مهندسی پرامپت و مدل‌های زبانی بزرگ: فرصت‌ها و چالش‌های تحول‌آفرین در آموزش شیمی

این مقاله مروری با هدف بررسی نقش مدل‌های زبانی بزرگ (llm ها) و مهندسی پرامپت در آموزش، به‌ویژه در حوزه شیمی، انجام شده است. مرور نیمه‌نظام‌مند منابع منتشرشده بین سال‌های 2020 تا 2025 نشان داد که بهره‌گیری از این فناوری‌ها فرصت‌های قابل توجهی برای ارتقای فرآیند یاددهی–یادگیری فراهم می‌کند. از جمله مهم‌ترین کارکردهای گزارش‌شده می‌توان به تولید محتوای آموزشی متنوع، طراحی طرح درس‌های‌ خلاقانه، شخصی‌سازی مسیر یادگیری، تدوین تمرین‌ها و فعالیت‌های آزمایشگاهی ایمن و شبیه‌سازی واکنش‌های شیمیایی اشاره کرد. شواهد تجربی بیانگر آن است که پرامپت‌نویسی ساختارمند و هدفمند، دقت علمی پاسخ‌ها و اثربخشی آموزشی مدل‌ها را به‌طور معناداری افزایش می‌دهد و بدین ترتیب، llm ها می‌توانند در نقش دستیار آموزشی موثر عمل کنند. افزون بر این، به‌کارگیری راهبردهایی مانند زنجیره‌ی استدلال، تعیین نقش و بازیابی اطلاعات در مهندسی پرامپت، توان مدل‌ها را در حل مسائل پیچیده تقویت می‌کند. در مقابل، چالش‌هایی نظیر بروز خطای هلوسینیشن، حساسیت عملکرد مدل‌ها به کیفیت پرامپت‌ها و ضرورت نظارت انسانی، از موانع اصلی استفاده مستقل از این ابزارها به شمار می‌رود. در مجموع، یافته‌ها نشان می‌دهد که آموزش شیمی در عصر هوش مصنوعی نیازمند ترکیب مهارت‌های فناورانه، پداگوژیک و اخلاقی است و توسعه چارچوب‌های بومی، آموزش مهارت پرامپت‌نویسی به معلمان و انجام پژوهش‌های تجربی برای ارزیابی اثربخشی واقعی این ابزارها از مسیرهای مهم آینده‌پژوهی در این حوزه محسوب می‌شوند.

prompt engineering and large language models: opportunities and challenges in transformative chemistry education

this review article aims to examine the role of large language models (llms) andprompt engineering in the field of education, with a particular focus on chemistryinstruction. a semi-systematic review of the literature published between 2020 and2025 revealed that these technologies provide significant opportunities to enhance theteaching–learning process. key functions include the generation of diverse educationalcontent, the design of creative lesson plans, personalized learning, the development ofexercises and safe laboratory activities, as well as the simulation of chemical reactions.empirical evidence indicated that structured and purposeful prompt design substantiallyimproves the scientific accuracy of responses and increases educational effectiveness.furthermore, employing strategies such as chain-of-thought prompting, roleassignment, and information retrieval within prompt design strengthens the models’capacity to address complex problems. at the same time, challenges such ashallucination errors, the sensitivity of models to prompt quality, and the necessity ofhuman oversight were identified as major barriers to the independent use of these tools.accordingly, the findings suggest that llms can serve as effective educationalassistants. the overall conclusion of this study is that chemistry education in the era ofartificial intelligence requires a combination of technological, pedagogical, and ethicalcompetencies. the development of localized frameworks, the training of teachers inprompt engineering, and empirical research on assessing the real effectiveness of thesetools constitute crucial directions for future studies.