学生と機関のためのChatGPTプラグインで学習を向上させる

ChatGPTプラグインで学習を向上させる

イントロダクション

ChatGPTは、最も高度な会話型AIモデルの一つとして急速に注目を集めており、多様なトピックにわたって人間らしいテキストを生成する能力でユーザーを魅了しています。無料版のChatGPTは人気がありますが、学生や機関向けのChatGPTプラグインを利用することで、ユーザーは自分の体験をカスタマイズし、ウェブを閲覧し、特定の産業や興味に合わせた専門知識モジュールにアクセスすることができます。

ChatGPTプラグインは、大学や機関で学生の教育体験を向上させるためのプラットフォームを提供します。これらのプラグインは、専門ツールやリソースを取り入れることで、チャットボットの応答を特定の学術的要求に合わせることができます。プラグインによって、メインモデルの機能が拡張され、言語翻訳サービス、特定の科目に関する洞察、または難解な数学の問題の解決などが可能となります。さらに、学習の好みも異なるため、新しい改良された学習方法を促進することができます。

学習目標

• ChatGPTプラグインの基本的な利用例を理解する。
• 学生や教育機関向けの人気で影響力のあるChatGPTプラグインのキュレートされたリストに深入りする。
• 学生が新しい概念を学び、問題を理解し、分析し、解決するためにこれらのプラグインを使用できる現実世界の利用例を分析する。
• ChatGPTプラグインを使用したデータ分析のためのコードベースの入力と出力生成に深入りする。

この記事は、データサイエンスブログマラソンの一環として公開されました。

• 大規模言語モデルに追いつく
• 自然言語処理：BERTやGPTを超えて
• 「新しいAIの研究が、化学的な匂いを説明する能力において、機械学習モデルが人間レベルのスキルを達成することを示している」という

生成型AIとChatGPTプラグイン

生成型AIは、与えられた入力から新しい出力を生成することで、デジタルでの作成、分析、および対話を革新しました。ChatGPTは、一貫した文脈に基づいた応答を生成する能力で人気のあるプラットフォームとなっていますが、プラグインの統合により、より専門的な機能、他のソフトウェアとのシームレスな統合、そして教育機関や学生を含むさまざまな産業に対応したユーザーエクスペリエンスを提供することができます。

学生向け人気のあるChatGPTプラグイン

学生向けの人気のあるChatGPTプラグインの一部は以下の通りです：

• ダイアグラム：ChatGPT-4のダイアグラムプラグインは、ダイアグラムを使った視覚的な説明を容易にします。Mermaid、GraphViz、PlantUMLなどの異なる構文をサポートしています。ユーザーは説明や既存のダイアグラムへの変更を処理することができます。
• ScholarAI：ScholarAIは、査読付きの学術論文や研究論文にアクセスするために使用できるプラグインです。このプラグインを使用することで、学生は関連する査読付きの研究を迅速にクエリでき、科学的な研究の改善や洞察を得るための信頼性のあるデータを確保することができます。
• PDFでチャット：チャットウィズPDFは、ChatGPTを通じてインターネットからPDFファイルにアクセスし、クエリを行うことができるユーティリティです。この堅牢なユーティリティを使用すると、リンクを指定するだけでPDFから洞察を得るプロセスが簡素化されます。学生は文書の内容から質問をしたり、特定の詳細を求めることができます。
• ウルフラム：ウルフラムプラグインは、ChatGPTの機能を強化し、計算ツール、数学関数、整理された情報、最新のデータ、視覚化機能に接続することで、数学の処理やデータの計算を含むさまざまな操作を行うことができます。これは、ダイアグラムなどの入力ダイアグラムから取得したデータを使用して数学を読み取り、処理、計算するといった操作と組み合わせることも可能です。
• ビデオインサイト：ビデオインサイトプラグインは、リアルタイムでビデオコンテンツを分析し、価値ある洞察を得るのに役立ちます。学生は、長い講義ビデオからキーポイントの復習や要約を迅速に行い、メモを作成するためにこのプラグインを使用することができます。
• オープンレクチャー：オープンレクチャープラグインは、大学レベルのコンテンツや講義にアクセスするために使用することができます。ポケットに大学の講義、書籍、学習ノートのデジタルアーカイブを所有することを目的としています。
• コードインタプリタ：コードインタプリタは、AIチャットボットのデータのアップロード、コードの記述と編集、さまざまな操作と分析を行う能力を向上させるマルチ機能プラグインです。ChatGPTにデータの分析、チャートの作成、ファイルの編集、数学の計算を依頼することができます。データ分析などに使用することもできます。

