Channel
@Learn_Prompt
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
307subscribers
+10 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1003797136129 |
|---|---|
| Type | Channel |
| Username | @Learn_Prompt |
| Created | Between 1 February 2026 and 4 July 2026 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 3 September 2026 |
| Measurements held | 6 |
| Confirmed unchanged | 1 time, most recently 3 September 2026 |
| On Telegram | t.me/Learn_Prompt |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 3 Sept 2026, 16:21 | 307 | +2 |
| 26 Aug 2026, 17:22 | 305 | +4 |
| 19 Aug 2026, 21:14 | 301 | +2 |
| 13 Aug 2026, 12:05 | 299 | +2 |
| 6 Aug 2026, 22:33 | 297 | no change |
| 6 Aug 2026, 06:07 | 297 | first reading |
20 posts held, back to 4 July 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 13 July 2026. An engagement rate over an empty window would be a number about nothing.
8 reactions across 8 posts, in 2 distinct kinds. The most used accounts for 62.5% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 5 | 62.5% | |
| 👍 | 3 | 37.5% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 8 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 8 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 4 July 2026 to 13 July 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
🖋 تکنیک فاینمن : فهم سختترین مفاهیم در چند ثانیه درک مفاهیم پیچیده علمی، فنی یا تخصصی برای مخاطب عام اغلب شبیه به خواندن یک زبان بیگانه است. وقتی متون پر از اصطلاحات سنگین و ساختارهای پیچیده باشند، خواننده خیلی زود خسته شده و از ادامه مطالعه دست میکشد، که این یعنی شکست کامل در انتقال پیام و قطع ارتباط با مخاطب. تکنیک «سادهسازی مفاهیم» (Feynman Technique / ELI5) این سد ارتباطی را میشکند. در این روش، از هوش مصنوع…
❤1
🖋 تکنیک ارزیابی «عمقِ یافتهها» با AI این پرامپت یعنی: «ارزیابی کن که آیا تکنیکهای تحلیل دادهی انتخابشده، محدودیتی در تفسیر یا عمق یافتهها ایجاد میکنند یا خیر.» اگر پرامپت قبلی روی مرحلهی «جمعآوری مواد اولیه» (دادهها) تمرکز داشت، این پرامپت مستقیماً سراغ «چرخگوشت و پردازنده» مقاله میرود؛ یعنی روشهای آماری، کیفی یا الگوریتمهایی که برای تحلیل آن دادهها استفاده شدهاند. حتی اگر بینقصترین و جامعترین داده…
🖋 تکنیک استخراج دادههای ساختاریافته با هوش مصنوعی مواجهه با متنهای طولانی، بینظم و ساختارنیافته مانند رونوشت جلسات، ایمیلهای شلوغ یا گزارشهای خام، برای پیدا کردن اطلاعات کلیدی یک کابوس است. جستجوی دستی میان انبوهی از کلمات برای استخراج نامها، تاریخها و ارقام مالی، نه تنها به شدت زمانبر است، بلکه احتمال خطای انسانی را بالا برده و دادههای ارزشمند را در میان پاراگرافهای درهمتنیده مدفون میکند. تکنیک «استخرا…
❤1
🖋 کشف شکافهای پژوهشی پنهان این پرامپت یعنی: «محدودیتهای بالقوه ناشی از استراتژی نمونهگیریِ استفادهشده را تحلیل کن. یافتهها تا چه حد به سایر جوامع یا زمینهها (بسترها) قابل تعمیم هستند؟» اگر پرامپت قبلی به دنبال اعترافات مکتوب خود نویسنده بود، این پرامپت یک گام عمیقتر میرود و از هوش مصنوعی میخواهد نقش یک «متدولوژیست (روششناس) و داور نقاد» را بازی کند. در اینجا، حتی اگر نویسنده مقاله هیچ اشارهای به ضعف کار خ…
🖋 خروج از منطقه امن با ایدههای نامتعارف وقتی از هوش مصنوعی میخواهید برای یک کمپین، محصول یا محتوا ایده بدهد، معمولاً به سراغ امنترین و تکراریترین پاسخها میرود. مدلهای زبانی بر اساس دادههای موجود آموزش دیدهاند، بنابراین خروجی پیشفرض آنها ترکیبی از رویکردهای کلیشهای است که صدها بار توسط دیگران اجرا شده و هیچ کشش یا تمایزی برای شما خلق نمیکند. تکنیک «ایدهپردازی نامتعارف» با اعمال محدودیتهای سختگیرانه، …
