Изучение сотрудничества человека и ИИ для совместного написания конструктивных комментариев в интернете

Исследование изучает, как LLM помогает людям писать более конструктивные комментарии на острые социальные темы. Выяснилось, что люди и LLM по-разному понимают "конструктивность": люди больше ценят логику и факты, а LLM (GPT-4) — вежливость и сбалансированность разных точек зрения. Несмотря на это, комментарии, написанные с помощью LLM, оцениваются людьми как значительно более конструктивные, чем написанные без помощи AI.

Ключевой результат: LLM — мощный инструмент для улучшения стиля и конструктивности текста, но он может "размывать" первоначальную мысль автора, смещая акцент с сильной аргументации на вежливый компромисс.

Суть метода заключается восознанном и целенаправленном редактировании текста с помощью LLM, вместо общей и размытой команды «улучши этот текст». Исследование показывает, что для получения качественного результата пользователь должен выступить в роли "арт-директора" для LLM.

Методика для пользователя выглядит так:

1. Написать черновик: Сформулируйте свою основную мысль, аргументы и позицию своими словами, не слишком заботясь о стиле. Это ваш "сырой" материал.
2. Определить цели улучшения: Подумайте, чего именно не хватает вашему тексту. Исследование выделяет ключевые направления:
   • Логика и факты: Сделать аргументацию более четкой, пошаговой и убедительной.
   • Сбалансированность: Учесть и вежливо отразить противоположные точки зрения, найти "золотую середину".
   • Решение: Предложить конкретные шаги или выход из ситуации.
   • Вежливость и тон: Снизить агрессию, убрать токсичность, сделать язык более уважительным.
3. Дать LLM конкретные инструкции: Вместо «сделай лучше» используйте комбинацию точечных команд, основанных на ваших целях. Вы можете попросить LLM сфокусироваться на чем-то одном или скомбинировать несколько задач.

Главный вывод: не доверяйте LLM слепо "улучшать" текст. Управляйте процессом, указывая, какие именно аспекты "конструктивности" для вас важны в данный момент. Понимая, что модель по умолчанию тяготеет к вежливости, вы можете явно попросить ее: «Сохрани жесткость аргумента, но сделай тон более нейтральным».

*Прямая применимость:Метод применим напрямую и немедленно. Любой пользователь может взять свой текст (письмо, пост, комментарий) и дать LLM-чату команду, разлагая задачу на части: «Вот мой текст. Перепиши его, сделав три вещи: 1. Усили логическую связь между аргументами. 2. Сделай тон более вежливым. 3. Кратко упомяни возможную контраргументацию». Это намного эффективнее, чем просто «перепиши».

• Концептуальная ценность: Исследование дает пользователю ключевую концептуальную идею: LLM имеет встроенные "предпочтения" или "ценности". В данном случае — это склонность к "диалектическому" стилю (поиск компромисса) и вежливости. Это объясняет, почему LLM иногда выдает "беззубые", слишком общие или нерешительные ответы, даже если вы просили о сильном аргументе. Понимание этого позволяет пользователю компенсировать этот крен, давая более точные инструкции.

• Потенциал для адаптации: Этот подход легко адаптируется для любой задачи по редактированию и созданию текста.

  • Деловая переписка: «Перепиши это письмо. Сделай его более вежливым, но сохрани суть претензии и четко обозначь наши требования».
  • Создание контента: «Вот идея для поста. Раскрой ее, используя сильную логическую аргументацию. В конце добавь абзац, где рассматривается альтернативная точка зрения, чтобы показать сбалансированность».
  • Личный отзыв: «Помоги мне написать отзыв на отель. Вот мои плюсы и минусы. Структурируй их так, чтобы текст был полезным и конструктивным, а не просто эмоциональным». Механизм адаптации прост: разбейте любую сложную писательскую задачу на составляющие (логика, структура, тон, аудитория, цель) и давайте LLM инструкции по каждой из них.

