Промпт-инжиниринг

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Промпт-инжиниринг — практика разработки и совершенствования входных данных для больших языковых моделей с целью получения желаемых выходных результатов. В образовании промпт-инжиниринг выполняет двойную роль: как навык учащегося (студенты должны научиться эффективно формулировать промпты) и как рычаг проектирования систем (разработчики создают промпты, которые формируют поведение тьюторов на базе ИИ).

Вопросы для размышления

• Вероятно, вы недавно вводили промпт в инструмент ИИ. А теперь задумайтесь: то, как вы его сформулировали, не нейтрально — оно может отражать, как вы планировали, думали и распределяли усилия. Что могут сказать ваши собственные привычки формулирования промптов о том, как вы подходите к решению задач?
• Исследование показало, что пользователи, которые умело формулируют запросы, систематически получают лучший результат, чем те, кто выражает то же намерение менее искусно. Если признать, что «привилегия промптов» реальна, то справедливый доступ к ИИ лучше исправлять, обучая всех формулировать промпты лучше, или перепроектируя систему так, чтобы этот навык не требовался — и каковы компромиссы в каждом из вариантов?
• Является ли промптинг «трюком», который нужно заучить, или подлинным интеллектуальным навыком? Одна линия исследования рассматривает его как профессиональное суждение внутри дисциплины (журналистика, право, медицина); другая — как ядро ИИ-грамотности. Какая точка зрения соответствует вашему собственному опыту того, что на самом деле отличает хорошие промпты от плохих?
• Хорошо продуманные промпты могут служить опорой для мышления студента, а неумело использованные — поощрять когнитивную разгрузку. Можете ли вы вспомнить момент, когда ответ ИИ думал за вас? Что именно в промпте — или в вашем намерении — к этому привело, и можно ли было спроектировать это наоборот?
• Промптинг — это одновременно навык учащегося и рычаг проектирования системы: некоторые тьюторы теперь автоматически маршрутизируют и выбирают промпты за пользователя. По мере того как промптинг переходит от пользователя к системе, что теряют студенты — и что приобретают?
• Поставьте себе небольшую цель до чтения: узнав о промпт-инжиниринге, определитесь с одним конкретным изменением в том, как вы будете писать промпты в собственной работе, и с тем, какой результат вы проверите, чтобы убедиться, что это сработало.

Введение

Промпт-инжиниринг занимает центральное место в эффективном использовании Генеративный ИИ в образовании. В отличие от традиционных интерфейсов программирования, LLM реагируют на естественный язык — но качество, точность и педагогическая ценность этих ответов во многом зависят от конструкции промпта. Исследования в данной базе знаний показывают, что промптинг — не нейтральное действие: он отражает, как студенты думают, планируют и распределяют когнитивные усилия. Miles, Haber-Curran и Arar (2026) уточняют, что охватывает этот термин, различая промпт-инжиниринг — техническую оптимизацию входных данных для достижения результата — и промпт-грамотность (prompt literacy) — риторическую, этическую и рефлексивную работу по уточнению цели, критическому чтению выходных данных и пересмотру с указанием причин. Их цикл промпт-грамотности (Prompt Literacy Cycle: Clarify Purpose, Craft the Prompt, Engage with Output, Refine the Prompt, Reflect) и образцовая процессуальная рубрика делают это различие обучаемым; авторы утверждают, что обучение, оптимизирующее только выходные данные, оставляет этические и эпистемологические аспекты использования LLM нетронутыми.

Как промпт-инжиниринг представлен в исследованиях

• Промптинг как когнитивный след: Misiejuk и др. показывают, что паттерны промптов выявляют cognitive offloading — в высококачественных работах используются промпты, насыщенные контекстом, вежливые и обучающие; работы низкого качества обнаруживают реактивное несогласие без опоры на предметную область

• Глубина улучшает продукт, но не удержание. У 22 аспирантов доля промптов, направленных на поиск объяснения («why/how/explain»), независимо предсказывала оцениваемое экспертами качество задания (β = 6.27) — сверх исходных знаний и объёма промптов, — однако не обнаруживала связи с непосредственным воспроизведением материала (Tsiligkiris (2026)).

