- งานเขียนจาก LLM ตั้งแต่คำตอบของนักเรียนไปจนถึงรีวิวบทความวิชาการ แม้ภายนอกจะดูน่าเชื่อถือ แต่แทบไม่มอบ ความคิดหรือประสบการณ์ใหม่ ให้ผู้อ่านเลย
- เหตุผลที่ผู้คนมอบหมายงานเขียนให้โมเดล แบ่งได้เป็นกรณีที่มองว่างานนั้นไม่สำคัญ เชื่อว่าโมเดลเขียนได้ดีกว่าตนเอง หรืออยากสร้าง ข้อความเชิงพาณิชย์แบบอัตโนมัติ
- หากจุดประสงค์ของการเขียนคือการ ถ่ายทอดความคิดของตนเอง ผลลัพธ์จาก LLM ที่ไม่มีความคิดของตัวเองก็ใกล้เคียงกับสิ่งผลิตที่ว่างเปล่ายิ่งกว่าการลอกงาน
- งานที่ดูเป็นทางการอย่างการบ้านในชั้นเรียนและการรีวิวบทความ แท้จริงแล้วต้องอาศัยการคิดและการตัดสินใจ และ LLM ก็ทำได้เพียงสร้างข้อความ ไม่อาจแทนที่ กระบวนการคิด ได้
- ตัวอย่าง 234 คำที่สร้างด้วย Gemini มีเพียงการพูดซ้ำพรอมป์ต์อย่างเยิ่นเย้อและเติมคำกล่าวทั่วไป จนทำให้ พรอมป์ต์ต้นฉบับ น่าอ่านกว่าผลลัพธ์เสียอีก
ลักษณะสำนวนและข้อจำกัดที่ปรากฏในงานเขียนจาก LLM
- เวลาตรวจการบ้านนักศึกษา มักเจอข้อความที่ดูเหมือนผลลัพธ์จาก ChatGPT เช่นคำตอบที่อธิบายข้อเสียของมุมออยเลอร์ (Euler angles)
- คำตอบลักษณะนี้มักเยิ่นเย้อ คลุมเครือ ยึดติดกับสไตล์ bullet ตัวหนา และชอบพูดซ้ำพรอมป์ต์
- สำนวนแบบ ChatGPT มีเอกลักษณ์ชัดพอจะสังเกตได้ แต่ผู้เขียนเห็นว่ายังไม่ใช่หลักฐานชี้ขาดถึงขั้นส่งต่อให้คณะกรรมการเกียรติยศ
- แม้จะตั้งประเด็นขึ้นมา ก็ยังไม่แน่ใจว่าประโยชน์ด้านความซื่อสัตย์ทางวิชาการจะคุ้มกับเวลาที่ต้องเสียไปในการโต้แย้งเรื่องนี้หรือไม่
เหตุผลที่ผู้คนให้ LLM เขียนแทน
-
งานที่รู้สึกว่าไม่สำคัญ
- ผู้เขียนมองว่านี่เป็นท่าทีที่พบบ่อยในหมู่นักศึกษาที่มองการเรียนเป็นเพียงชุดของอุปสรรคเพื่อให้ได้ปริญญา
- แรงจูงใจคล้ายกันนี้กำลังเพิ่มขึ้นในรีวิวบทความด้วย และยก paper reviews เป็นกรณีอ้างอิง
- นักวิจัยจำนวนมากอาจมองการรีวิวเป็นงานประกอบของภาระงานที่ล้นอยู่แล้ว และรู้สึกว่าหาเวลาเขียนรีวิวดี ๆ ได้ยาก
-
กรณีที่เชื่อว่าโมเดลเขียนได้ดีกว่า
- เพื่อนร่วมงานบางคนเชื่อว่า LLM สร้างงานเขียนได้ดีกว่าตัวเอง
- จากที่สังเกต ปรากฏการณ์นี้ดูพบบ่อยกว่าในคนที่ใช้อังกฤษเป็นภาษาที่สอง
- ผู้เริ่มต้นเขียนโปรแกรมก็คล้ายกัน โดยโยงไปถึงท่าทีที่มองการเขียนโปรแกรมเป็นเหมือนคาถาลึกลับที่ต้องท่องจำ
- ในงานเขียนเชิงวิชาการก็มีการใช้งานลักษณะนี้เช่นกัน โดยเชื่อมโยงไปยัง academic writing
-
งานเขียนที่สร้างอัตโนมัติเมื่อมีผลประโยชน์เกี่ยวข้อง
- ตัวอย่างได้แก่ astroturfing, แชตบอตบริการลูกค้า, และบทนำยืดยาวของสูตรอบขนมบนอินเทอร์เน็ต
- ผู้เขียนมองว่างานเขียนแบบนี้ไม่ได้เขียนมาให้คนอ่านจริง ๆ และก็ไม่ได้บรรจุ เจตนาของผู้เขียน ไว้ด้วย
- ในขอบเขตที่พูดถึงแรงจูงใจส่วนบุคคล ผู้เขียนไม่ได้ลงลึกกับประเภทนี้มากนัก
เป้าหมายของการเขียนและความว่างเปล่าของผลลัพธ์จาก LLM
- เหตุผลหลักที่มนุษย์เขียน คือเพื่อ ถ่ายทอดความคิดที่เป็นต้นฉบับ
- ความคิดนั้นไม่จำเป็นต้องพิเศษหรือเป็นวิชาการ จะเป็นเรื่องวันหยุด สุนัขที่เลี้ยง หรือสีที่ชอบก็ได้
- เงื่อนไขสำคัญคือมันต้องเป็น ความคิดของตัวเอง
