TL;DR
Педагогический промпт — это пятикомпонентная структура запроса к AI, которая меняет поведение модели одним приёмом: явно запрещает давать готовое решение. Вы описываете тип проблемы, даёте контекст, задаёте метод обучения, указываете свой уровень — и в конце ставите «ограничение»: что AI не должен делать. Вместо ответа — урок.
Главная проблема с обычным использованием AI: модель даёт красивый, убедительный ответ — и создаёт иллюзию компетентности. Вы читаете, кажется, что всё понятно. Но через час не можете повторить. Это не лень — это механика: вы потребляли готовое, а не думали сами. Исследование показало, что студенты, которые просто просят AI решить задачи, сдают экзамены на 17% хуже тех, кто не пользовался AI вообще. Инструмент, который должен помогать, — вредит.
Фреймворк решает это через один ключевой компонент — ограничения (guardrails): явный запрет AI на полное решение. Остальные четыре компонента задают контекст: какой тип проблемы, что уже есть, как хочешь учиться, какой ты уровень. Всё это — в одном промпте за 30 секунд.
Схема метода
Один промпт, пять компонентов последовательно:
КОМПОНЕНТ 1: Проблема → тип затруднения (не понимаю задачу /
не знаю как начать / застрял в середине /
получаю неверный результат)
КОМПОНЕНТ 2: Контекст → что конкретно есть (текст, таблица,
черновик, ошибка — всё что относится)
КОМПОНЕНТ 3: Метод обучения → как учить (дай подсказку /
объясни принцип / задай наводящие вопросы /
разбери на примере / укажи на ошибку)
КОМПОНЕНТ 4: Мой уровень → кто я в этой теме (новичок /
средний / знаю основы но не детали)
КОМПОНЕНТ 5: Ограничения → что НЕ делать (не давай
готовый ответ / не пиши за меня /
не решай полностью)
Всё в одном сообщении. Отдельные запросы не нужны.
Пример применения
Задача: Маша ведёт небольшой бизнес — продаёт украшения ручной работы. Хочет научиться самостоятельно писать продающие описания товаров для Ozon, а не просто копировать то, что génерирует AI. Знает, что тексты «должны цеплять», но не понимает почему одни работают, а другие нет.
Промпт:
Я учусь писать продающие описания товаров для Ozon
и не могу разобраться, как именно работают сильные тексты.
Вот моё описание серёжек:
"Серёжки ручной работы из латуни с натуральным камнем.
Размер 4 см. Подойдут на каждый день и на праздник."
Я понимаю, что текст слабый, но не вижу почему конкретно
и что именно менять.
Метод: не переписывай за меня. Задай мне 2-3 наводящих вопроса,
которые помогут мне самой найти слабые места.
Мой уровень: новичок в копирайтинге, продаю货 год,
понимаю свою аудиторию (женщины 25-40, ценят ручную работу).
Ограничения: не давай готовый текст-замену.
Не объясняй общую теорию копирайтинга —
только вопросы по моему конкретному примеру.
Результат: Model не перепишет описание. Вместо этого задаст конкретные вопросы по тексту — например, о выгоде для покупателя, об эмоциональном образе, о том кому и когда эти серёжки нужны. Маша сама будет находить ответы, редактировать, снова получать вопросы. После такого диалога она сможет применить логику к следующему товару самостоятельно. Это медленнее, чем «напиши за меня» — и именно поэтому работает.
Почему это работает
Слабость LLM — предсказывать следующий наиболее подходящий токен. По умолчанию модель оптимизирует под «полезный ответ» — то есть даёт полное, законченное решение. Это не баг, это фича. Но для обучения — ловушка: вы получаете готовое, мозг регистрирует «задача решена», понимание не строится.
Сильная сторона LLM — точно следовать явным инструкциям. Если в промпте написано «не давай решение — задавай вопросы», модель следует этому ограничению. Guardrails буквально перепрограммируют режим работы модели на сессию.
Как метод использует это: Компонент «Ограничения» разрывает дефолтный режим. Компонент «Метод обучения» задаёт альтернативное поведение. Компонент «Мой уровень» помогает модели калибровать сложность объяснений — не слишком просто, не над головой. Результат — AI ведёт себя как хороший преподаватель, а не как сервис выдачи ответов.
Рычаги управления промптом:
- Метод обучения → меняй под задачу: «задай вопросы» для концепций, «укажи на ошибку» для готового черновика, «дай аналогию» для абстрактных идей
- Ограничения → делай строже или мягче: «не давай ответ вообще» vs «покажи только первый шаг»
- Тип проблемы → чем точнее описан затык, тем точнее вопросы от модели
- Уровень → можно дать конкретный контекст: «я знаю Excel, но не знаю сводные таблицы»
Шаблон промпта
Я учусь {чему_учусь} и застрял на {тип_проблемы}.