ダイアグラムプラグイン

Diagram Pluginとその使用方法について詳しく見てみましょう。Diagram Pluginは、複雑なアイデアやプロセスを表現するための可視化を作成するために使用できます。その機能を活用することで、学生はそれらを説明してデジタルダイアグラムを描くことができます。

例：データサイエンスの学生がニューラルネットワークを視覚化し、それらの特徴や詳細を説明してダイアグラムを作成したいとします。

プロンプト：5つの隠れ層を持つニューラルネットワークを説明してください。各隠れ層の重みのランダムな値、各隠れ層のバイアスのランダムな値、各層の複数のニューロン、活性化関数、その他の情報など、ダイアグラムにすべての詳細を追加してください。gpt4を使用してください。プラグインは使用しないでください。

ChatGPTからの回答

入力層：データがネットワークに供給される場所です。この層のニューロンの数は入力の特徴の数に対応しています。

隠れ層（1〜5）：ここが魔法が起こる場所です。隠れ層の各ニューロンは前の層のすべてのニューロンから入力を受け取り、それを処理（重み、バイアス、活性化関数を使用）して、その出力を次の層のすべてのニューロンに送ります。

出力層：この層は最終的な予測または分類を生成します。ここでのニューロンの数は通常、クラスまたは出力の数に対応しています。
 
 
入力層
|  ニューロン 1
|  ニューロン 2
|  ...
|  ニューロン N

隠れ層 1
|  ニューロン 1（重み：0.5、バイアス：0.3、活性化関数：ReLU）
|  ニューロン 2（重み：0.7、バイアス：0.2、活性化関数：ReLU）
|  ...
|  ニューロン M

隠れ層 2
|  ニューロン 1（重み：0.6、バイアス：0.1、活性化関数：ReLU）
|  ニューロン 2（重み：0.8、バイアス：0.4、活性化関数：ReLU）
|  ...
|  ニューロン O

隠れ層 3
|  ニューロン 1（重み：0.4、バイアス：0.5、活性化関数：ReLU）
|  ニューロン 2（重み：0.9、バイアス：0.2、活性化関数：ReLU）
|  ...
|  ニューロン P

隠れ層 4
|  ニューロン 1（重み：0.3、バイアス：0.3、活性化関数：ReLU）
|  ニューロン 2（重み：0.7、バイアス：0.6、活性化関数：ReLU）
|  ...
|  ニューロン Q

隠れ層 5
|  ニューロン 1（重み：0.5、バイアス：0.4、活性化関数：ReLU）
|  ニューロン 2（重み：0.6、バイアス：0.7、活性化関数：ReLU）
|  ...
|  ニューロン R

出力層
|  ニューロン 1（重み：0.8、バイアス：0.5、活性化関数：Sigmoid）
|  ニューロン 2（重み：0.9、バイアス：0.6、活性化関数：Sigmoid）
|  ...
|  ニューロン S

追加のプロンプト：次に、上記のデータに基づいてダイアグラムを作成するためにダイアグラムプラグインを使用してください。

ChatGPTからの回答

以下は各ニューロンのラベル付きの重みとバイアスを持つニューラルネットワークのダイアグラムです：

このダイアグラムでは：
各円はニューロンを表しています。隠れ層と出力層のニューロン内部のラベルは、そのニューロンの重み（W）とバイアス（B）を示しています。
接続（青で描かれている）はデータのフローとニューロン間の重みを表しています。

ダイアグラムはさらに変更や改善ができます。具体的なGraphViz形式を使用してダイアグラムを作成し、kroki.ioでテストすることができます。この形式を使用すると、ユーザーは特定のダイアグラムを自動的に作成し、値を変更し、ピンポイントの精度でレイアウトを変更することができます。