- หากคัดลอกคำพูดของผู้อื่น ก็จะถ่ายทอดความคิดของตนเองไม่ได้ แต่ก็ยังถือว่าถ่ายทอดความคิดของมนุษย์อยู่
- เนื่องจาก LLM ไม่มีความคิดของตัวเองโดยโครงสร้าง การเผยแพร่ผลลัพธ์ของมันจึงใกล้เคียงกับการกระทำที่ไร้จุดหมาย
งานที่ดูไม่สำคัญ แท้จริงแล้วสำคัญ
- ผู้เขียนเห็นว่าการไปคอมเมนต์สรุปบทความที่คอมพิวเตอร์สร้างไว้ใต้โพสต์บน Reddit เป็นการเสียเวลาของทุกฝ่าย
- ถ้าต้นฉบับตื้นเขินจนอ่านแค่สรุปก็พอ ก็ไม่มีค่าพอจะเข้าไปร่วมคอมเมนต์
- ถ้าต้นฉบับต้องอาศัยการอ่านทำความเข้าใจโดยมนุษย์จริง ๆ สรุปนั้นก็ไร้ความหมาย
- จุดมุ่งหมายของงานเขียนในชั้นเรียนไม่ใช่ตัวข้อความที่ผลิตออกมา แต่คือการ บังคับให้นักศึกษาคิด
- LLM สร้างผลลัพธ์ได้ แต่สร้างกระบวนการคิดไม่ได้
- ในการรีวิวบทความ รีวิวแบบครึ่ง ๆ กลาง ๆ มีแต่จะสร้างงานที่ไม่จำเป็นให้ผู้เขียนต้นฉบับ และไม่ได้ให้ข้อมูลใหม่แก่บรรณาธิการเกินกว่าสิ่งที่รู้อยู่แล้ว
โต้แย้งความเชื่อที่ว่า “โมเดลดีกว่า”
- ผู้เขียนมองว่าในงานสื่อสารเชิงวิชาชีพ LLM มักถูกใช้เพื่อเพิ่มคำฟุ่มเฟือยหรือปรับโทนของพรอมป์ต์เดิมเสียมากกว่า
- ในกระบวนการนั้น ความหมายเดิมกลับพร่าเลือน และแม้แต่ความคิดง่าย ๆ ก็ถูกซ้อนทับด้วยคำที่ไม่จำเป็นหลายชั้น
- ถ้าโชคดีก็อาจไม่ผิด แต่บ่อยครั้งมันก็แต่งรายละเอียดสำคัญขึ้นมาทั้งหมด หรือสร้างข้อความที่เข้าใจได้ยาก
- งานเขียนที่ยังไม่เก่งของมนุษย์ อย่างน้อยก็ยังคาดหวังได้ว่ามี ความเข้าใจภายใน ที่อยากสื่อสาร แต่กับ LLM เราคาดหวังอย่างนั้นไม่ได้
การเขียนโปรแกรมและ vibe coding
- ผู้เขียนรู้สึกเข้าใจโปรแกรมเมอร์มากกว่าเล็กน้อย แต่เห็นว่าผลระยะยาวกลับเป็นอันตรายแบบแนบเนียนกว่า
- เมื่อนึกถึง Programming as Theory Building ของ Peter Naur ผู้เขียนเห็นว่าการสร้างโปรแกรมที่ซับซ้อนพอต้องมีไม่ใช่แค่ผลลัพธ์เป็นโค้ด แต่ต้องมี ทฤษฎีเกี่ยวกับโครงสร้างตรรกะ ที่อยู่เบื้องหลังด้วย
- vibe coding ถูกนิยามว่าเป็นวิธีที่ปล่อยให้การสร้างโปรแกรมพึ่งพาการสร้างจาก LLM เกือบทั้งหมด
- วิธีนี้สร้างผลลัพธ์ที่ไร้ทฤษฎีรองรับ และทำให้โค้ดที่ได้แทบไม่มีประโยชน์ใช้งานจริง
- ตามถ้อยคำของ Naur โปรแกรมเช่นนั้นคือโปรแกรมที่ตายแล้ว และในที่นี้ผู้เขียนเปรียบว่ามันแทบจะตายตั้งแต่เกิด
- มีการยกกรณี แอปสูตรอาหารแบบ vibe-coded ที่ทำ OpenAI key รั่ว เป็นตัวอย่างของแอป vibe-coded ที่มีปัญหาด้านความปลอดภัย
การทดลองกับ Gemini
- ผู้เขียนนำใจความของบทความไปใส่ใน Google Gemini แล้วขอให้ช่วยเขียนให้จบเป็นย่อหน้าสั้น 2 ย่อหน้า
- ผลลัพธ์จาก Gemini มี 234 คำ และถูกประเมินว่าแทบไม่ทำอะไรนอกจากพูดซ้ำพรอมป์ต์ให้ยาวขึ้น
- น้ำเสียงยังคงติดอยู่กับคำกล่าวทั่วไปแบบกว้าง ๆ ที่ไม่มีความหมาย แม้จะใช้คำศัพท์ใหญ่โต แต่ก็ไม่ได้ใช้อย่างมีรสนิยม
- ประโยคตัวอย่าง “Perhaps it stems from a desire for efficiency, a wish to quickly generate text without the perceived effort of crafting each sentence.” เป็นกรณีที่นำความคิดเล็ก ๆ มาขยายเป็นประโยคใหญ่
- ความหมายเดียวกันนั้นย่อเหลือ “Perhaps it stems from a desire for efficiency.” ได้ และถ้าขัดเกลาอีกก็จะเป็น “Perhaps people do it for efficiency.”