🖋 میانبُر کشف شکافهای پژوهشی اگر پرامپتهای قبلی برای نوشتن بخش جمعبندی مقاله خودتان بود، این پرامپت ابزاری فوقالعاده برای «تحلیل نقادانه مقالات دیگران» (Critical Appraisal) است. زمانی که میخواهید مقالات استخراجشده از اسکوپوس یا کانسنسس را مرور کنید، ادبیات تحقیق (Literature Review) بنویسید یا شکافهای پژوهشی (Research Gaps) را پیدا کنید، این پرامپت حکم یک میانبر طلایی را دارد. شما با این دستور به هوش مصنوعی …
🖋 سناریونویسی استوریبورد با هوش مصنوعی بسیاری از فیلمسازان و نویسندگان هنگام استفاده از هوش مصنوعی برای تبدیل متن ادبی فیلمنامه به توصیفات بصری دقیق (دکوپاژ) دچار مشکل میشوند. پرامپتهای عمومی معمولاً خروجیهایی کلیشهای، فاقد حس دراماتیک و بدون اطلاعات فنی لازم برای تصویربرداری (مانند نوع نما، زاویه دوربین و حرکات) تولید میکنند که عملاً برای تیم تولید غیرقابل استفاده است. تکنیک «سناریونویسی استوریبورد» با است…
❤1
🖋 پایانبندی مقتدرانه؛ هنر وفاداری به لحن شخصی این پرامپت، قانون «حفظ اصالت انسانی و امضای فکری پژوهشگر» و مهمترین فیلتر برای «زدودن لحن رباتیک» از مقاله است. حالا این خطر وجود دارد که خروجی هوش مصنوعی بیش از حد مکانیکی، یکنواخت یا اصطلاحاً «جنریک» (Generic) شده باشد؛ رویکردی که چشمان تیزبین داوران بینالمللی و ابزارهای هوش مصنوعیسنج (AI Detectors) به سرعت مچ آن را میگیرند. با این دستور، به هوش مصنوعی فرمان میده…
👍1
🖋 راز خلاصهسازی حرفهای با AI مواجهه با مقالات طولانی و حجم بالای اطلاعات بسیار وقتگیر است. تلاش برای خلاصهسازی مستقیم و یکباره معمولاً باعث حذف جزئیات مهم میشود یا نتیجه نهایی آنقدر که نیاز داریم موجز و تاثیرگذار نیست. تکنیک خلاصهسازی پلکانی (Iterative Summarization) این مشکل را حل میکند. به جای یک خلاصه سریع، از هوش مصنوعی میخواهید متن را به تدریج فشرده کند: ابتدا به اندازه یک صفحه، سپس یک پاراگراف و در نه…
👍1
🖋 راز مهار ریجکتهای زودهنگام این پرامپت، قانون «شبیهسازی داوری همتا (Peer Review Simulation)» است. در این گام، شما از هوش مصنوعی نمیخواهید متن شما را بازنویسی کند، بلکه به او ماموریت میدهید تا در نقش یک «داور سرسخت ژورنال، استاد راهنما یا منتقد علمی» فرو برود. هدف این دستور این است که قبل از ارسال مقاله به ژورنال واقعی و مواجهه با داوران بینالمللی، تمام باگها، ابهامات و نقاط ضعف منطقی نتیجهگیری خود را از زبان…
🖋 راز تیترهای کلیکخور: چگونه مخاطب را میخکوب کنیم؟ نوشتن یک مقاله عالی اما انتخاب یک عنوان ساده و توصیفی، قاتل محتواست. در فضای شلوغ شبکههای اجتماعی و موتورهای جستجو، اگر تیتر شما نتواند در کسری از ثانیه کنجکاوی مخاطب را تحریک کند یا احساسی را برانگیزد، مقاله شما هرگز خوانده نخواهد شد؛ حتی اگر حاوی اطلاعات حیاتی باشد. تکنیک «تولید عنوانهای کلیکخور و جذاب» با استفاده از فرمولهای پرامپتنویسی دقیق، هوش مصنوعی را…
🖋 راز جلب اعتماد داور در نگاه اول: فیلترِ خطای صفر! این پرامپت، مرحلهی «پرداخت نهایی، میکروسکوپ انداختن روی کلمات و کنترل کیفیت (QA)» بخش جمعبندی شماست. فرض کنید شما تمام مراحل قبلی را به بهترین شکل ممکن جلو بردهاید؛ ایده نوآورانه است، شواهد محکم هستند و لحن هم رسمی است. اما اگر در این متنِ قوی، چند غلط گرامری، اشتباه دیکتهای یا علامتگذاری نادرست (Punctuation) وجود داشته باشد، تمام زحمات شما زیر سوال میرود. دا…
❤1
Showing the 12 most recent of 20 posts we hold for @Learn_Prompt. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Named by 2 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 3 September 2026 — this entry's latest reading, not the date you are reading this.
“مهندسی پرامپت” (@Learn_Prompt), 307 subscribers as measured 3 September 2026. Telegram Register, tgregister.com/channel/Learn_Prompt.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.