(„Audience Persona Pattern“)
Die Adressatentechnik ist das Gegenstück zur Rollentechnik: Es wird spezifiziert, wer der Adressat des vom LLM erbetenen Outputs sein soll, der Output also auf einen bestimmten Adressaten(kreis) zugeschnitten.
Hier ein Beispiel:
Prompt: „Erkläre einem 5-jährigen Kind, was ein Quantencomputer ist.“
ChatGPT:
Okay 😊 stell dir vor, du hast ganz viele Zauber-Murmeln.
In einem normalen Computer (wie in einem Handy oder Laptop) können die Murmeln nur zwei Zustände haben:
- Entweder sie leuchten rot (das ist eine 0)
- oder sie leuchten blau (das ist eine 1).
Ein Quantencomputer hat aber Zauber-Murmeln, die beides gleichzeitig sein können – rot und blau! 🌈
Erst wenn man nachschaut, „entscheidet“ sich die Murmel, welche Farbe sie zeigt.
Dadurch können Quantencomputer viele Möglichkeiten gleichzeitig ausprobieren, statt nacheinander – fast wie wenn du alle Puzzleteile gleichzeitig ausprobierst, statt eins nach dem anderen.
Darum können sie manche schwierigen Aufgaben viel schneller lösen als normale Computer.
✨ Also kurz gesagt:
Ein Quantencomputer ist ein Zaubercomputer, der viele Antworten auf einmal ausprobieren kann!
Das war nun zweifellos ein Extrembeispiel – inspiriert durch die Buchreihe des riva Verlags mit dem fragwürdigen Titel „Erklärs mir, als wäre ich 5“ [sic], die sich auch mit wenig greifbaren Themen wie Politik, Wirtschaft und KI beschäftigt (und neben dem Rechtschreibfehler vielleicht auch die Altersvergleichsangabe hätte überdenken sollen). Aber es liegt auf der Hand, dass gerade zu Lernzwecken die Adressatentechnik ihren Wert entfalten kann, weil ich erklärte Inhalte auf meine Bedürfnisse bzw. meinen Wissensstand zuschneiden kann. „Erkläre mir x“ und „Stell Dir vor, dass ich y bin“ bzw. „Erkläre einer Person y den Sachverhalt x“. Oder auch: „Kannst Du mir erklären, wie ich die Gleichung […] ohne die Mitternachtsformel lösen kann?“ – Adressat ist also ein Mathematikschüler, der die Mitternachtsformel nicht kennt.
Das kann nützlich sein oder auch interessante Perspektivenwechsel mit sich bringen. Ich gestehe, dass ich meine ganze Rationalität zusammennehmen muss, um kein schlechtes Gewissen zu haben, wenn ich um die Erklärung eines „LLM“ für einen Maulwurf oder eine Giraffe bitte, aber ein Large Language Model wie ChatGPT ist bekanntermaßen um keine Antwort verlegen und resümiert schließlich, nach längerer Erklärung: „Ein LLM ist ein Wort-Maulwurf, der sich blitzschnell durch unendlich viele Sprach-Tunnel gräbt, um passende Wörter ans Licht zu bringen.“ Oder: „Ein LLM ist wie eine Giraffe mit einem sehr langen Hals, die sich durch ein weites Sprachfeld bewegt und die passenden Wörter pflückt, um schöne Sätze zu formen.“ Nun denn.
Auch eine Aufforderung wie „erkläre ohne Fachbegriffe“ oder „für einen Laien“ ist eine Ausprägung der Adressatentechnik. Die Prompts „Erkläre einem Physikstudenten, was eine Determinante ist“ oder „Erkläre einem Grundschüler, was eine Determinante ist“ führen zu sehr unterschiedlichen Outputs.