- การทดลองนี้นำไปสู่ข้อสรุปว่า LLM เก่งเรื่องการยืดคำพูดไร้สาระ แต่ไม่ได้เก่งอย่างอื่นนัก
บทสรุปว่าขออ่านพรอมป์ต์ยังจะดีกว่า
- ผู้เขียนระบุว่าไม่เคยมีครั้งไหนที่อยากดูผลลัพธ์จากโมเดลเชิงสร้างสรรค์ ไม่ว่าจะเป็นภาพ ข้อความ เสียง หรือวิดีโอ มากกว่าพรอมป์ต์ต้นฉบับ
- ผลลัพธ์ที่สร้างขึ้นมี เนื้อแท้ น้อยกว่าพรอมป์ต์ และกระบวนการสร้างก็ไม่มีวิสัยทัศน์ของมนุษย์อยู่ในนั้น
- จุดมุ่งหมายของการสร้างสรรค์คือการแบ่งปันประสบการณ์ของตนเอง และถ้าไม่มีประสบการณ์จะถ่ายทอด ก็ไม่มีเหตุผลอะไรนักที่จะต้องสร้างมันขึ้นมา
- ปิดท้ายด้วยข้อสรุปว่า งานเขียนที่ไม่คู่ควรแก่การเขียน ก็ไม่คู่ควรแก่การอ่านเช่นกัน
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ผมขอเพื่อนร่วมงานที่ใช้ LLM สร้าง ข้อความยืดยาวอย่างไร้สาระ ในที่ทำงานไปหลายครั้งแล้วว่า ส่งแค่พรอมป์มาให้ดีกว่า
ถ้า LLM สามารถสร้างข้อความยาว ๆ จากอินพุตที่จำกัดได้ สิ่งที่จำเป็นจริง ๆ ก็คือ อินพุตที่กระชับ นั้นเท่านั้น ส่วนที่เหลือมองว่าเป็นน้ำที่แต่งเติมขึ้นมา
เมื่อพิมพ์หรือพูดตามกระแสความคิดที่มีวงเล็บเยอะและกึ่งมีโครงสร้าง แล้วขอให้สรุป มันมักจะจัดระเบียบสิ่งที่ผมตั้งใจจะพูดได้ดีกว่า
คล้ายกับคำพูดโด่งดังของ Pascal ที่ว่า “ถ้ามีเวลา ผมคงเขียนจดหมายให้สั้นกว่านี้แล้ว”
อนึ่ง เมื่อลองให้ LLM บีบอัดประโยคข้างต้น ก็ได้ประมาณว่า “เมื่อยากที่จะถ่ายทอดความคิดที่คลุมเครือ การพูดหรือเขียนความคิดที่จัดระเบียบไว้ครึ่งหนึ่งออกมายาว ๆ แล้วขอให้ LLM สรุป จะช่วยจับเจตนาได้ชัดเจนและมีประสิทธิภาพกว่า”
ตอนนี้ AI ก็กลายเป็นแค่ เครื่องพิมพ์ผลลัพธ์สวย ๆ แบบสูญเสียข้อมูล ไปแล้ว
พอติดต่อได้ในที่สุด เขาก็ยอมรับว่าเอา requirement จริงใส่ลงใน ChatGPT และ “ไม่มีเวลาตรวจผลลัพธ์” ซึ่งทำให้โกรธมากจริง ๆ
LLM ไม่สามารถรู้เรื่องเกี่ยวกับตัวผมได้มากกว่าสิ่งที่ให้ไปในพรอมป์ ดังนั้นผลลัพธ์จึงให้ข้อมูลมากกว่าพรอมป์ไม่ได้
สำหรับคำถามเกี่ยวกับความรู้สาธารณะ มันมีประโยชน์กว่ามาก เพราะสามารถดึงข้อมูลใหม่จากแหล่งภายนอกมาได้
ผมชอบมุมมองของผู้เขียน: ไม่ใช่การตัดสินคุณค่าของบุคคลที่ใช้ LLM อย่าง ChatGPT หรือ Gemini แต่หมายความว่าความคิดที่ใส่ลงไปในการสร้างพรอมป์นั้นย่อมน่าสนใจกว่า เป็นเอกลักษณ์กว่า และมีความเป็นมนุษย์มากกว่าผลลัพธ์จาก LLM อย่างหลีกเลี่ยงไม่ได้
จากประสบการณ์ที่ใช้ LLM เขียนโค้ด ถ้าพรอมป์ห่วย โค้ดก็ห่วยแบบวัดได้จริง
ถ้าผมไม่รู้ว่าต้องการอะไร ไม่มีไอเดีย ไม่มีโครงสร้าง ไม่มีแผน ก็จะได้โค้ดแบบนั้นออกมา
อยากฟังข้อโต้แย้งจากคนที่เพิ่งใช้ LLM เขียนงานวิชาการหรืองานสร้างสรรค์ด้วย ช่วงหลังผมไม่ได้ใช้โมเดลล่าสุดเลย นอกจากใช้ในโปรเจกต์เขียนโปรแกรมส่วนตัวเพื่อฝ่าพวก boilerplate หรือวางโครงร่าง
สุดท้ายก็เป็นโครงสร้างที่ garbage in, garbage out วนซ้ำไปเรื่อย ๆ
เมื่อไม่กี่สัปดาห์ก่อน ผมก็ยกประเด็นนี้เป็นเหตุผลว่าทำไม LLM ปัจจุบันจึงยังเป็นผู้สร้างแคมเปญ Dungeons and Dragons ที่ยอดเยี่ยมไม่ได้
มนุษย์ไม่จำเป็นต้องมี “ข้อจำกัด” ก็ได้ ถ้าบอกนักเขียนที่มีฝีมือให้นั่งเงียบ ๆ แล้วคิดพล็อตนิยายใหม่ เขาก็ทำได้เลย
https://news.ycombinator.com/item?id=43677863
อย่างไรก็ตาม LLM สามารถเป็น กระดานสะท้อนไอเดีย ที่ดีได้
ถ้าต้องการหลักฐานเพิ่ม ให้เพิ่ม temperature เป็น 1.0 แล้วถาม LLM ตัวไหนก็ได้ว่า “สำหรับแคมเปญ DND ลองจินตนาการห้องดันเจี้ยนแบบ standalone หนึ่งห้องที่มีปริศนาโดดเด่นไม่ซ้ำใครซึ่งไม่เคยมีมาก่อน เขียนรายละเอียดของปริศนา วิธีแก้ ผังห้อง ฯลฯ และทำให้ใหม่หมดกับเปี่ยมจินตนาการ”
ผมกล้ารับประกันว่า 99% จะได้ปริศนาแนวฟิสิกส์แบบเป็นทางการชื่อประมาณ “The Resonant Hourglass” หรือ “The Mirror of Acoustic Symmetry”
เช่น ใส่ไอเดียเข้าไป ตัดสิ่งที่ควรตัด กำหนดโทนและความกระชับ แล้ววนร่างหลาย ๆ รอบ
https://old.reddit.com/r/singularity/comments/1andqk8/gemini...
