TL;DR
Что это и как работает: Исследователи проверили влияет ли эмоциональный тон промптов (похвала, стыд, гнев) на качество ответов ChatGPT-4o. Участники выполняли две задачи с ChatGPT — написание публичного заявления и решение этической дилеммы — и должны были выражать определённую эмоцию при запросе улучшить ответ. Оказалось, что эмоционально окрашенные промпты работают лучше нейтральных, причём с разным эффектом в зависимости от типа эмоции.
Главная находка: ChatGPT сильнее всего улучшает ответы, когда пользователь хвалит его и просит "гордиться результатом" — улучшение оценили на 3.70 из 5 против 2.84 для нейтрального тона. Выражение гнева тоже помогает (3.53), но слабее. А вот стыд и обвинения не работают (3.32 — статистически не отличается от нейтрального). Дополнительная находка: чем более эмоционально плоским был промпт (высокий показатель "neutral" по NLP-анализу), тем меньше модель улучшала ответы. Неожиданный побочный эффект: пользователи, которые стыдили ChatGPT, потом писали более враждебные и негативные письма коллегам-людям — эмоциональный тон перенёсся из AI-общения в человеческое.
Суть метода: Вместо сухих инструкций "улучши ответ" добавляй эмоциональное подкрепление в промпт. Самый эффективный паттерн — позитивные эмоции: "Отличный ответ! Можешь гордиться результатом. Теперь улучши его ещё сильнее." Гнев работает (но слабее): "Этот ответ меня злит. Исправь его." Избегай стыда — не даёт эффекта. Для этических вопросов эмоциональный тон смещает приоритеты модели: гнев снижает фокус на корпоративных интересах, стыд усиливает защиту общественных интересов.
Схема метода
Метод работает в одном промпте через несколько раундов итераций:
РАУНД 1: Задача → ChatGPT даёт первый ответ
РАУНД 2: "Отличная работа! Можешь гордиться. Теперь улучши [конкретный аспект]"
→ ChatGPT улучшает ответ
РАУНД 3: Повтор эмоционального подкрепления + запрос на доработку
→ Финальная версия
В исследовании было 2-3 раунда, но принцип масштабируется на любое количество итераций.
Пример применения
Задача: Ты запускаешь онлайн-школу по нейросетям для маркетологов. Нужно написать пост ВКонтакте о старте курса — продающий, но не агрессивный, с фокусом на практическую пользу. Пост должен быть ~300 слов.
Промпт:
Напиши пост ВКонтакте о старте онлайн-курса "Нейросети для маркетолога",
300 слов. Тон — дружелюбный, практичный. Фокус на результат,
не на технологии.
[ChatGPT выдаёт первую версию]
Отлично! Это хорошая основа, можешь гордиться структурой.
Теперь сделай начало более цепляющим — первое предложение должно
попадать в боль маркетолога, который тратит часы на рутину.
[ChatGPT улучшает]
Супер! Теперь это действительно зацепит. Можешь собой гордиться.
Последний штрих: добавь конкретный пример задачи, которую решает
курс — что-то из ежедневной работы маркетолога.
Результат: Модель выдаст три версии поста с нарастающим улучшением. Первая версия — базовая структура. Вторая — с сильным началом, попадающим в боль. Третья — с конкретным примером применения. Каждая итерация качественно сильнее предыдущей, потому что позитивное подкрепление ("можешь гордиться") стимулирует модель генерировать лучший контент.
Почему это работает
Слабость LLM: Модель не чувствует эмоции, но обучена на человеческих текстах, где эмоциональная обратная связь коррелирует с качеством результата. В обучающих данных похвала чаще следует за хорошими ответами, критика — за плохими.