• Когниция промптов отслеживает дисциплину, а не студента. Chang и Li (2026) классифицировали 60 087 промптов из 116 курсов и обнаружили, что профили по уровням Блума различаются по дисциплинам — в STEM преобладает Apply (20.8%), в социальных науках — Create (33.8%) — причём вариативность на уровне курса превышала вариативность на уровне студента.

• Промптинг как грамотность: исследования Tracing GenAI literacy и промпт-грамотности в K-12 трактуют промптинг как ключевой компонент ИИ-грамотность

• Новички по умолчанию идут методом проб и ошибок и винят модель. На семинаре по лингвистике текста десять новичков в области genAI совершенствовали промпты методом проб и ошибок, редко прибегали к примерам в контексте и в подавляющем большинстве случаев объясняли плохие выходные данных некачественной формулировкой собственного промпта, а ошибками LLM (Brocca & Garassino (2026)).

• Когда преподаватель демонстрирует промпт, студенты воспроизводят его дословно. Среди 310 записанных промптов двенадцати групп STEAM средней школы точное копирование инструкции преподавателя было наиболее частой позицией студентов — 47.1%, опережая спонтанный запрос — 28.7% (Zhao & Li (2026)).

• Регуляторный цикл превосходит формулу промпта. В квазиэкспериментальном пилоте с 42 студентами бакалавриата студенты, обученные циклу IDEA (Intent, Deconstruction, Expression, Adaptation), создавали промпты и выходные данные более высокого качества, чем сокурсники, обученные промптингу Role–Task–Context–Format, во всех пяти категориях заданий (скорректированный прирост качества промптов от +11.77 до +29.19 баллов) (Wang et al., 2026).

• Промптинг как проектирование систем: CoTAL использует промпт-инжиниринг с человеком в контуре для оценивания в рамках формирующего оценивания; промптинг на основе якорей улучшает автоматическое оценивание сочинений

• Промптинг — это входной навык, а не сама дисциплина. Gorsky (2026) трактует ИИ-грамотность для специалистов по программному обеспечению как способность управлять агентами, а не промптовать их, называя фрейминг, спецификацию, контекстную инженерию, верификацию, оркестровку мультиагентных систем и аудируемость теми навыками, которые должна оценивать учебная программа (Gorsky (2026)).

• Адаптивная маршрутизация промптов: Learning to Prompt рассматривает выбор промпта как часть самой системы тьюторства — маршрутизация промптов с учётом предмета по 14 педагогическим признакам, где стохастический маршрутизатор выбирает наилучший промпт для каждого диалога. Это смещает промптинг из навыка учащегося в адаптивный рычаг проектирования системы, улучшая вовлечённость и эффективность (конверсия в выполнение упражнений 28.1% против 19.6% в реальном A/B-тесте).

• Модальности промптов: исследование голосового ввода и ввода текстом рассматривает, влияет ли модальность промпта на результаты обучения

• Промптинг за пределами текста — научная иллюстрация. Промптинг позволяет быстро создавать изображения молекул и рисунки по физической химии, однако локально убедительная визуализация всё равно может быть ошибочной или нести изобразительное искажение, поэтому студенты должны проверять сгенерированные ИИ визуализации, сопоставляя их с химическими принципами, а не доверять им (Li et al. (2026)).

• Скаффолдинговый промптинг: Guided LLM scaffolding и скаффолдинг критического вовлечения обучают структурированному промптингу как учебной интервенции

• Промптинг тренера со снимаемой поддержкой: в ARPG+ тренер в реальном времени диагностировал качество промпта по шести измерениям и постепенно снимал поддержку по мере роста компетентности, доведя итоговое качество промпта до 7.82 против 5.95 при статичных шаблонах и 4.52 при полном отсутствии помощи (Ye et al. (2026)).

• У декомпозиции задания есть оптимум. Генерация уроков для подготовки тьюторов тремя сегментами дала уроки с наивысшими оценками (среднее 14.67), тогда как один проход дал наименьшую оценку (10.67), а пять сегментов опустились ниже трёх — умеренная декомпозиция превосходит оба крайних варианта (Lin et al. (2025)).