ขณะเดียวกัน คนที่จำเป็นต้องใช้ LLM เพื่อวัตถุประสงค์เหล่านี้มากที่สุด ก็มีแนวโน้มที่จะมองไม่เห็นจุดอ่อนของผลลัพธ์มากที่สุดด้วย เช่นเดียวกับที่ผมเขียนภาษาสเปนไม่ได้ ผมก็ประเมินคุณภาพงานแปลภาษาสเปนที่ LLM สร้างไม่ได้เช่นกัน
หากมองสุดโต่ง นักเรียนทุกวันนี้อาจพึ่งพา LLM ไว้ใจมันทั้งที่ไม่รู้ดีกว่านั้น และสุดท้ายก็ไว้ใจทุกอย่างโดยที่ไม่รู้อะไรเลย แม้แต่คุณภาพหรือประสิทธิภาพก็อาจประเมินไม่ได้
มีด้านหนึ่งที่ผมมองต่างจากผู้เขียนคือการเขียนโค้ด ถึงผมจะชอบอัลกอริทึม แต่โค้ดเขียนขึ้นเพื่อให้คอมพิวเตอร์อ่าน และผมไม่รู้สึกว่าเป็นปัญหาใหญ่ที่คอมพิวเตอร์จะเขียนโค้ด
LLM ช่วยประหยัดเวลาเขียนฟังก์ชันง่าย ๆ ได้มาก ทำให้ข้ามงานจุกจิกน่าเบื่อของโปรเจกต์ไปได้เร็วและไปโฟกัสส่วนที่น่าสนใจ
ผมคิดว่าคำพูดของ Miyazaki ที่ว่า “มนุษย์สูญเสียความมั่นใจ” นั้นตรงที่สุด LLM อาจเป็นเครื่องมือชั้นยอดในการทำงานซ้ำซากน่าเบื่อให้เป็นอัตโนมัติ แต่การคิดว่ามันสามารถแทนที่มุมมองเฉพาะตัวของมนุษย์ได้นั้นเป็นเรื่องน่าเศร้า
แทบไม่ช่วยเรื่องการวางโครงสร้างเลย การเขียนคือการทำความเข้าใจให้ชัดเจนมากจนแม้ลดทอนความหมายนั้นลงเป็นถ้อยคำแล้ว คนอื่นก็ยังจับมันได้
ผมเห็นด้วยว่า LLM ไม่ค่อยช่วยในส่วนนั้น
แต่ข้อมูลทั้งหมดต้องอยู่ในพรอมป์ ไม่อย่างนั้นมันจะหลอน
ผลลัพธ์ยังไม่ถึงระดับส่งได้ทันที แต่เพียงพอสำหรับเริ่มต้นและวนปรับ แทนที่จะจ้องหน้าจอว่างเปล่า
ผมอยากให้มันลองเขียนส่วนวิธีวิจัยด้วย เพราะเป็นงานที่ต้องพูดข้อมูลเกือบเหมือนเดิมซ้ำ ๆ ในถ้อยคำที่ต่างกันในทุกเปเปอร์
แต่ตอนนี้ยังไม่ไว้ใจความถูกต้องของรายละเอียดทางเทคนิค LLM เป็นเพียงโมเดลภาษาเท่านั้น ไม่ได้มีความรู้หรือความเข้าใจ
ถ้าเขียนแบบนี้ LLM ก็เหมือน อัลกอริทึมบีบอัดย้อนกลับ เอาไอเดียง่าย ๆ ไปให้ LLM ขยายจนรก แล้วคนอื่นก็ใช้ LLM สรุปกลับมาให้ใกล้เคียงกับพรอมป์ต์เดิมอีกที
คนที่ได้ประโยชน์จากงานไร้ความหมายนี้มีแค่ Sam Altman กับพวกพ้อง และพวกเขาก็เก็บไปสักประมาณ $0.000000001 เป็นค่าตอบแทนที่ทำให้สิ่งนี้เกิดขึ้นได้
ข้อยกเว้นคือข้อความและโค้ดที่เป็นงานซ้ำ ๆ หรือแนว boilerplate ซึ่งต้องเอาข้อมูลน้อย ๆ มาเขียนให้ยาว
http://prize.hutter1.net/
แค่ดูคำนำกับ FAQ และข้อที่ชนะทั้งหมดซึ่งตอนนี้เป็น โครงข่ายประสาทเทียม ก็พอ
ผมว่าคำตอบต่อความท้อแท้ของผู้สอนค่อนข้างเรียบง่าย หลายคนไม่ได้อยู่ในมหาวิทยาลัยเพื่อเรียนรู้และบ่มเพาะจิตใจ แต่อยู่เพื่อเอาตัวรอดใน ระบบเศรษฐกิจดาร์วินนิยมทางสังคมอันโหดร้าย
คนที่มาเพื่อศึกษา Euler angles อย่างจริงใจนั้นมีน้อยมากอยู่แล้ว ส่วนที่เหลือมองว่ามันเป็นด่านที่ต้องผ่านเพื่อให้ได้งานที่อาจถูก AI ทำแทนในอนาคต
ถ้ามองจากมุมการเสริมแรงแบบมีเงื่อนไข ผู้สอนก็แค่หักคะแนนนักศึกษาที่เห็นชัดว่าโกง
ตามทฤษฎีแล้ว นักศึกษาจะเลิกทำ หรือไม่ก็จะเก่งพอที่จะไม่ถูกจับได้ แบบหลังอาจเป็นทักษะที่มีความต้องการในอนาคตก็ได้
มันก็แปลกอยู่ที่พ่อแม่บอกว่า “ถ้าผ่านด่านพวกนี้ได้ ทุกครั้งที่ลูกบดงาให้บริษัทไหนสักแห่งจนทำเงินได้ 1 ดอลลาร์ เราจะเพิ่มให้อีก 2 ดอลลาร์”
การทำงานและให้การศึกษาตัวเองเป็นเรื่องดีและมีศักดิ์ศรีไม่ใช่หรือ นี่เป็นดีลที่แย่หรือไง?
อย่างน้อยในหน้าเว็บของเขาก็ระบุไว้แบบนั้น: https://claytonwramsey.com/about/
อาจารย์เองก็ไม่ได้รับการฝึกอบรมด้านการสอนจริง ๆ เหมือนกัน แต่คนนี้ก็ดูไม่ได้เรียนวิธีสอนอย่างถูกต้องมาด้วย
สุดท้ายแล้วเขายังค่อนข้างหนุ่ม และบทความนั้นก็ใกล้เคียงกับปฏิกิริยาแรง ๆ แบบเขียนทันทีมากกว่า ควรประเมินตามนั้น
การใช้ LLM มีได้หลายวิธี
ปัญหาอยู่ที่บางคนโยน พรอมป์ต์สั้น ๆ แบบครั้งเดียวจบ เข้าไป แล้วได้เอาต์พุตทั่วไปและน่าเบื่อออกมา มันคือ “ขยะเข้า เอาต์พุตทั่วไปออก”
วิธีที่ผมใช้จริง ๆ คือระบายความคิดออกมาแล้วขอความช่วยเหลือในการจัดระเบียบ รับฟีดแบ็กเรื่องการสื่อความและการเชื่อมประโยค ในฐานะคนไม่ใช่เจ้าของภาษา พยายามปรับโทนและสไตล์ให้ดีขึ้นโดยยังคงความเป็นตัวเองไว้ ทำให้ประโยครก ๆ เรียบง่ายขึ้น หาส่วนที่ตกหล่นหรือปัญหาในงานเขียน เป็นต้น
โดยปกติเป็นกระบวนการทำซ้ำ และความยาวของพรอมป์ต์รวมกันจะยาวกว่าผลลัพธ์สุดท้าย ผมก็เอาฟีดแบ็กไปปรับเองด้วย
ถ้ามีคนพิมพ์แค่ว่า “ช่วยเขียนบล็อกเกี่ยวกับ X” พรอมป์ต์ก็คงน่าสนใจกว่าเอาต์พุต แต่ถ้ามีการแก้ไขห้ารอบพร้อมบริบท คุณอยากอ่านพรอมป์ต์กับร่างทั้งหมดแทนฉบับสุดท้ายจริง ๆ หรือ?