Этот промпт эффективен, потому что он напрямую применяет выводы исследования:

• Декомпозиция задачи: Вместо абстрактного "сделай хорошо", мы разбиваем задачу на четыре конкретных, измеримых шага ([Усиль логику], [Сбалансируй], [Сделай тон вежливым], [Добавь решение]). Это те самые аспекты "конструктивности", которые анализировались в работе.
• Управление "ценностями" LLM: Мы используем естественную склонность LLM к вежливости и сбалансированности (пункты 2 и 3), но при этом заставляем ее сохранить и четко изложить факты и логику (пункт 1), не давая "размыть" негативные моменты.
• Предоставление "сырого материала": Мы даем модели наш черновик, сохраняя авторский контроль над сутью. LLM выступает в роли редактора, а не автора, что снижает риск искажения нашего первоначального мнения. Промпт четко разделяет "что я хочу сказать" (черновик) и "как я хочу это сказать" (инструкции).

Этот пример работает по тому же принципу, что и предыдущий, адаптированному для межличностной коммуникации:

• Использование поведенческих паттернов LLM: Промпт задействует сильную сторону LLM — генерацию вежливого, сбалансированного и позитивно окрашенного текста (инструкции 1, 2, 4). Это именно то, что модель делает хорошо по умолчанию, согласно исследованию.
• Предотвращение "размывания" сути: Ключевая инструкция — [Смягчи тон и будь конкретным]. Она не дает LLM просто убрать всю критику. Она заставляет модель перевести эмоциональные обвинения из черновика в объективные, фактические замечания. Это прямой ответ на вывод исследования о том, что люди ценят факты и логику.
• Структурированный подход: Как и в исследовании, где пользователи выбирали конкретные промпты для улучшения комментариев, здесь мы предоставляем пошаговую структуру для построения конструктивного фидбэка ("сэндвич обратной связи"). Это превращает LLM из простого "переписчика" в ассистента, следующего проверенной коммуникационной методике.

• Предварительный фильтр: Исследование полностью сфокусировано на генерации и оценке текстового контента (комментариев) и методах улучшения этого текста с помощью LLM. Оно проходит фильтр.
• A. Релевантность техникам промтинга: Да, исследование напрямую анализирует, какие типы инструкций (промптов) пользователи выбирают для улучшения своих комментариев (логика, вежливость, баланс мнений), и как разные стили аргументации (логический vs. диалектический), заданные через промпты, воспринимаются людьми и LLM.
• B. Улучшение качества диалоговых ответов: Да, это центральная тема работы. Доказано, что комментарии, написанные совместно с LLM, оцениваются как значительно более конструктивные, позитивные и менее токсичные.
• C. Прямая практическая применимость: Да, выводы можно применить немедленно, без кода и специальных инструментов. Любой пользователь может попросить LLM переписать свой текст, используя конкретные инструкции, выявленные в исследовании.
• D. Концептуальная ценность: Очень высокая. Исследование вскрывает фундаментальное различие в "представлениях о хорошем" между людьми и LLM: люди ценят логику и факты, тогда как GPT-4 склоняется к вежливости и сбалансированности, иногда в ущерб силе аргумента. Это ключевое знание для понимания, почему LLM иногда "смягчает" или "размывает" ваши тезисы.
• E. Новая полезная практика (кластеризация): Работа попадает сразу в несколько кластеров:
  • Кластер 1 (Техники формулирования): Явно демонстрирует эффективность декомпозиции задачи "сделай конструктивно" на подзадачи: "используй логику", "сбалансируй мнения", "будь вежлив".
  • Кластер 2 (Поведенческие закономерности): Раскрывает склонность LLM к "диалектическому" стилю (поиск компромисса, баланс) и повышению позитивности/снижению токсичности, что может искажать первоначальный замысел.
  • Кластер 7 (Надежность и стабильность): Показывает, как использовать LLM для снижения токсичности и повышения конструктивности, но предупреждает о риске потери нюансов и искажения позиции автора.
• Чек-лист практичности (+15 баллов): Да, работа дает готовые направления для формулировок, показывает, как структурировать сложные запросы на переработку текста, и раскрывает неочевидные особенности поведения LLM. Бонус в 15 баллов применен.

Аргументы в пользу оценки 90: Исследование предоставляет не просто "еще один трюк", а фундаментальное понимание того, как сотрудничать с LLM при написании текстов на сложные темы. Оно дает готовую методику: 1) напиши черновик, 2) дай LLM конкретные цели для переработки (усилить логику, сбалансировать, повысить вежливость). Главный инсайт — о расхождении в ценностях (логика у людей vs. вежливость у LLM) — бесценен для любого, кто использует AI как партнера по письму, так как позволяет предвидеть и корректировать "слабые места" в ответах модели.