• Привилегия промптов и справедливость: Jin et al. показывают, что экспертиза в промптинге распределена неравномерно — пользователи, которые умело формулируют запросы, систематически получают лучший результат, чем те, кто выражает то же намерение менее искусно. Их Prompt Equity Transformer смещает оптимизацию промптов от пользователя к системе ИИ, утверждая, что справедливый выход следует встраивать в модель, а не требовать этого от новичков.

• Совершенствование промптов выходит на плато; дальше включается дообучение. Итеративное проектирование промптов давало убывающий прирост качества заданий на аудирование по второму языку (L2) Оценивание, однако дообучение GPT-4.1 на оптимизированном промпте — при неизменном самом промпте — давало задания, более насыщенные контекстом и более сбалансированные, что изолирует адаптацию модели, а не мастерство промпта, в качестве следующего рычага (Aryadoust & Wong, 2026).

• Промптинг как ситуативное профессиональное суждение. Помимо грамотности и проектирования систем, промптинг можно рассматривать как дисциплинарную практику. Таксономия Dierickx et al. для журналистики трактует определение задания и промптинг как форму профессионального суждения, реализуемого в рамках эпистемических и этических норм предметной области — перевод журналистской работы в явные задачи (newsgathering → sensemaking → editing → publication/distribution) делает допущения, приоритеты и этические соображения видимыми и превращает промптинг в педагогический инструмент критической ИИ-грамотности. Её логика переносится на другие знания-интенсивные профессии (право, медицина, публичная политика).

• Проектирование промпта как спецификация обучения. Neto и коллеги (2026) в своём систематическом обзоре GenAI в медицинском образовании обнаруживают, что проектирование промпта функционирует как форма спецификации обучения, кодируя когнитивные цели и критерии качества, имплицитно заложенные в экспертном авторстве — однако лишь 34.8% исследований согласовывали сгенерированный контент с рамками обучения и лишь 34.8% описывали промптинг достаточно подробно для воспроизведения. Looi, Liu и Sun (2026) дополнительно показывают, как архитектура промпта может встраивать педагогические правила (гейты корректности, границы «анти-спойлера», гейты прощания) для ограничения поведения тьюторства на базе Большие языковые модели (LLM) в процедурных предметных областях.

• Промптинг, ориентированный на рубрики и роли. Yaşar et al. (2026) показали, что промптинг, ориентированный на рубрики, — трактующий рубрику как семантический интерфейс между педагогическим намерением человека и машинным выводом, — повысил согласие LLM с человеком при оценивании студенческих проектных работ с 54.75% до 81.25% (альфа Кронбаха 0.393 → 0.798). Рубрики, проектируемые для LLM, должны балансировать точность и гибкость: слишком расплывчатая рубрика приглашает к свободной интерпретации, слишком жёсткая редуцирует модель до сопоставления по образцу. Промптинг с учётом роли — оценивание одного и того же артефакта с промптами преподавателя, рецензента-коллеги и грантового рецензента — давал качественно различные, эпистемически отличные отзывы, показывая, что проектирование промпта формирует не только точность, но и оценочную позицию выходных данных.

• Скаффолдинг промпта может отдалить модель от преподавателя. Almousa et al. (2026) заставили семь моделей генерировать обратную связь на уровне абзаца для письменных работ студентов с использованием трёх стратегий промптинга и обнаружили, что добавление названий категорий или разобранных примеров увеличивало расхождение с распределением оценок преподавателя для большинства из них, улучшая лишь Mistral-7B (с 0.2695 до 0.2398). Базовая zero-shot стратегия осталась наиболее близкой, поэтому инструкции о фокусе обратной связи следует проверять, а не предполагать их полезность.

• Контекстно-зависимый промптинг для оценивания. Контекстно-зависимый промптинг предварительно обученных языковых моделей автоматизирует кодирование навыков коллективного решения задач из процессуальных данных, моделируя зависимости между поведенческими кодами и объединяя когнитивные и социальные способности. Это позволяет проводить структурированный анализ CPS в масштабе и в реальном времени, преодолевая трудоёмкость схем ручного кодирования.