ถ้าต้องการ ก็อยู่ที่นี่: https://chatgpt.com/share/6817dd19-4604-800b-95ee-f2dd05add4...
อนึ่ง ร่างแรกที่ให้ ChatGPT ดีกว่าข้อความที่โพสต์ที่นี่
จุดนี้ทำให้นักศึกษาเข้าใจได้ยากมาก เมื่อครูสั่งให้เขียนเกี่ยวกับเหตุการณ์ทางประวัติศาสตร์ นั่นไม่ใช่พิธีกรรมบางอย่างเพื่อไปสู่ปริญญา
เป้าหมายคือการพัฒนาความสามารถหลายอย่าง ทั้งรวบรวมข้อมูล ทำความเข้าใจ ซึมซับ วิจารณ์สิ่งที่อ่าน และสุดท้ายสร้างความคิดเห็นของตัวเอง
คำว่า “ระบายความคิดออกมาแล้วให้ LLM จัดระเบียบ” ฟังเหมือนคุณไม่สนใจฝึกความสามารถในการซึมซับข้อมูลจริง ๆ
สำหรับผม มันดูเหมือนสัญญาณว่าไม่สนใจจะเป็นคนที่น่าสนใจ ผมคิดว่าเป็นเรื่องของวุฒิภาวะ และสักวันก็คงเข้าใจ
สิ่งที่ผู้เขียนพูดสุดท้ายก็คือแบบนี้ สิ่งที่ผมสนใจคือสิ่งที่คุณมีจะพูดเกี่ยวกับหัวข้อที่คุณใส่ใจ ไม่ใช่อะไรก็ตามที่คุณทำได้เพื่อแสร้งว่าคุณใส่ใจหรือรู้เรื่อง
ถ้าคุณจัดระเบียบความคิดของตัวเองไม่ได้ ก็ยากที่จะเชื่อว่าคุณไปถึงจุดที่น่าสนใจแล้ว และการจะไปถึงจุดนั้นต้องอาศัยการฝึกฝน
แต่ผมกังวลว่าถ้าไม่ฝึกแล้วใช้ LLM แทน สุดท้ายคุณอาจไม่มีวันกลายเป็นคนที่น่าสนใจ
เรื่องนี้ก็ไม่ได้ง่ายเสมอไป บางครั้งต้องวนบอกว่า “ช่วยแปลเป็นภาษาที่คนในภูมิภาคนี้ใช้” อะไรทำนองนั้น
ผู้เขียนก็มีส่วนที่ถูกอยู่ ในฐานะผู้ใช้ภาษาที่สอง LLM ทำงานเขียนได้ดีกว่าผม
แต่พรอมป์ต์เป็นภาษาต่างประเทศและปนกับเศษร่างงานหลายชิ้น ซึ่งไม่มีประโยชน์กับผู้อ่าน จึงจะไม่แชร์
ผมมองว่ามันใกล้เคียงกับการส่งร่างหนังสือให้บรรณาธิการและนักแปลมากกว่า
หลังจาก AI ออกมา ผมคิดเรื่อง อัตราส่วนระหว่างพรอมป์ต์กับผลลัพธ์ มาตลอด
เพราะลักษณะของระบบที่เราใช้ เราจึงมักสันนิษฐานไปเองอย่างเป็นธรรมชาติว่าพรอมป์ต์จะสั้นกว่าผลลัพธ์ แต่ยิ่งเราระบุสิ่งที่ต้องการให้ชัดเจนขึ้น พรอมป์ต์ก็ยิ่งยาวขึ้น ขณะที่ขนาดของผลลัพธ์ยังเท่าเดิม
ถ้าแทนที่จะเขียนเรียงความ เราอธิบายเนื้อหาที่จะใส่ในเรียงความ คำอธิบายนั้นย่อมยาวกว่าเรียงความเองอย่างเลี่ยงไม่ได้ เพราะการอธิบายว่าจะพูดอะไรต้องใช้ข้อความมากกว่าการพูดมันออกไปตรง ๆ
ความจริงที่ว่าเราคาดหวังว่าจะลงแรงน้อยกว่าแล้วได้งานที่ใช้แรงมากกว่ากลับมา แสดงให้เห็นว่าสิ่งที่เราได้ในท้ายที่สุดคือ ข้อความเติมเต็ม
ดังนั้นพรอมป์ต์จึงน่าสนใจกว่า และมีหลายครั้งที่ผมเริ่มเขียนพรอมป์ต์เพราะไม่รู้ว่าจะเขียนอะไร แล้วระหว่างนั้นสิ่งที่ตั้งใจจะพูดกลับชัดเจนขึ้นมาอย่างฉับพลัน
โดยรวมแล้ว AI มีประโยชน์มากกว่าอย่างชัดเจนในการบีบอัดไอเดียที่ซับซ้อนให้เรียบง่าย มากกว่าการขยายไอเดียง่าย ๆ ให้ซับซ้อน
ถ้าคุณสามารถระบุสเปกระบบใหม่ที่อยากสร้างเป็นภาษาอังกฤษได้แม่นยำพอจนได้ระบบที่ต้องการอย่างถูกต้อง สู้เขียนโค้ดเองไปเลยก็ได้
ถ้าใช้เวลา 1 ชั่วโมงเขียนพรอมป์ต์ 500 คำ แล้วแนบข้อมูลเพิ่มเติม X ชุด เช่น แถวในตาราง จากนั้น LLM ส่งคำตอบที่สมบูรณ์แบบกลับมา X ข้อ การที่อัตราส่วนผลลัพธ์แย่กว่าตอนผมพิมพ์ตัวอักษรเหล่านั้นเองก็ไม่สำคัญ
สิ่งสำคัญคือภายในเวลา 1 ชั่วโมงนั้นบวกเวลาให้ LLM ประมวลผลอีกไม่กี่นาที งานเสร็จเร็วขึ้นหรือไม่
คล้ายกับการเขียนโปรแกรม จุดประสงค์ของการใช้ LLM ไม่ใช่เพื่อเขียนโค้ดที่ดีกว่าโค้ดที่ผมเขียนเองได้ แต่เพื่อเขียนโค้ดที่ดีพอได้เร็วขึ้นมาก
แต่ดังที่คนอื่น ๆ พูดไว้ พรอมป์ต์อาจไม่ได้น่าสนใจหรือมีลักษณะวนซ้ำอย่างที่เราคิดก็ได้ อาจเป็นแค่ “โจทย์คือแบบนี้ คำตอบคืออะไร” ก็ได้