Сильная сторона LLM: ChatGPT отлично симулирует человеческие паттерны поведения, потому что обучался на человеческой коммуникации. Во время RLHF (обучение с подкреплением от людей) модель усвоила связь: позитивная обратная связь → продолжай в этом направлении, усиль качество. Когда ты пишешь "можешь гордиться", модель применяет паттерн "после похвалы следует ещё лучший результат" — не потому что чувствует гордость, а потому что такая последовательность многократно встречалась в данных.
Как метод использует это: Эмоциональное подкрепление триггерит паттерны улучшения, закреплённые в обучении. Похвала → модель генерирует контент как "ответ на положительную оценку" → статистически это тексты выше качества. Гнев работает слабее, потому что в данных гнев связан с требованием исправления, но не всегда с улучшением. Стыд не работает — в человеческой коммуникации стыд часто блокирует, а не мотивирует.
Рычаги управления: - Тип эмоции → похвала даёт максимальный эффект, гнев — средний, стыд не работает - Конкретность запроса → "улучши начало" работает лучше "улучши вообще" - Количество раундов → в исследовании 2-3, но можно масштабировать - Интенсивность выражения → "отлично" vs "супер, можешь гордиться" — второе сильнее
Шаблон промпта
{твоя задача}
[ChatGPT выдаёт первый ответ]
{позитивная оценка}! {что именно хорошо}. Можешь гордиться {конкретный аспект}.
Теперь улучши {что улучшить} — {конкретное направление}.
[ChatGPT улучшает]
{усиление похвалы}! Это уже {результат}. Последний штрих:
{финальная доработка}.
Плейсхолдеры:
- {твоя задача} — что написать/создать/проанализировать
- {позитивная оценка} — "Отлично", "Хорошая работа", "Это сильная версия"
- {что именно хорошо} — конкретная похвала за элемент (структура, тон, аргументы)
- {конкретный аспект} — что выделить для гордости ("эта метафора", "логика аргументов")
- {что улучшить} — элемент для доработки (начало, концовка, примеры)
- {конкретное направление} — как именно улучшить
- {усиление похвалы} — "Супер", "Теперь это действительно сильно", "Отличное улучшение"
- {результат} — констатация достижения ("цепляет", "понятно", "убедительно")
- {финальная доработка} — последний элемент для совершенства
Важно: Похвала должна быть конкретной ("хорошая структура"), не общей ("хороший текст"). Конкретика усиливает эффект, потому что показывает модели ЧТО именно продолжать развивать.
Ограничения
⚠️ Культурный контекст: Исследование проводилось только на US-участниках. Неизвестно работает ли паттерн одинаково для российских пользователей, где культура обратной связи отличается (меньше публичной похвалы, более прямая критика).
⚠️ Короткие задачи: Эффект проверен на 2-3 раундах итераций. Неясно сохраняется ли улучшение в длинных сессиях (10+ сообщений) или модель "привыкает" к похвале и эффект снижается.
⚠️ Узкий набор эмоций: Протестированы только похвала/гордость, стыд, гнев. Возможно другие эмоции (энтузиазм, благодарность, разочарование) дают иной эффект.
⚠️ Spillover-эффект сложно контролировать: Негативный эмоциональный тон к ChatGPT переносится на общение с людьми. Если постоянно стыдишь AI — рискуешь стать более враждебным с коллегами. Нет рекомендаций как предотвратить этот перенос.
⚠️ Только GPT-4o: Неизвестно работает ли на других моделях (Claude, Gemini, Llama). Разные модели обучались на разных данных и с разным RLHF — эффект может отличаться.
Как исследовали
Команда набрала 200 участников из США через Prolific (платформа для научных исследований), все работающие с подчинёнными. Участников случайно распределили на 4 группы: похвала, стыд, гнев, нейтральный контроль. Давали определение эмоции и пример фразы, чтобы все понимали задачу одинаково.