簡単な例を見てみましょう：

追加のプロンプト：上記のダイアグラムのGraphviz形式の生のダイアグラムソースをkroki.ioに貼り付けてください。

ChatGPTからの回答

digraph G {
 rankdir=LR;
 node [shape=circle, style=filled, color=lightblue];

 subgraph cluster_0 {
 label="入力層";
 I1;
 I2;
 I3 [label="..."];
 I4;
 }

 subgraph cluster_1 {
 label="隠れ層1";
 H11 [label="W: 0.5\nB: 0.3"];
 H12 [label="W: 0.7\nB: 0.2"];
 H13 [label="..."];
 H14;
 }

 subgraph cluster_2 {
 label="隠れ層2";
 H21 [label="W: 0.6\nB: 0.1"];
 H22 [label="W: 0.8\nB: 0.4"];
 H23 [label="..."];
 H24;
 }

 subgraph cluster_3 {
 label="隠れ層3";
 H31 [label="W: 0.4\nB: 0.5"];
 H32 [label="W: 0.9\nB: 0.2"];
 H33 [label="..."];
 H34;
 }

 subgraph cluster_4 {
 label="隠れ層4";
 H41 [label="W: 0.3\nB: 0.3"];
 H42 [label="W: 0.7\nB: 0.6"];
 H43 [label="..."];
 H44;
 }

 subgraph cluster_5 {
 label="隠れ層5";
 H51 [label="W: 0.5\nB: 0.4"];
 H52 [label="W: 0.6\nB: 0.7"];
 H53 [label="..."];
 H54;
 }

 subgraph cluster_6 {
 label="出力層";
 O1 [label="W: 0.8\nB: 0.5"];
 O2 [label="W: 0.9\nB: 0.6"];
 O3 [label="..."];
 O4;
 }

 {I1 I2 I3 I4} -> {H11 H12 H13 H14} [color=blue];
 {H11 H12 H13 H14} -> {H21 H22 H23 H24} [color=blue];
 {H21 H22 H23 H24} -> {H31 H32 H33 H34} [color=blue];
 {H31 H32 H33 H34} -> {H41 H42 H43 H44} [color=blue];
 {H41 H42 H43 H44} -> {H51 H52 H53 H54} [color=blue];
 {H51 H52 H53 H54} -> {O1 O2 O3 O4} [color=blue];
}

このGraphvizのイメージの生のコードをkroki.ioに貼り付けると、ダイアグラムが表示されます。ダイアグラムの各部分は自由に変更できます。

PDFプラグインとのチャット

PDFプラグインを利用すると、学生はPDFを簡単に要約し、キーポイントをメモすることができます。例えば、データサイエンスの研究者は研究論文からキーノートを素早くまとめて書き留めることができます。以下は「大規模言語モデルの包括的な概要」という論文についての例です。

プロンプト: 以下のPDFについて、大規模言語モデルに関する要約をしてください。  https://arxiv.org/pdf/2307.06435.pdf

ChatGPTからの回答:  提供された抜粋は、主にさまざまな大規模言語モデル（LLM）とそれらの構成、データセット、参考文献に関する詳細から構成されているようです。以下は抽出された内容に基づいた要約の概要です。

文書では、以下を含むさまざまなLLMについて説明しています:

• ERNIE 3.0
• Jurassic-1
• HyperCLOV A
• Gopher
• GPT-NeoX-20B
• BLOOM
• Galactica
• GLaM
• LaMDA
• MT-NLG
• AlphaCode
• Chinchilla
• PaLM
• AlexaTM
• Sparrow
• U-PaLM
• GLM
• CodeGen
• LLaMA
• PanGu-Σ
• Bloomberg GPT
• などなど

データセット

1. QuAC: Wikipediaの非表示テキストを使用して、学生と教師の情報検索対話をシミュレートします。機械読解データセットでは見られない独自の課題を導入しています。
2. COPA: オープンドメインの常識的因果関係の推論におけるモデルの進歩を評価します。各質問には前提と2つの代替案があり、モデルはよりもっともらしい代替案を選択する必要があります。
3. WSC (Winograd Schema Challenge): テキスト内の参照を解決する必要がある読解タスクで、しばしば世界知識と推論が必要です。
4. RACE: 中国の英語試験から収集された読解データセットで、長く複雑な文章に関する質問の理解と回答のためのAIモデルのベンチマークを行います。
5. StrategyQA: 複数の証拠を推論することで、AIモデルの戦略的推論能力を評価する必要があります。
6. CSQA (CommonsenseQA): 常識的な知識を必要とする質疑応答データセットです。
7. GLUE (General Language Understanding Evaluation): 自然言語理解システムをトレーニング、評価、分析するためのリソースのコレクションです。さまざまなタスクが含まれており、幅広い言語現象をテストします。

