پرامپت‌های تحلیلی و تحقیقاتی

پرامپت‌های تحلیلی و تحقیقاتی (Analytical and Research Prompts) یکی از پیشرفته‌ترین رویکردها در مهندسی پرامپت (Prompt Engineering) هستند که به شما امکان می‌دهند از مدل‌های هوش مصنوعی برای استخراج، ارزیابی و تحلیل داده‌ها یا اطلاعات پیچیده استفاده کنید. این نوع پرامپت‌ها به‌ویژه در شرایطی که نیاز به تصمیم‌گیری مبتنی بر داده، ارزیابی چندمنبعی یا تحلیل عمیق یک موضوع دارید، بسیار کاربردی هستند. به جای درخواست پاسخ ساده، این روش مدل را وادار می‌کند تا مراحل تفکر، مقایسه، تحلیل منطقی و حتی استدلال را به‌کار بگیرد.
کاربرد این تکنیک در حوزه‌های مختلفی از جمله پژوهش‌های علمی، تحلیل بازار، بررسی روندهای فناوری، تحلیل رقبا، و حتی در تحقیقات آکادمیک دیده می‌شود. با استفاده از پرامپت‌های تحلیلی و تحقیقاتی، می‌توانید داده‌های خام را به بینش‌های (Insights) کاربردی تبدیل کنید.
در این آموزش، شما یاد خواهید گرفت که:

1. ساختاردهی پرامپت‌های تحلیلی به‌گونه‌ای که مدل بهترین خروجی را ارائه دهد
2. تکنیک‌های افزایش دقت و کاهش خطا در نتایج
3. استفاده از این رویکرد در پروژه‌های واقعی
4. ایجاد پرامپت‌های چندمرحله‌ای برای تحلیل عمیق
   این مهارت نه‌تنها سرعت تحلیل داده‌ها را بالا می‌برد، بلکه کیفیت تصمیم‌گیری شما را نیز به‌طور چشمگیری بهبود می‌دهد.

در این پرامپت پایه، ابتدا نقش (Role) "تحلیل‌گر بازار" تعریف شده است. این کار به مدل زمینه و جهت فکری لازم را می‌دهد تا خروجی را متناسب با حوزه کاری تحلیل بازار تولید کند. سپس داده‌ها به‌صورت شماره‌گذاری‌شده و دقیق ارائه شده‌اند تا مدل بتواند آن‌ها را جداگانه پردازش کند. استفاده از درصدها به مدل کمک می‌کند تغییرات را کمی‌سازی کرده و الگوها را بهتر شناسایی کند.
دستور نهایی ("خروجی را به صورت لیست شماره‌گذاری‌شده و با توضیح مختصر...") یک فرمت خروجی مشخص می‌دهد که باعث می‌شود نتیجه ساختارمند و خوانا باشد. این امر در پروژه‌های حرفه‌ای اهمیت زیادی دارد، زیرا باعث می‌شود داده‌ها به‌راحتی در گزارش یا داشبورد منتقل شوند.
برای تغییر یا گسترش این پرامپت، می‌توانید:

• از مدل بخواهید دلایل احتمالی هر روند را توضیح دهد.
• به جای 3 روند، تحلیل کوتاه‌مدت و بلندمدت ارائه کند.
• داده‌های چند سال را مقایسه کند.
  به‌طور کلی، این پرامپت ساده اما مؤثر است، چون هم زمینه‌سازی کرده، هم داده‌ها را دقیق ارائه داده و هم خروجی را ساختارمند درخواست کرده است.

Best practices و common mistakes در پرامپت‌های تحلیلی و تحقیقاتی:
بهترین روش‌ها:

1. تعریف دقیق نقش (Role) برای مدل تا زمینه تحلیل مشخص شود.
2. ارائه داده‌ها به‌صورت ساختاریافته (لیست، جدول یا نقاط کلیدی) برای افزایش دقت پردازش.
3. درخواست خروجی با فرمت مشخص (لیست، بخش‌بندی، تیتر) برای خوانایی بالا.

4. استفاده از جزئیات کمی (مانند درصد، ارقام دقیق) برای تحلیل‌های عددی دقیق‌تر.
   اشتباهات رایج:

5. استفاده از داده‌های مبهم یا ناقص که باعث خروجی ضعیف می‌شود.

6. درخواست‌های بیش‌ازحد کلی که مدل را بدون جهت‌گیری رها می‌کند.
7. عدم مشخص کردن قالب خروجی که منجر به نتایج پراکنده می‌شود.
8. ترکیب چند درخواست نامرتبط در یک پرامپت که باعث سردرگمی مدل می‌شود.
   راهکارهای رفع مشکل:

• در صورت دریافت پاسخ غیرمرتبط، داده‌ها را شفاف‌تر و محدودتر کنید.
• از مدل بخواهید مراحل استدلال خود را نیز توضیح دهد.
• پرامپت را به بخش‌های کوچک‌تر تقسیم کنید و نتایج را گام‌به‌گام جمع‌بندی کنید.

تکنیک‌های پیشرفته و مراحل بعدی:
در سطح پیشرفته، پرامپت‌های تحلیلی و تحقیقاتی می‌توانند شامل تحلیل چندمرحله‌ای (Multi-step Reasoning) و استفاده از داده‌های چندمنبعی باشند. همچنین، می‌توان از این پرامپت‌ها برای ایجاد مدل‌های ترکیبی با سایر تکنیک‌های هوش مصنوعی مثل زنجیره فکر (Chain of Thought) یا پرامپت‌های محدودکننده (Constraint Prompts) استفاده کرد.
گام بعدی برای یادگیری می‌تواند شامل آشنایی با روش‌های ارزیابی خروجی مدل، استفاده از ابزارهای کمکی مثل APIهای تحلیل داده و اتصال پرامپت‌ها به داشبوردهای تعاملی باشد.
برای تسلط بر این مهارت، پیشنهاد می‌شود تمرین مداوم با داده‌های واقعی انجام دهید و نتایج را با تحلیل انسانی مقایسه کنید تا الگوهای خطا و نقاط قوت مدل را بشناسید.