ผมเห็นด้วยกับประเด็นหลักของผู้เขียนเต็มที่ แต่ก็ยากจะโต้แย้ง เงื่อนไขและอุปสรรคทางเศรษฐกิจ ที่มากับการได้ปริญญา
คนส่วนใหญ่มองปริญญาเป็นประตูสู่การได้งานดี ๆ และนั่นก็เป็นเรื่องปกติทางเศรษฐกิจ
น่าเสียดายที่ทุกวันนี้นายจ้างเองก็กำลังส่งเสริมงานแบบคัดลอกแล้ววางเช่นนี้ด้วย ลองดูที่ Meta และ Google พูดว่าโค้ดส่วนใหญ่ที่เขียนขึ้นใหม่สร้างโดย AI
โลกจะถูก AI กลืนกิน
เมื่อก่อนมีแต่คนที่ฉลาดที่สุดหรือร่ำรวยที่สุดเท่านั้นที่ได้เข้าเรียนมหาวิทยาลัย ปริญญามหาวิทยาลัยจึงกลายเป็นตัวชี้วัดแทนความฉลาด
ตอนนี้เมื่อผู้จบมหาวิทยาลัยได้งานดี วิธีที่จะให้ทุกคนได้งานดีก็คือให้ทุกคนมีปริญญา
ถ้าคนส่วนใหญ่ไม่สนใจการเรียนรู้ที่เป็นรากฐานของปริญญา แต่สนใจแค่งาน ในที่สุดก็จะมีนักศึกษาที่สนใจเพียงเกณฑ์ผ่านกับใบรับรองตอนท้ายเท่านั้น
ถ้าผู้คนมาเพื่อเล่นเกมเท่านั้น เราก็คาดหวังไม่ได้ว่าพวกเขาจะเรียนรู้
อย่างไรก็ตาม แม้ 90% จะปล่อยให้โอกาสตรงหน้าหลุดมือไป แต่อีก 10% จะคว้าโอกาสนั้นไว้และดูดใช้ให้ถึงแก่น
ถ้าคุณอยู่ในมหาวิทยาลัย ผมแนะนำให้ใช้ประโยชน์จากความรู้ที่มีให้และโอกาสในการมีปฏิสัมพันธ์ มหาวิทยาลัยอาจเปิดกว้างสำหรับทุกคน แต่คนที่มองเห็นทองข้างในและเรียนรู้อย่างแท้จริงคือคนส่วนน้อยที่โชคดี
เกมไม่ได้มีแค่คะแนนสุดท้ายเท่านั้น ยังมีสิ่งอื่น ๆ อีกมากมายที่ถูกมอบให้อยู่แล้ว
ผมกลัวว่า LLM อาจสร้างนักพัฒนารุ่นแรกที่ ทำงานไม่ได้ถ้าไม่มี LLM ขึ้นมาแล้ว
การใช้ LLM กับบางส่วนของงานไม่ใช่ปัญหา แต่ต้องสามารถทำงานได้แม้ไม่มี LLM
ไม่ใช่ว่าจะใส่ข้อมูลทุกอย่างลงในพรอมป์ต์ AI ได้ ปัญหาบางอย่างก็แก้ด้วย LLM ไม่ได้ และถ้าพึ่งพาโค้ดหรือการตั้งค่าที่สร้างขึ้นสำหรับปัญหาง่าย ๆ ก็จะไม่พัฒนาความสามารถของตัวเอง
ผมคัดค้านอย่างหนักต่อข้อสรุปของ Clayton ที่ว่า “ไม่เคยมีครั้งไหนที่ผมไม่อยากดูพรอมป์ต์ต้นฉบับมากกว่าผลลัพธ์จากโมเดลสร้างสรรค์ ผลลัพธ์มีสาระน้อยกว่าพรอมป์ต์และไม่มีวิสัยทัศน์ของมนุษย์”
เราสร้างสิ่งนี้ด้วย AI และผมมั่นใจว่าถ้าคุณไม่ใช่ผู้สร้าง คุณคงไม่อยากดูอินพุตดิบ
https://www.youtube.com/watch?v=H4NFXGMuwpY
ผู้ใช้ AI จะแบ่งเป็นสองกลุ่ม คือคนที่ใช้ AI เป็นเครื่องมือแบบครบวงจรตั้งแต่ต้นจนจบ และคนที่ใช้มันเป็นเครื่องมือเสริมงานและความคิดสร้างสรรค์ที่ทำอยู่แล้ว
กลุ่มหลังเป็นกรณีใช้งาน AI ที่ยอดเยี่ยมอย่างชัดเจน
บางทีอาจบังคับให้เกิดการเปลี่ยนแปลงครั้งใหญ่ในวิธีประเมินนักศึกษา หลังจากส่งเรียงความแล้ว ครูอาจต้องสนทนากับนักศึกษาเกี่ยวกับหัวข้อนั้น เพื่อดูว่าซึมซับไปจริง ๆ แค่ไหน
หรือไม่ก็มีความเป็นไปได้มากกว่าว่า LLM จะเพียงทำให้ทุกอย่างแย่ลง
เรื่องนี้เกิดขึ้นเพราะผู้สอนตั้งคำถามที่ให้นักศึกษาแค่ทวนข้อความของผู้สอนเท่านั้น
ถ้าจะสอนให้ถูกต้อง ควรทำแบบนี้
“มีแขนหุ่นยนต์ของเล่นเล็ก ๆ ที่ทำจาก Tinkertoys มีข้อต่อเชิงมุมสามจุด ได้แก่ ฐานหมุน ไหล่ และข้อศอก และแต่ละข้อต่อมีโปรแทรกเตอร์ให้ดูมุมได้”
ถ้าทำแบบนี้ก็จะเข้าใจอย่างถูกต้องว่าปัญหาเหล่านี้หมายถึงอะไรจริง ๆ
ผมไม่รู้เรื่องหุ่นยนต์เลย แต่ฟังดูเป็นโจทย์ที่ค่อนข้างพบได้ทั่วไป และดูเป็นประเภทที่ LLM น่าจะทวนการบ้านของคนอื่นออกมาได้
ถ้านักศึกษาคนหนึ่งทำแบบนั้น อาจเป็นปัญหาที่นักศึกษาคนนั้น แต่ถ้า 90% ทำแบบนั้น ผมคิดว่าโจทย์ผิดเอง