アーキテクチャ

• レイヤー正規化: LLMの性能とトレーニングの安定性に重要な影響を与えます。LLMの中では、入力ではなく出力を正規化するプリノーム（pre-norm）がより一般的です。一部のモデルでは、安定性のために埋め込みレイヤーの前に追加のレイヤー正規化を使用します。ただし、一定のスケールを超えるプリノームの利点については議論があります。
• 位置エンコーディング: LLMの性能とトレーニングの安定性に影響を与えます。さまざまなモデルでは、ALiBiや回転位置エンコーディングなど、異なる位置エンコーディング技術で異なる結果が得られています。
• 並列アテンション: アテンションとフィードフォワードレイヤーを並列に配置することです。

このドキュメントでは、さまざまなLLMで使用されるアーキテクチャモジュールについて詳しく説明し、アーキテクチャとトレーニング戦略の細かな変更が性能と安定性に与える影響について議論しています。レイヤー正規化、位置エンコーディング、並列アテンションがLLMの性能に与える影響について論じています。

Wolframプラグイン

Wolframプラグインは、テキストの説明を使用して数学の問題を解いたり、グラフを描いたりするために学生が使用することができます。以下は、Wolframプラグインを使用して解かれた単純な線形回帰数学問題の例です：

プロンプト: Wolframプラグインを使用して、次の質問を解いてください：

質問: 線形回帰分析

研究者は、学生が勉強する時間と最終試験の点数との関係を調査しています。以下は、10人の学生のサンプルから収集されたデータです：

タスク:

1. 「勉強した時間」をx軸、「試験の点数」をy軸としてデータを散布図でプロットしてください。
2. 与えられたデータに対する最適な適合直線（線形回帰直線）の方程式を計算してください。
3. 方程式を使用して、7時間勉強した学生の試験の点数を予測してください。
4. 決定係数（R^2）を計算し、その意味を解釈してください。
5. データの外れ値やパターンについて議論してください。

ChatGPTからの回答

以下は、与えられたデータに対する線形回帰分析の結果です：

1. 最小二乗法の最適な適合直線（線形回帰直線の方程式）: y= 5.02597x + 45.1039

適合診断

• AIC (赤池情報量基準): 6.21293
• BIC (ベイズ情報量基準): 7.12068
• R2 (決定係数): 0.998999
• 調整済みR2: 0.998874

最小二乗法の適合プロット

残差のプロット：

方程式y=5.02597x+45.1039を使用して、7時間勉強した学生の試験の得点を予測することができます：

y=5.02597(7)+45.1039

この予測を計算しましょう。

7時間勉強した学生の予測される試験の得点は約y≈80.29です。

まとめると

1. 与えられたデータに対する最適な適合直線（線形回帰直線）の方程式はy=5.02597x+45.1039です。
2. 7時間勉強した学生の予測される試験の得点は約80.29です。
3. 決定係数R2は0.998999であり、試験の得点の分散の約99.9%が勉強時間によって説明されることを示しています。これは2つの変数間に強固な線形関係があることを示しています。
4. 残差プロットと高いR2値から、線形モデルがデータに適合していることが示唆されます。

Code Interpreterプラグイン（高度なデータ分析プラグイン）

Advanced Data Analysisプラグイン（旧Code Interpreter）を使用すると、CSVファイルをアップロードし、それらに対して分析を行い、特定の機械学習モデルを実行して出力を予測することができます。以下は例です：

Moonlanding.csvというデータセットには、月への着陸の試みに関する情報が含まれています。ChatGPTデータ分析プラグインにEDAを実行し、結果を表示してみましょう。

プロンプト：これは月面着陸に関するデータセットです。それに対して探索的データ分析を行い、すべての結果を表示してください。

ChatGPTからの応答

# 異なるエンコーディングでデータセットを読み込んでみる
moon_landing_data = pd.read_csv('/mnt/data/Moonlanding.csv', encoding='ISO-8859-1')

# 最初のいくつかの行を表示する
moon_landing_data.head()

# 数値列の要約統計
summary_stats = moon_landing_data.describe()

# 各列のデータ型と非nullの数を表示する
data_info = moon_landing_data.info()

unique_values = moon_landing_data.nunique()

