TL;DR
Студенты тратят больше времени на подготовку учебных материалов (конспекты, карточки), чем на само обучение — медик потратил 3 месяца на создание флешкарточек и не успел их повторить. Исследование SmartFlash (AI-генератор карточек из текстов) изучало какой баланс между автоматизацией и контролем нужен, чтобы AI помогал учиться, а не превращал в пассивного потребителя готового контента.
Автоматизация создаёт парадокс: она снимает рутину, но убивает активное вовлечение — ключ к обучению. Студенты хотят автоматизации подготовки, но паникуют когда не могут проверить или исправить то, что сгенерировал AI. "Я хочу отредактировать, но оно не даёт — это вызывает тревогу" — типичная реакция. AI, который выдаёт готовый результат без прозрачности и возможности правки, воспринимается как угроза контролю, а не помощник.
Исследование выявило три принципа эффективного AI-помощника: (1) давай редактируемые черновики, не финальные версии — возможность править = когнитивное присвоение знания, (2) объясняй логику своих предложений прозрачно, (3) подсказывай направление обучения без диктата ("что изучить дальше и почему"). Мотивационные фичи (рейтинги, соревнования) работают индивидуально — лидерборд одних вдохновляет, других демотивирует до отказа от инструмента.
Принципы применения
Это не готовая техника промптинга, а принципы взаимодействия с AI, которые работают в любом чате:
Принцип 1: Редактируемые черновики > Финальные версии
Просите AI давать заготовку для доработки, не готовый результат: - ❌ "Напиши конспект главы" - ✅ "Дай структуру конспекта с ключевыми точками — я доработаю детали"
Принцип 2: Прозрачность логики
Требуйте объяснения ПОЧЕМУ AI предложил это решение: - ❌ "Создай 20 карточек по теме" - ✅ "Предложи 10 карточек с объяснением почему эти темы важны для экзамена"
Принцип 3: Направление без диктата
AI как консультант, а не начальник: - ❌ "Составь план обучения" - ✅ "Какие темы стоит изучить следующими и почему? Мне нужно понять логику, чтобы скорректировать под себя"
Принцип 4: Настраиваемая автоматизация
Управляй уровнем помощи под задачу — больше автоматизации для рутины, больше контроля для сложного: - Рутина: "Сделай 50 карточек по всему тексту" - Сложное: "Найди 5 самых спорных моментов в тексте и предложи вопросы для размышления"
Пример применения
Задача: Готовишься к собеседованию на позицию продакт-менеджера в Яндексе. Нужно разобрать кейсы, метрики продуктовые фреймворки (JTBD, CJM, Unit-экономика). Времени мало, материалов — гора.
Промпт (старый подход — финальная версия):
Создай полный конспект по Product Management для подготовки к собеседованию в топовую IT-компанию.
Включи все важные темы, метрики, кейсы.
Проблема: Получишь портянку текста. Прочитаешь ли? Запомнишь ли? Это не твоё знание — это текст от AI.
Промпт (новый подход — черновик + контроль):
Я готовлюсь к собеседованию на PM-позицию в Яндексе.
1. Предложи 10 ключевых тем для изучения с объяснением ПОЧЕМУ они важны на собесе
2. Для каждой темы дай структуру-каркас (3-5 пунктов) — я доработаю детали сам
3. Предложи следующий шаг после изучения этих тем
Мне нужен редактируемый черновик, не финальный конспект. Покажи логику приоритетов.
Результат:
AI выдаст список тем с обоснованием ("Метрики активации — её спрашивают в 80% кейсов, потому что..."). Ты видишь логику и можешь скорректировать ("мне не нужна монетизация, фокус на Growth").
Для каждой темы — каркас, не портянка: "Unit-экономика: 1) CAC/LTV соотношение, 2) Payback period, 3) Когкогортный анализ врёт". Ты заполняешь детали сам — так информация становится твоей.
AI предложит следующий шаг: "После теории разбери 3 кейса Яндекса (Лавка, Такси, Плюс) — примени метрики на реальных продуктах". Это не приказ, а подсказка — ты решаешь следовать или менять направление.
Почему это работает
Слабость LLM: Модель генерирует по паттернам, но не знает твоих пробелов и акцентов. "Полный конспект" будет общим, не персонализированным под твой уровень и контекст собеседования.