• Ролевые шаблоны и рубрики качества для планирования преподавателем. Luo и Tahir (2025) эмпирически разрабатывают структуру промпта для планирования уроков по STEAM-искусствам для детей планирования уроков, которая сочетает шаблон Role (R) – Instructions (I) – End Goal (E) (адаптированный из RISEN) с оптимизационной рубрикой «four points and one line» — стандартизированность, практичность, вовлечённость и полнота, плюс измерение расширения. Применение рубрики для критики и совершенствования промптов сохраняло приемлемость сгенерированных планов для практикующих преподавателей искусства (средние оценки выше 4/5), одновременно выявляя повторяющиеся пробелы (ограничения персонализации, детской безопасности, культурные искажения), которые прямое одноходовое промптингование оставляло без внимания — что показывает, что шаблоны промптов плюс явные критерии оценивания функционируют как скаффолдинг контроля качества для генерации в аудитории.

• Проектирование роли и ограничений как независимая переменная. Wang et al. (2026) сравнивают двух агентов, построенных на одной модели и платформе при температуре 0.3, единственное отличие которых — в том, как промпт специфицирует роль, навыки и ограничения: агент эксперта-преподавателя, отвечающий из ограниченного источника знаний по учебнику, против эмпатичного агента, центрированного на студенте и запрограммированного на диагностику Заблуждения об ИИ и проверку понимания. Одно лишь различие ролей сдвигало учебную успешность, когнитивную нагрузку, опыт потока и воспринимаемое эмпатическое отношение, показывая, что спецификация роли — это решение учебного проектирования с измеримыми эффектами, а не стилистическая изюминка (Педагогический агент).

• Промптинг как проектирование оценивания. Xiong et al. (2026) отображают модели ученика, свидетельств и задания из Evidence-Centered Design на части промпта для оценивания, выводя пять принципов — интенциональность, трассируемость, подотчётность, итеративность и справедливость; их промпты, построенные на ECD, оценивали повествовательные сочинения точнее, чем базовые варианты zero-shot, few-shot и chain-of-thought.

Связи с более широкими концепциями

Промпт-инжиниринг связан со Скаффолдинг — хорошо продуманные промпты могут служить опорой для мышления студента, а не обходить его. Он пересекается с Метакогниция и ИИ-грамотность, поскольку эффективный промптинг требует понимания как возможностей ИИ, так и собственных учебных целей человека. Исследование Когнитивный оффлоадинг напрямую связывает качество промпта с тем, поддерживает ли использование ИИ обучение или подрывает его.

• Навык письма определяет промптинг, и оба предсказывают успех в Вайб-кодинг. В пререгистрированном исследовании CHI 2026 (N=100) Thorgeirsson, Weidmann и Su обнаружили, что владение письменной коммуникацией предсказывало результативность vibe-кодирования, ориентированного на GUI (r = .29), при этом качество промпта, оцениваемое человеком, опосредовало эту связь — свидетельство на основе анализа процесса ответа, что ясная, структурированная проза превращается в более качественные промпты для программирования на естественном языке. И навык письма, и достижения в CS были независимыми предикторами, причём достижения в CS (r = .39) объясняли примерно вдвое больше уникальной дисперсии, так что улучшение одного лишь промптинга вряд ли полностью заменит основы программирования в разработке с опорой на LLM.
• Стратегия промптинга предсказывает результативность. Эмпирическое исследование 128 студентов инженерных специальностей обнаружило, что эффективность запроса к ИИ (AI Query Efficiency — ясные, хорошо структурированные промпты) и Решение задач, управляемое ИИ (стратегическая интеграция выходных данных ИИ в рассуждение), были сильнейшими предикторами академической успешности — даже с контролем на GPA, — что указывает на то, что промптинг — это обучаемый навык, формирующий то, насколько эффективно студенты учатся с ИИ.
• Стиль промптинга, а не только качество промпта, отслеживает результаты. Признаки, выведенные из 1540 сессий тьюторства, связывали концептуальные вопросы с результатами экзаменов, тогда как поведения, делегирующие задание, коррелировали отрицательно — но те же признаки не воспроизвелись в следующем семестре, так что это поведенческие паттерны, а не устойчивые навыки (McNichols, Du и Lan (2026)).
• Пригодная таксономия — и то, какие категории промптов действительно окупаются. Jacobsen et al. (2026) переводит технические стратегии в модель 3K (Kontext, Kernauftrag, Klarheit — контекст, ключевое задание, ясность): одиннадцать практико-ориентированных категорий, каждая с рубрикой «хорошо/средне/субоптимально» и каждая протестирована как экспериментальная вариация обратной связи, сгенерированной для учебных целей будущих преподавателей. Предметно-специфичный технический язык оказался решающей категорией — замена предметной терминологии бытовыми перефразами существенно снижала качество обратной связи во всех трёх моделях (β = −0.412), — тогда как добавление конкретных примеров и удаление инструкции «цепочки рассуждений» не давало значимого отличия от базового уровня в первом исследовании; примеры помогали, когда анализ перезапускали на наилучших комбинациях «модель–промпт» (β = 0.52). Качество промпта и выбор модели вместе объясняли 42.8% дисперсии оцениваемого качества обратной связи, и в этом состоит аргумент статьи: промпт-инжиниринг — измеримая и обучаемая компетенция, а не стилистическое предпочтение, — и что её категории не взаимозаменяемы по величине эффекта.

