm (lấy π = 3,14). Gợi ý: Sử dụng công thức S = πR², thay số và tính toán. Đáp số: S = 153,86 cm²

Yêu cầu mới: Đề bài: [Tự động tạo bài toán elip mới] → AI sẽ tự động tạo đúng format: Đề bài → Gợi ý ngắn gọn → Đáp số chính xác, không lời giải chi tiết.

Nhận xét sổ liên lạc điện tử theo phong cách riêng

Mỗi giáo viên có cách viết nhận xét khác biệt (ngắn gọn/kỹ lưỡng/trực tiếp/tế nhị). Thay vì giải thích "viết nhẹ nhàng, tập trung vào tiến bộ", hãy đưa 3 mẫu thực tế:

Mẫu 1: "Em đã có tiến bộ rõ rệt trong việc trình bày bài toán gọn gàng. Cần chú ý dấu chấm phẩy trong bài luận." Mẫu 2: "Tích cực phát biểu xây dựng bài. Lưu ý ôn lại công thức lượng giác để tránh nhầm lẫn trong kiểm tra." Mẫu 3: "Chữ viết cải thiện đáng kể. Cần đọc kỹ đề trước khi làm để tránh bỏ sót ý."

Sau đó đưa thông tin: "Học sinh Nguyễn Văn A: nộp bài đúng hạn, điểm 8, nhưng chữ viết còn xấu, chưa chứng minh đầy đủ bước cuối."

→ AI sẽ viết: "Em đã hoàn thành bài kiểm tra đạt kết quả khá. Cần chú ý trình bày các bước chứng minh đầy đủ hơn và cải thiện chữ viết để bài làm rõ ràng hơn." (Đúng tone: ngắn, thực tế, có gợi ý cụ thể).

Phân loại câu hỏi theo Bloom's Taxonomy

Giáo viên cần phân loại câu hỏi vào các mức độ: Nhớ, Hiểu, Vận dụng, Phân tích, Đánh giá, Sáng tạo.

Ví dụ mẫu: Câu: "Tính diện tích tam giác có đáy 6cm, cao 4cm" → Phân loại: Nhớ (Recall) Câu: "Giải thích tại sao trong tam giác vuông, tổng bình phương hai cạnh góc vuông bằng bình phương cạnh huyền" → Phân loại: Hiểu (Understand) Câu: "Thiết kế một bài toán thực tế sử dụng định lý Pytago để giải quyết" → Phân loại: Sáng tạo (Create)

Yêu cầu mới: "Nêu các bước chứng minh định lý Pytago" → AI trả về "Phân tích" (Analysis) thay vì mặc định là "Nhớ".

Ứng dụng theo đối tượng

Giáo viên THPT (Toán, Lý, Văn, Anh)

• Tạo đề thi: Đảm bảo ma trận đề thi đúng tỷ lệ dễ/trung bình/khó qua các lần ra đề khác nhau
• Chấm bài luận: Huấn luyện AI chấm theo thang điểm 4 bậc (giỏi/khá/trung bình/yếu) với các mẫu chấm cụ thể của tổ chuyên môn
• Sửa lỗi Ngữ văn: Dạy AI nhận diện lỗi diễn đạt theo cách giáo viên thường sửa (ví dụ: gạch chân → giải thích → đề xuất cách viết hay hơn)

Giảng viên Đại học

• Case study: Tạo các tình huống doanh nghiệp/tình huống y khoa theo cùng template để đảm bảo tính nhất quán trong cả học kỳ
• Feedback luận văn: Áp dụng few-shot để AI viết phản biện theo phong cách học thuật của từng ngành (Luật vs Y học vs Kinh tế có cách viết phản biện khác nhau)

Giảng viên trung tâm (Anh ngữ, luyện thi)

• Bài tập cá nhân hóa: Tạo bài tập phù hợp trình độ từng học viên nhưng giữ nguyên format chuẩn của trung tâm (ví dụ: trường Anh Ngữ XYZ luôn có phần "Common Mistakes" sau mỗi bài)
• Speaking prompts: Tạo câu hỏi thảo luận theo độ khó tăng dần dựa trên mẫu câu hỏi đã được kiểm chứng tốt

Quản lý giáo dục & Phòng đào tạo

• Chuẩn hóa đánh giá: Đảm bảo tất cả giáo viên trong trường viết nhận xét sổ liên lạc theo cùng chuẩn mực (ví dụ: luôn có mục "Điểm mạnh" và "Định hướng cải thiện")
• Kiểm duyệt nội dung: Dùng few-shot để AI kiểm tra tài liệu giảng dạy có phù hợp chương trình không, dựa trên các mẫu tài liệu đạt chuẩn đã duyệt trước đó

So sánh các kỹ thuật prompting

Kết luận: Few-shot là "cửa ngõ" giữa đơn giản và phức tạp. Khi zero-shot không đủ chính xác nhưng chưa cần đến logic phức tạp của chain-of-thought, few-shot là lựa chọn tối ưu—đặc biệt khi giáo viên cần AI "bắt chước" phong cách cá nhân mà không thể diễn giải thành lời.

Bài viết liên quan

Cùng cụm: Prompt Engineering Nâng cao

Đọc tiếp: Tự động hóa và Nền tảng