เคยสอนมาก่อนนานแล้ว ก่อนที่ LLM จะออกมาเสียอีก และมีงานส่งขยะที่คัดลอก-วางมาเยอะมาก
ผมให้ 0 คะแนนเสมอ และไม่ได้บอกว่าเป็นการลอกเลียน เพราะถ้าจะจัดการเป็นกรณีลอกเลียนต้องผ่านกระบวนการบริหารของมหาวิทยาลัย
แทนที่จะทำแบบนั้น ผมแค่คอมเมนต์ว่า “โจทย์ขอ X แต่คุณส่งอะไรไร้สาระที่วางแปะมา”
ตราบใดที่ผลลัพธ์จาก LLM ยังอยู่ในระดับเดียวกับตอนนี้ มันก็ไม่ได้เป็นภัยคุกคามมากนักในแง่ที่จะมีความสามารถในการแข่งขันจริง ๆ ในงานที่มอบหมาย
ถ้านักศึกษาระมัดระวังพอที่จะเขียนใหม่ให้เป็นเสียงของตัวเอง ผมกลับจะมองว่านั่นเป็นความสำเร็จเสียด้วยซ้ำ ถ้าส่งขยะจาก LLM ที่บริษัทเอาต์ซอร์สติดป้ายกำกับข้อมูลขัดเกลาด้วย RLHF มาแบบทั้งดุ้น ก็แค่ให้ 0 คะแนนก็พอ
นักศึกษาไม่ได้สนใจคำอุทธรณ์เชิงอารมณ์ยาว 3,000 คำในบล็อก และจะเลือกทางที่มีแรงต้านน้อยที่สุด
ถ้าไม่เต็มใจขีดฆ่างานทั้งชิ้นแล้วเขียนตัวแดงตัวโตว่า “เรื่องเพ้อเจ้อของ ChatGPT, 0 คะแนน” ส่งคืนไป ก็ควรถามตัวเองตั้งแต่แรกว่าเป้าหมายของงานที่มอบหมายคืออะไรกันแน่
แต่ก็เข้าใจได้ มหาวิทยาลัยกลายเป็นโครงสร้างที่นักศึกษาจ่ายเงินเพื่อเอาปริญญา และอาจารย์ก็สูญเสียอำนาจในการบังคับใช้มาตรฐานหรือวินัยใด ๆ ต่อหน้าผู้บริหารไปแล้ว
ดังนั้นสิ่งที่ทำได้ก็มีแค่ให้คะแนนผ่านขั้นต่ำกับขยะจาก ChatGPT แล้วพร่ำปรัชญาในบล็อกที่นักศึกษาจะไม่มีวันอ่าน
มันเป็นการทุจริตที่ชัดเจน เช่น ได้คำตอบที่ถูกต้องจากโค้ดที่ผิด
แต่ผมไม่ได้คิดจะเข้าสู่กระบวนการทางธุรการเพื่อกล่าวหาว่าทุจริต แค่ให้ 0 คะแนนไป
ถ้าให้ 0 คะแนนกับคำตอบที่ถูกต้อง ก็น่าจะนำไปสู่การร้องเรียนหรืออุทธรณ์ที่สำเร็จได้
แต่ไอเดียใหม่ ๆ มีโอกาสล้มเหลว และเพราะอย่างนั้นส่วนใหญ่จึงไม่ค่อยดีและได้คะแนนต่ำ
เพราะไม่รู้ว่าควรทำอย่างไร ไม่นานผมก็เริ่มเขียนเรียงความโดยไม่อ่านหนังสือที่กำหนด แต่อาศัยสรุปจาก Wikipedia กับรีวิวของคนอื่น
พอได้ A และ A+ ครั้งแรก ผมก็เข้าใจว่า แม้แต่งานเขียนแปลกใหม่ในระดับปานกลาง คนครึ่งหนึ่งก็ยังมีความเข้าใจต่ำเกินกว่าจะเข้าใจได้
ในวรรณกรรม หากไอเดียจะได้รับการยอมรับว่าเฉียบแหลมทางปัญญาจริง ๆ มันต้องดึงดูดใจแม้แต่คนที่จำไม่ได้ด้วยซ้ำว่าตัวเองอ่านอะไรมา
แม้แต่คนมีความรู้และฉลาด ทะเลข้อมูลที่คล้ายกันก็ทำให้สายตาพร่ามัวได้
เป้าหมายของงานเขียนในชั้นเรียนไม่ควรเป็นการสร้างผลลัพธ์ที่เป็นข้อความ แต่ควรเป็น การทำให้นักเรียนได้คิด โมเดลภาษาสร้างอย่างแรกได้ แต่สร้างอย่างหลังไม่ได้
การเห็นผู้เชี่ยวชาญและนักวิชาการที่ฉลาดจำนวนมากในวงการการศึกษาและแวดวงวิชาการไม่เข้าใจเรื่องนี้ เป็นเรื่องที่สิ้นหวังอย่างยิ่ง
พวกเขามองงานเป็นเพียงการผลิตชิ้นงานออกมา และไม่คิดว่ากระบวนการนั้นช่วยสะสมความรู้ ทักษะ และประสบการณ์อย่างไร
นักเรียนที่ไม่รู้อะไรที่สุดกำลังถูก LLM จูงไป โดยไม่เข้าใจเป้าหมายของการเขียนหรือการแก้ปัญหา และไม่เข้าใจข้อจำกัดของ LLM แล้วเสียเวลาไปหลายปี
บางครั้งถึงขั้นจ่ายเงินหลายแสนดอลลาร์เพื่อทำให้สมองเสื่อมถอย แล้วได้เพียงกระดาษแผ่นเดียว ก่อนจะต้องเผชิญโลกจริงที่ปัญหาเปิดกว้างกว่ามาก และคุณภาพการแก้ปัญหาของ LLM ลดลงอย่างมาก
คนที่ลงมือจับปัญหาและเรียนรู้ด้วยตัวเองจริง ๆ จะได้เปรียบอย่างมหาศาลในระยะยาว
ถ้าสิ่งเดียวที่เราสนใจคือการย้ายน้ำหนัก การใช้เครื่องมือก็ถูกแล้ว
แต่งานนี้ทำเพราะผลที่มันจะเกิดกับตัวคุณ เหตุผลที่ครูถามคำถามไม่ใช่เพราะครูไม่รู้คำตอบ