summary_stats, unique_values

基本統計情報から

1. データセットには158のレコードが含まれています。
2. すべての列はオブジェクト（文字列）データ型です。
3. 「追加情報」には1つの欠損値があります。
4. 147のユニークなミッション名がありますが、158のユニークな宇宙船名があります。これは、いくつかのミッションに複数の宇宙船がある可能性があることを示しています。
5. 「キャリアロケット」には51のユニークなタイプがあり、最も頻度が高いのは「Proton-K/D」です。
6. データセットには22の異なるオペレーターのレコードが含まれており、「United States NASA」が最も頻度が高いです。
7. 13のユニークなミッションタイプがあり、「オービター」が最も頻度が高いです。
8. 「アウトカム」の列には6つのユニークな値があり、「成功」が最も頻度が高いです。

import matplotlib.pyplot as plt
import seaborn as sns

# 図と軸を設定する
plt.figure(figsize=(12, 6))

# ミッションのアウトカムに基づいてミッションの分布をプロットする
sns.countplot(data=moon_landing_data, y='Outcome', 
order=moon_landing_data['Outcome'].value_counts().index, palette="viridis")
plt.title('ミッションのアウトカムに基づく分布')
plt.xlabel('ミッションの数')
plt.ylabel('アウトカム')

plt.tight_layout()
plt.show()

この視覚化により、ミッションのアウトカムに基づく月面ミッションの分布について洞察が得られます：

1. 多くのミッションが成功しています。
2. 多くのミッションが打ち上げの失敗に直面しています。
3. 「部分的な失敗」や「ミッションの失敗」として分類されるミッションも多数あります。

可視化は、月のミッションの時間的な分布に関する洞察を提供します：

1. 1950年代後半から1960年代にかけて、月のミッションが急増しました。この期間は、アメリカとソ連の宇宙競争に対応しています。
2. 1970年代後半から1980年代、1990年代初頭には、月のミッションが減少しました。
3. 1990年代半ばから2000年代、そして2020年代に至るまで、月のミッションは増加傾向にあり、月の探査に対する再びの関心が示されています。

可視化は、ミッションの種類に基づいた月のミッションの分布に関する洞察を提供します：

1. オービターミッションが最も一般的であり、多くのミッションが着陸せずに月を周回することを目指していることを示しています。
2. フライバイミッションとインパクターミッションも比較的頻繁に行われています。
3. ローバーミッション、サンプルリターンミッション、ランダーミッションは少なく、月の表面との物理的な相互作用を伴うミッションは一般的ではありません。

# 最も頻繁に使用される上位5つのキャリアロケット
top_rockets = moon_landing_data['Carrier Rocket'].value_counts().head(5)

top_rockets

キャリアロケット

月のミッションで最も頻繁に使用される上位5つのキャリアロケットは次の通りです：

1. Proton-K/D（24ミッション）
2. Molniya-M（12ミッション）
3. SLS Block 1（11ミッション）
4. Saturn V（10ミッション）
5. Luna（9ミッション）

この情報は、年々の月のミッションに選ばれた人気のあるロケットについての一端を示しています。これにより、月着陸データセットの初期の探索的データ分析を終えます。

結論

ChatGPTは、対話型AIの進化を証明する存在であり、単なる対話だけでなく、さまざまな機能を提供しています。特に学生や大学のためのプラグインの統合は、学習方法を改善するための革新的なアプローチです。Diagramプラグインによる視覚的な説明や学術論文へのアクセス、またはコードインタプリタプラグインによる分析や探索的データ分析など、ChatGPTプラグインは学生にとってさまざまな用途があります。さらに、これらのプラグインは、数学の問題を視覚化するためにDiagramとWolframプラグインを組み合わせるようにシームレスに統合することができます。

重要なポイント

• プラグインによる拡張機能：ChatGPT Plusのプラグインにより、ユーザーは自分の経験をカスタマイズし、専門知識にアクセスし、他のソフトウェアと統合することができます。それにより、特定の産業や興味に合わせた対応が可能となります。
• 教育の変革：学生や学術機関にとって、DiagramやScholar AIなどのプラグインは、視覚的な説明から査読付きの研究へのアクセスまで、学習体験をカスタマイズすることを可能にします。
• プラグインの多目的性：学生はシンプルなプロンプトで簡単に学習し、教育コンテンツを作成するために、複数のプラグインを複数の方法で使用することができます。Diagramプラグインは、任意の図を作成および変更するのに便利ですし、Wolframは自然言語のプロンプトを使用して簡単に簡単な問題から複雑な問題まで解決することができます。

よくある質問

この記事に表示されているメディアはAnalytics Vidhyaに帰属せず、著者の裁量で使用されています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!