Directional Stimulus Prompting

Directional Stimulus Prompting lægger små indholdsmæssige pejlemærker ind i prompten, før selve opgaven stilles. Et pejlemærke kan være et nøgleord, en teori, en analogi eller et ledende spørgsmål. Du peger på det område, svaret skal hentes fra, uden at formulere svaret selv.

Forskellen til chain-of-thought ligger i, hvad der styres. Chain-of-thought styrer formen og beder om, at mellemregningerne skrives ud. Den siger intet om, hvilket stof de skal handle om. Directional stimulus gør det omvendte og styrer indholdet, mens formen er fri.

Role-prompting ligger tættere på, men virker gennem identitet. "Du er radiolog" aktiverer et bredt register af sprogbrug og prioriteringer på én gang. Et stimulus er smallere: "overvej differentialdiagnoser ved ensidig hævelse" peger på ét afgrænset vidensområde. De to teknikker rammer forskellige niveauer og kan bruges sammen.

En sprogmodel beregner en sandsynlighedsfordeling over næste token, betinget af alt indhold i context window. Hvert ord i prompten ændrer den fordeling. Står ordene "bølgelængde" og "atmosfære" i prompten, bliver fortsættelser med fysikkens vokabular mere sandsynlige end en generisk hverdagsforklaring.

Uden stimulus falder outputtet typisk ned i den mest udbredte besvarelsesform for det pågældende spørgsmål. For velkendte spørgsmål er det ofte et kort og overfladisk svar, fordi den type svar fylder mest i træningsdata. Et stimulus flytter startpunktet for genereringen væk fra det almindeligste mønster.

Placeringen har betydning. Står hintet før spørgsmålet, er hele svaret betinget af det. Står det efter, skal det konkurrere med en retning, der allerede er lagt.

Teknikken forudsætter, at din retning er den rigtige. Peger du mod en forkert mekanisme, følger outputtet som regel med, og resultatet bliver et velformuleret svar på et forkert grundlag. Det er værre end et vagt svar, fordi fejlen er sværere at få øje på.

Modeller med indbygget reasoning afsøger selv flere spor, før de svarer. Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro finder frem til Rayleigh-spredning uden hjælp, og et hint tilfører her ingenting. Et for smalt stimulus kan endda afskære spor, som modellen ellers ville have undersøgt. Effekten er størst på opgaver, hvor flere fagområder er plausible, ikke på opgaver med ét oplagt svar.

Subtiliteten fungerer også dårligt i den anden ende af skalaen. Mindre modeller som GPT-5 nano og Gemini 3.7 Flash reagerer mere pålideligt på en direkte instruktion end på et antydet spor. Skal outputtet have et bestemt format, hører det desuden hjemme i eksplicitte constraints og ikke i et hint. Mangler modellen viden om emnet, producerer et stimulus kun en mere selvsikker hallucination.

Grænsen mellem et hint og et skjult svar er glidende, og den flytter sig med opgaven. Nævner du Rayleigh-spredning ved navn, er der ikke meget tilbage at udlede. Nævner du kun bølgelængder, står der stadig et led, der skal fyldes ud.

En simpel kontrol er at køre samme opgave med og uden stimulus og sammenligne, hvad der forsvinder. Er forskellen kun, at nøgleordene fra hintet gentages, har du fodret modellen frem for at styre den. Er forskellen, at et helt ræsonnement kommer med, har stimulusset gjort sit arbejde.

Den skelnen er kritisk ved evaluering. Et hint, der indeholder facit, får enhver model til at se kompetent ud på netop den opgave, og resultatet siger derfor intet om, hvad modellen kan uden hjælp.