ถ้าอยากเรียนรู้และจมอยู่กับเนื้อหาจริง ๆ ก็ประหยัดเงิน 60,000 ดอลลาร์แล้วเรียนออนไลน์ฟรีได้ และอาจมีประสิทธิภาพกว่าด้วย
เป้าหมายของงานเขียนในชั้นเรียนคือทำให้มหาวิทยาลัยมอบปริญญาให้ฉัน
การเรียนรู้เนื้อหาจริง ๆ ไม่ได้ทำให้ได้ปริญญา ต้องผ่านด่านที่อาจารย์ตั้งไว้และจ่ายค่าเล่าเรียนมหาศาลเท่านั้นจึงจะเป็นไปได้
ถ้ามีระบบอื่นที่ให้คนเรียนรู้จริงแล้วได้รับการรับรองที่มีผลต่อโอกาสการจ้างงานก็คงดี แต่ตราบใดที่อาจารย์ยังเป็นผู้เฝ้าประตูของ ใบรับรองความสามารถในการได้งาน ที่ใคร ๆ ก็อยากได้ ปัญหาแรงจูงใจแบบนี้ก็จะยังคงอยู่
ตอนเด็ก ๆ เมื่อได้รับโจทย์เรียงความว่า “ทำไมฝ่ายดีถึงชนะใน The Lord of the Rings” นั่นเป็นด่านเพื่อตรวจว่าผมได้อ่านนิยายจริงหรือไม่
มีทางเลือกสามอย่าง อ่านนิยายแล้วเขียนเรียงความเอง, หาเรียงความที่มีคนเขียนไว้แล้ว, หรือเอาเรียงความของเพื่อนมาเป็นเทมเพลตแล้วเขียนใหม่
ก่อนยุคอินเทอร์เน็ต การหาเรียงความที่มีคนเขียนไว้แล้วก็ไม่ง่ายนัก แต่ก็มีหนังสือรวมเรียงความในหัวข้อยอดนิยม และมีความเสี่ยงว่าจะถูกอาจารย์จับได้หรือมีคนใช้แหล่งเดียวกัน
ทางเลือก A และ C อย่างน้อยก็ทำให้ได้เรียนรู้เกี่ยวกับนิยายและขัดเกลาทักษะการเขียน
วันนี้สามารถให้ ChatGPT เขียนเรียงความ 4 หน้าเกี่ยวกับนิยายที่ไม่เคยได้ยินชื่อมาก่อนสักครั้ง แล้วก็จบได้เลย กระบวนการนั้นไม่มีคุณค่าอะไรที่ได้รับ
เป็นตัวอย่างง่าย ๆ แต่ใช้กับการเขียนโปรแกรมได้เหมือนกัน โปรแกรมเมอร์มือใหม่อาจอ้างว่า LLM มอบพลังให้จัดการงานยากและภาษาที่ไม่รู้จักได้ แต่พวกเขาไม่ได้รับทักษะหรือความรู้จากประสบการณ์นั้น
ถ้าขอให้ Google Maps หาเส้นทางจาก Prague ไป Brussels มันจะให้รายการทางเลี้ยวเพื่อนำทางไปถึงจุดหมาย แต่คุณไม่อาจอ้างได้ว่าระหว่างทางได้เรียนรู้ภูมิประเทศของเยอรมนี
เห็นด้วยว่าสถานการณ์ที่ผู้เขียนบรรยายไม่น่าพอใจ แต่ส่วนใหญ่เป็นความรับผิดชอบของระบบการศึกษา และยิ่งไปกว่านั้นคือของผู้เขียนเอง
ถ้าเป็นงานเขียนในชั้นเรียนแบบนั้น นักเรียนใช้ LLM ก็เป็นเรื่องธรรมดา ถ้าเพื่อนร่วมชั้นใช้กันอยู่ คนที่ไม่ใช้ต่างหากที่โง่
นักการศึกษาต้องปรับโครงสร้างวิธีสอนและวิธีประเมินผล แปลกที่ผู้เขียนมองเรื่องนี้ไม่ออก
มหาวิทยาลัยและโรงเรียนต้องเปลี่ยนวิธีดำเนินงานเกี่ยวกับ AI ไม่เช่นนั้นก็เท่ากับทำให้นักเรียนล้มเหลว
รู้ว่า AI มีปัญหาทั้งที่เป็นไปได้และที่เกิดขึ้นจริงต่อสังคมมากมาย แต่หากยอมรับอย่างเหมาะสม ก็มีศักยภาพที่จะเปลี่ยนประสบการณ์การศึกษาไปในทางบวกได้
ข้อแรก นักเรียนเป็น ผู้ฟังที่ถูกกักไว้ พวกเขาไม่อยากอยู่ตรงนั้น แต่กฎหมายบังคับให้ต้องอยู่
แม้เลยการศึกษาภาคบังคับไปแล้วก็ยังเหมือนกัน ถูกแรงเฉื่อยผลักให้เข้าสู่การศึกษาระดับสูง และไม่ตระหนักว่าจริง ๆ แล้วมีทางเลือกหรือทางอื่น
ข้อสอง ทักษะจำนวนมากที่ฝึกในชั้นเรียนจริง ๆ แล้วไม่มีประโยชน์
ใช้เวลาไปมากกับวิชาภาษาอังกฤษซึ่งเป็นภาษาที่สอง แต่สิ่งที่สอนภาษาให้จริง ๆ คือการใช้อินเทอร์เน็ต วิชาภาษาอังกฤษช่วงหลัง ๆ เป็นแค่งานทำทีให้ดูยุ่ง
แม้ในวิชาภาษาแม่ก็ต้องเขียนเรียงความค่อนข้างมาก แต่สิ่งที่มีประโยชน์คือการสอบปลายภาคของวิชานั้นเท่านั้น
ตั้งแต่นั้นมาก็ไม่เคยเขียนเรียงความ “จริง ๆ” อีกเลย ต่อให้เขียน ก็คงเขียนเป็นภาษาอังกฤษ และใช้สไตล์อื่นที่เรียนรู้จากโพสต์ในฟอรัม