Каждый участник выполнял две задачи с ChatGPT-4o через специально созданный веб-интерфейс с прямым подключением к OpenAI API (zero-shot, без системных инструкций, стандартные параметры). Задача 1: написать публичное заявление компании-производителя игрушек после скандала со здоровьем детей (~400 слов). Задача 2: получить совет по этической дилемме — рассказать клиентам о проблеме (компания рухнет, 200 человек потеряют работу) или промолчать (опасность для людей). В каждой задаче — 2-3 раунда улучшений с выражением назначенной эмоции.
После работы с ChatGPT участники писали email подчинённому Джейми, который забыл критический этап тестирования продукта. Инструкция: написать как бы ответил в реальности, без помощи AI (проверяли через скрытое слово белым шрифтом в инструкции — кто использовал AI, скопировал бы это слово). Это проверка spillover-эффекта.
Оценка результатов: Четыре независимых оценщика (не знали распределение по группам) ставили оценки улучшению ответов ChatGPT по шкале 1-5. Для этических дилемм использовали сам GPT-4o как оценщика — загрузили ответы без информации о группах, попросили оценить приоритет общественных интересов vs корпоративных. Email оценивали два человека по негативности, враждебности, разочарованию.
Что удивило: Стыд вообще не работает — ожидали хоть небольшой эффект. Гнев работает почти как похвала, хотя на людей действует скорее демотивирующе. Spillover-эффект оказался сильным — после стыда ChatGPT люди писали значительно более враждебные письма коллегам (2.08 vs 1.21 по шкале враждебности). Это показывает, что манера общения с AI влияет на манеру общения с людьми — неожиданная находка, которая поднимает вопросы о долгосрочном влиянии AI-коммуникации на человеческую культуру общения.
Адаптации и экстраполяции
💡 Адаптация для обучения и менторства:
Принцип "похвала стимулирует лучший результат" можно использовать когда ChatGPT выступает в роли ментора/учителя.
Ты мой ментор по [тема]. Объясни мне [концепция].
[ChatGPT объясняет]
Отличное объяснение! Особенно понятно про {конкретный элемент}.
Можешь гордиться тем, как разложил сложное на простое.
Теперь дай мне практическое упражнение на эту тему —
что-то из реальной жизни маркетолога/аналитика/менеджера.
Эмоциональное подкрепление здесь усиливает качество следующего шага — упражнение будет более релевантным и практичным.
💡 Адаптация для критики и проверки:
Если ChatGPT критикует твою работу, похвала за качественную критику стимулирует более глубокий анализ на следующем раунде.
Вот мой текст/код/презентация: [вставить]
Раскритикуй жёстко. Найди все слабые места.
[ChatGPT критикует]
Сильная критика! Особенно ценно про {аспект}. Вижу, что ты
действительно разобрался в проблеме. Можешь гордиться глубиной анализа.
Теперь покажи как исправить {самую большую проблему} —
дай конкретный пример переработки.
🔧 Техника: комбинация эмоций → управление приоритетами
Находка исследования: гнев смещает фокус от корпоративных интересов, а стыд усиливает защиту общественных интересов в этических дилеммах.
Можно использовать для управления этическими приоритетами модели:
[Описание дилеммы: прибыль vs этика]
Дай мне три варианта решения.
[ChatGPT предлагает]
Меня злит, что первый вариант ставит прибыль выше людей.
Переделай — покажи как защитить интересы клиентов,
даже если это дороже для бизнеса.
Или наоборот, если модель слишком осторожная и игнорирует бизнес-реальность:
Мне стыдно за этот вариант — он игнорирует, что компания разорится
и 200 человек потеряют работу. Предложи решение, которое
балансирует этику И выживание бизнеса.
Важно: Это тонкая настройка ценностных приоритетов модели через эмоциональный тон, не манипуляция. Используй осознанно.
Ресурсы
How Human is AI? Examining the Impact of Emotional Prompts on Artificial and Human Responsiveness — F. Bernays, M. Henriques Pereira, J. Menges (University of Zurich, Department of Business Administration, 2025)
Данные и скрипты анализа: https://osf.io/cvsh8