Связанные концепции

• Педагогические паттерны — Слой скаффолдинга внутри последовательностей структурированного использования
• Вайб-кодинг
• Ограничители (guardrails)
• Скаффолдинг
• ИИ-грамотность
• Агентный ИИ
• Метакогниция
• Проектирование учебного плана
• Когнитивный оффлоадинг
• Письменная речь
• K-12
• Генеративный ИИ
• Дизайн обучения
• Информатика (CS) в образовании
• Высшее образование
• Технологии — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

Связанные статьи

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Роль агента и промпты ограничений как переменная проектирования в обучении физике (Wang et al. 2026)
• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — Промптинг и дообучение для генерации заданий на аудирование по второму языку с помощью GPT (Aryadoust & Wong 2026)
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — То, о чём спрашивают студенты, имеет значение: глубина взаимодействия с LLM, качество задания и непосредственное воспроизведение (Tsiligkiris 2026)
• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+: коучинг образовательного промптинга для LLM в реальном времени
• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — Задачно-ориентированная таксономия задач LLM для критической ИИ-грамотности в журналистике
• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: измерение и снижение неравенства доступности при обращении к LLM
• Principal Trait Analysis: Towards Deriving 'Skills' in Human-AI Collaboration — Principal Trait Analysis: признаки коллаборации человека и ИИ, выведенные из данных
• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLM в преподавании лингвистики текста
• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — Рамка IDEA для метакогнитивно регулируемого использования GenAI
• Automatic Large Language Models Creation of Interactive Learning Lessons — Генерация интерактивных уроков для подготовки тьюторов с помощью LLM (Lin et al. 2025)
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module
• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline
• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics
• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — Руководство ЮНЕСКО по ИИ, адаптированное к химическому образованию; эпистемический дрейф
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — Поведение в промптинге предсказывает результативность студентов инженерных специальностей
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Ассоциированное с дисциплиной когнитивное вовлечение по уровням Блума в диалогах студентов с ИИ (Chang & Li 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM как агенты итеративного педагогического проектирования
• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework
• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Промпт-инжиниринг и промпт-грамотность: пятифазовая человеко-центрированная рамка взаимодействия с GenAI с пятишаговым циклом промпт-грамотности (Miles, Haber-Curran & Arar 2026)
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Промпт-инжиниринг и выбор модели как предикторы качества обратной связи ИИ (Jacobsen et al. 2026)
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Оценка фокуса обратной связи и педагогической адаптивности в обратной связи LLM на письменные работы студентов
• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — Группы STEAM средней школы дословно копировали инструкцию преподавателя в 47.1% промптов
• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — Использование Evidence-Centered Design для руководства промпт-инжинирингом в области измерений: пример с автоматизированным оцениванием сочинений