Давайте поставим себя на место Салли: обувь других. Префиксация улучшает теорию разума в больших языковых моделях.

Исследование показывает, что если заставить LLM начать свой ответ с фразы «Давайте поставим себя на место [имя персонажа]», это значительно улучшает её способность понимать и предсказывать мысли, чувства и намерения этого персонажа. Этот метод, названный "Shoes of Others" (SoO), работает лучше, чем стандартная инструкция «Думай шаг за шагом», особенно в задачах, требующих эмпатии и анализа социальных ситуаций.

Ключевой результат: Принудительное принятие перспективы другого персонажа перед началом рассуждений делает логику LLM более точной и "честной" по отношению к финальному выводу.

Суть метода "Shoes of Others" (SoO) заключается в том, чтобы сместить фокус LLM со стандартной роли "всезнающего ассистента" на конкретную роль персонажа, чью точку зрения нужно проанализировать. Вместо того чтобы смотреть на ситуацию со стороны, модель принудительно моделирует ход мыслей изнутри.

Это работает как когнитивный прайминг. Когда вы даете LLM инструкцию «Поставь себя на место [кого-то]», вы активируете в ее нейронной сети те паттерны и знания, которые ассоциируются с этой ролью. Модель начинает рассуждение не с чистого листа, а с уже заданной "системы координат": убеждений, эмоций и знаний указанного персонажа.

Для пользователя это означает, что вместо прямого вопроса «Как отреагирует клиент на это письмо?», нужно использовать двухступенчатую структуру промпта: 1. Инструкция по смене перспективы: «Представь, что ты — наш клиент. Ты занят, получаешь по 100 писем в день и не любишь пустые обещания». 2. Основная задача: «Теперь прочитай это письмо и опиши свою первую реакцию».

Этот подход заставляет модель генерировать ответ, который гораздо точнее отражает вероятную реакцию реального человека, а не просто формальный анализ текста.

*Прямая применимость:Пользователь может немедленно начать использовать эту технику, добавляя в свои промпты фразы-триггеры. Например:«Поставь себя на место [роль]»,«Взгляни на эту ситуацию глазами [роль]»,«Представь, что ты [роль], и опиши свои мысли». Это работает для анализа текстов, генерации коммуникаций, брейншторминга и т.д.

• Концептуальная ценность: Исследование дает пользователю ключевую идею: LLM — это не поисковик, а симулятор. Качество ответа зависит от того, какой "симулятор" (персону) вы запустите. Вместо того чтобы спрашивать о ком-то, нужно попросить модель стать кем-то. Это помогает понять, почему LLM иногда дает бездушные или нерелевантные ответы — потому что она оставалась в своей дефолтной роли.

• Потенциал для адаптации: Метод легко адаптируется под любую задачу, где важна перспектива. Фраза Let's put ourselves in Sally's shoes — это лишь частный случай.

  • Маркетинг: «Поставь себя на место скептически настроенного покупателя, который впервые видит нашу рекламу».
  • Менеджмент: «Посмотри на этот отчет глазами нашего CEO, которого волнуют только три ключевых показателя: выручка, затраты и рост рынка».
  • Обучение: «Объясни эту концепцию так, как будто ты учитель, который говорит с пятиклассником». Механизм адаптации прост: определить ключевую роль, чья перспектива важна для задачи, и явно приказать модели принять эту роль перед выполнением основного задания.

Этот промпт работает за счет применения метода "Shoes of Others" для решения очень распространенной и эмоционально сложной задачи.

1. Принудительная смена перспективы: Конструкция поставь себя на место моего руководителя, Андрея заставляет LLM перестать быть просто "помощником по написанию текстов" и начать моделировать конкретного человека с его страхами и мотивацией (бюджет, командный дух).
2. Упреждающий анализ: Задавая наводящие вопросы о его опасениях и аргументах, мы направляем "мыслительный процесс" модели в нужную сторону. Она не просто пишет текст, а сначала строит "психологический профиль" адресата.
3. Снижение риска "галлюцинаций": Вместо того чтобы выдумывать общие советы, модель генерирует сообщение, которое с большей вероятностью будет воспринято позитивно конкретным человеком, так как оно построено на анализе его предполагаемой точки зрения. Ответ получается не просто вежливым, а стратегически верным.

Этот промпт эффективно использует метод SoO для трансформации экспертного контента в общедоступный.

1. Моделирование эмпатии к аудитории: Инструкция поставь себя на место обычного читателя заставляет LLM симулировать не эксперта, а новичка. Это фундаментально меняет подход к задаче: цель — не перечислить факты, а сделать их понятными и интересными для целевой аудитории.
2. Отфильтровывание "проклятия знания": Автор (и LLM по умолчанию) страдает от "проклятия знания" — ему сложно объяснить просто то, что он хорошо знает. Метод SoO искусственно создает в модели "наивность", заставляя ее задаваться вопросами, которые задал бы реальный читатель ("А что такое штамм?", "Почему мне это важно?").
3. Генерация практико-ориентированного контента: Приняв перспективу читателя, ищущего практическую пользу, модель с большей вероятностью предложит структуру статьи, которая начинается с проблемы читателя (например, "Как улучшить пищеварение?"), а не с определения пробиотиков. Это делает контент более ценным и вовлекающим.

• A. Релевантность техникам промтинга: Да. Предлагает конкретную фразу-триггер Let's put ourselves in <name>'s shoes для активации рассуждений с чужой точки зрения.
• B. Улучшение качества диалоговых ответов: Да. Таблицы в исследовании показывают стабильное улучшение точности в задачах на "Теорию Разума" (понимание чужих убеждений, намерений, эмоций).
• C. Прямая практическая применимость: Да. Хотя самый эффективный метод ("prefixing" — форсирование начала ответа) недоступен в обычных чатах, пользователь может легко адаптировать его в виде прямой инструкции в промпте, что является очень практичным.
• D. Концептуальная ценность: Очень высокая. Объясняет, что принуждение LLM к "смене перспективы" до начала рассуждения кардинально улучшает качество этого рассуждения. Это дает пользователю мощную ментальную модель для управления поведением LLM.
• E. Новая полезная практика (кластеры):
  • Кластер 1 (Техники формулирования): Является ярким примером техники role-play/perspective-taking.
  • Кластер 2 (Поведенческие закономерности): Показывает, как "фрейминг" в начале промпта влияет на весь последующий процесс генерации.
  • Кластер 7 (Надежность и стабильность): Напрямую решает проблему "неверности" (unfaithfulness), когда рассуждения модели не соответствуют ее итоговому ответу, повышая тем самым надежность.
• Чек-лист практичности: Дает готовую фразу, показывает как структурировать запрос (сначала перспектива, потом задача), раскрывает неочевидные особенности LLM и предлагает способ улучшить точность. (+15 баллов).

Оценка 90 баллов обусловлена тем, что исследование предлагает простую, но чрезвычайно эффективную и легко адаптируемую технику, которая решает частую проблему LLM — отсутствие эмпатии и неспособность посмотреть на ситуацию с чужой точки зрения. Это напрямую применимо в огромном количестве повседневных задач: от написания писем до анализа отзывов.