Die in vielfältigen Kontexten nutzbare Fähigkeit des LLMs, seinen Output dem jeweiligen Adressaten anzupassen, sei abschließend an einem Beispiel demonstriert, das im Prompt selbst drei verschiedene Adressaten benennt:
Ich: Erstelle drei Versionen derselben Botschaft, aber richte sie an unterschiedliche Zielpersonen. Thema: „Warum es wichtig ist, möglichst wenig Plastikmüll zu produzieren.“ Adressat 1: Grundschulkind Adressat 2: Manager in einem Industriebetrieb Adressat 3: Rentnerin Jede Version soll denselben Kerninhalt vermitteln, aber Sprache, Ton, Beispiele und Argumente sollen genau auf die Zielgruppe zugeschnitten sein.
ChatGPT:
Natürlich! Hier sind drei Varianten derselben Kernbotschaft – jeweils an eine andere Zielgruppe angepasst:
🧒 1. Für ein Grundschulkind
Hey du!
Hast du schon mal gesehen, wie viel Müll in Mülleimern oder sogar auf der Straße liegt? Besonders Plastikmüll ist ein großes Problem. Plastik bleibt nämlich ganz, ganz lange in der Natur, manchmal über 100 Jahre! Das ist schlecht für Tiere, zum Beispiel für Fische oder Vögel – sie halten das Plastik manchmal für Futter und werden krank.
Wenn du also z. B. eine Plastikflasche oder eine Tüte benutzt, denk daran: Vielleicht kannst du sie mehrmals verwenden oder gleich etwas ohne Plastik nehmen – etwa eine Trinkflasche aus Metall oder eine Brotbox statt Frischhaltefolie.
So hilfst du mit, dass die Tiere gesund bleiben und unsere Erde schön und sauber bleibt. 🌍💚
💼 2. Für einen Manager in einem Industriebetrieb
Sehr geehrter Herr [Name],
Plastikabfälle stellen nicht nur ein Umweltproblem dar, sondern zunehmend auch ein wirtschaftliches und reputatives Risiko für Unternehmen. Immer mehr Kunden, Geschäftspartner und politische Entscheidungsträger erwarten nachhaltige Produktionsprozesse und verantwortungsbewussten Ressourceneinsatz.
Eine Reduktion von Plastikmüll in der Produktion oder im Verpackungsprozess kann sich daher doppelt auszahlen: Sie senken Materialkosten, verbessern Ihre ökologische Bilanz und stärken zugleich Ihr Markenimage.
Zudem rücken Kreislaufwirtschaft und Recyclingstrategien immer stärker in den Fokus gesetzlicher Regelungen – wer frühzeitig handelt, sichert sich Wettbewerbsvorteile und Zukunftsfähigkeit.
Kurz gesagt: Weniger Plastik bedeutet mehr Effizienz, mehr Verantwortung und mehr Zukunft.
👵 3. Für eine Rentnerin
Liebe Frau [Name],
Sie erinnern sich bestimmt: Früher gab es vieles ohne Plastik – Milch in Glasflaschen, Stoffbeutel für den Einkauf, und Butter kam in Papier eingewickelt. Heute sieht man Plastik fast überall, und das macht unserer Umwelt zu schaffen.
Plastik braucht viele Jahrzehnte, um sich zu zersetzen, und landet oft im Meer oder in der Natur, wo Tiere darunter leiden. Wenn wir alle ein bisschen darauf achten – zum Beispiel Stofftaschen statt Plastiktüten benutzen oder beim Einkaufen auf Verpackungen verzichten, wo es geht – dann helfen wir mit, unsere Welt für Kinder und Enkel sauber und lebenswert zu halten.
Ein kleiner Beitrag von jedem Einzelnen kann Großes bewirken. 🌸
Die Anpassung des Outputs an die Bedürfnisse und Erwartungen bestimmter Zielgruppen gehört zu den beeindruckendsten und überaus nützlichen Fähigkeiten von Large Language Models. Zielgruppengerechte Vermittlung, hier etwas plakativ vorgeführt, ist ein Basiskonzept jeglicher Schulung. Es dürfte nachvollziehbar sein, dass KI sich in besonderem Maße für differenziertes und adaptives Lernen bzw. Lehren eignet.