Сильная сторона LLM: Модель отлично строит структуры и видит связи между темами. Она может предложить логичный каркас быстрее, чем ты соберёшь из разных источников.
Как принципы используют силу:
Редактируемость превращает генерацию в совместную работу: AI даёт каркас → ты дорабатываешь детали → информация становится твоей. Это и есть обучение. Готовый конспект ты потребляешь, черновик — создаёшь.
Прозрачность логики учит тебя думать как AI, чтобы лучше им управлять. Когда видишь "эту тему важна, потому что...", ты понимаешь критерии приоритизации и можешь их скорректировать.
Баланс автоматизации экономит время на рутине (структуры, списки, форматирование) и оставляет энергию на глубокую проработку (кейсы, применение, критическое осмысление).
Рычаги управления
Уровень детализации — управляй глубиной ответа: - "каркас из 3 пунктов" → экономия времени, высокий контроль - "детальный разбор" → больше информации, меньше работы
Формат вывода — задавай структуру под задачу: - "список с обоснованиями" → для выбора направления - "таблица метрика-формула-пример" → для быстрого повторения - "вопросы для самопроверки" → для контроля понимания
Точка вмешательства — решай где взять контроль: - AI структурирует → ты выбираешь темы - AI предлагает → ты корректируешь - AI генерирует черновик → ты дорабатываешь
Паттерны промптов
Паттерн 1: Черновик с логикой
Я работаю над {задача}.
Предложи {число} ключевых {элементов} с объяснением ПОЧЕМУ они важны для {контекст}.
Для каждого дай структуру-каркас ({число} пунктов) — я доработаю детали сам.
Мне нужен редактируемый черновик, не финальный результат.
Подставь:
- {задача} — что делаешь (готовлюсь к собесу, пишу статью, разбираю тему)
- {элементов} — что нужно (тем, вопросов, аргументов, источников)
- {контекст} — зачем (для собеса в Яндекс, для клиента из ритейла, для экзамена)
Паттерн 2: Направление без диктата
Я изучил {что сделал}.
Предложи 3 варианта следующего шага с обоснованием:
- Что делать
- Почему это логично после {что сделал}
- Какой результат ожидать
Я выберу сам или скомбинирую варианты.
Паттерн 3: Настраиваемая автоматизация
Задача: {описание задачи}
Уровень помощи: {выбери}
- МАКСИМУМ: дай готовое решение — у меня рутина, нужна скорость
- СРЕДНИЙ: дай структуру + ключевые точки — я доработаю детали
- МИНИМУМ: задавай наводящие вопросы — я хочу додуматься сам
{выбранный уровень}
Ограничения
⚠️ Нет готовых промптов: Это принципы, а не конкретная техника. Нужно адаптировать под каждую задачу — понимаешь философию, но строишь промпт сам.
⚠️ Мотивация индивидуальна: Подходы к вовлечению (соревнования, рейтинги, стрики) работают по-разному. Что одного вдохновляет, другого демотивирует до отказа. Универсальных мотивационных механик нет.
⚠️ Требует метакогнитивных навыков: Чтобы эффективно корректировать черновики и выбирать направление, нужно понимать ЧТО ты знаешь и ЧТО нет. Если этого навыка нет — принципы работают хуже.
⚠️ Баланс зависит от задачи: Где граница между "полезная автоматизация" и "вредное делегирование" — неочевидно. Для рутины (форматирование, списки) можно больше автоматизации, для сложного (анализ, синтез) — больше контроля.
Ресурсы
"'I Spend All My Energy Preparing': Balancing AI Automation and Agency for Self-Regulated Learning in SmartFlash"
Исследование 6 студентов (математика, медицина, биология, инженерия) с AI-прототипом для создания флешкарточек. Выявило парадокс автоматизации в обучении и принципы эффективного AI-помощника.
Авторы: Hongming (Chip) Li, Salah Esmaeiligoujar, Nazanin Adham, Hai Li, Rui Huang University of Florida
Принято на International Society of the Learning Sciences (ISLS) Annual Meeting 2026
Теоретическая база: - Cognitive Load Theory (Sweller, 2020) — про extraneous load от подготовки - Self-Regulated Learning (Zimmerman, 2002; Panadero, 2017) — про метакогницию - Human-Computer Interaction (Amershi et al., 2019) — про co-adaptive systems