{контекст — конкретный текст / ситуация / черновик / ошибка}
Метод: {как хочу учиться — задай вопросы / объясни принцип /
укажи на ошибку / разбери на примере / дай подсказку без ответа}
Мой уровень: {кто я в этой теме и что уже знаю}
Ограничения: {что НЕ делать — не давай готовое решение /
не пиши за меня / не объясняй общую теорию / только конкретный разбор}
Что подставлять:
- {чему_учусь} — навык, не тему: «договариваться с поставщиками», «читать P&L», «строить воронку в Excel»
- {тип_проблемы} — конкретный затык: «не понимаю как начать», «сделал, но результат не тот», «знаю ответ, но не понимаю почему»
- {контекст} — всё что уже есть: текст, цифры, черновик, описание ситуации
- {как хочу учиться} — выбери один из методов или попроси AI предложить подходящий
- {ограничения} — чем конкретнее запрет, тем чище режим обучения
🚀 Быстрый старт — вставь в чат:
Вот шаблон педагогического промпта для обучения через AI.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить все пять компонентов.
[вставить шаблон выше]
LLM спросит про тип затруднения и что конкретно уже есть — потому что без этого невозможно задавать точные вопросы, а не общие. Она возьмёт структуру из шаблона и адаптирует под твою ситуацию.
Ограничения
⚠️ Не для поисковых задач: Если нужен факт — «какой НДС на это», «как называется эта функция» — пятикомпонентная структура избыточна. Метод работает там, где нужно выстроить понимание, а не найти справку.
⚠️ Требует знания своего пробела: Компонент «тип проблемы» предполагает, что вы хотя бы приблизительно понимаете, где именно застряли. Если вы вообще не понимаете тему — сначала нужен обзорный запрос без ограничений, потом уже педагогический режим.
⚠️ Медленнее «дай ответ»: Это не баг, это суть. Если дедлайн через час — проще попросить готовое решение. Метод для ситуаций, когда цель — реально разобраться, а не сдать задачу.
⚠️ Эффект сильнее при активной практике: Исследование показало — условие «читать примеры» давало меньший прирост, чем «писать самому». Если просто читаете ответы AI, не пытаясь формулировать своё понимание — метод теряет половину силы.
Как исследовали
Команда из Carnegie Mellon и University of Toronto провела RCT (рандомизированное контролируемое испытание) — самый строгий формат исследования — на 979 студентах introductory CS-курса в течение полного семестра. Студентов случайно разделили на 4 группы с разным уровнем вовлечённости: от простого текстового напоминания до самостоятельного написания промптов с AI-обратной связью. Все группы сдавали тест до, сразу после и через 6 недель.
Интересная находка: даже минимальная интервенция (просто текст «используй AI как тьютора») дала значимый прирост. Но группа, которая сама писала промпты с обратной связью от GPT-4o, показала результат в шесть раз лучше по немедленному приросту и в четыре раза лучше по удержанию через 6 недель. Это чёткое подтверждение «эффекта делания» — делать самому > читать как делают другие.
Неожиданный результат: между группами не оказалось статистически значимой разницы в итоговом экзамене. Но вот что важно — студенты с более высокими баллами по промптингу внутри каждой группы сдавали финальный экзамен лучше. То есть сам навык педагогического промптинга предсказывает академическую успеваемость — просто одной интервенции в середине семестра мало, чтобы это проявилось в финальных оценках между группами.
Адаптации и экстраполяции
🔧 Техника: «Метод обучения» под тип задачи
Разные форматы дают разный эффект. Вот шпаргалка:
- «Задай мне наводящие вопросы» → лучше всего когда нужно найти дыры в своём понимании
- «Объясни принцип через аналогию» → когда концепция слишком абстрактная
- «Укажи на конкретную ошибку, не исправляя её» → когда есть черновик и нужна проверка
- «Разбери мой ответ — что верно, что нет» → когда хочешь проверить себя
- «Дай следующий маленький шаг, не дальше» → когда застрял и не знаешь с чего начать
🔧 Экстраполяция: педагогический промпт для рабочих навыков
Оригинал тестировали на программировании. Но механика универсальна — для любого навыка, где нужна практика, а не информация. Переговоры с клиентами, финансовый анализ, построение презентаций, написание ТЗ. Ключ один: всегда добавлять «Ограничения: не делай за меня — помоги разобраться».
Ресурсы
Работа: Transforming GenAI Policy to Prompting Instruction: An RCT of Scalable Prompting Interventions in a CS1 Course
Авторы: Ruiwei Xiao, Runlong Ye, Xinying Hou, Jessica Wen, Harsh Kumar, Michael Liut, John Stamper
Организации: Carnegie Mellon University, University of Toronto, University of Michigan
Базовый фреймворк педагогического промптинга: Xiao et al. [49] (на него ссылается данная работа как на теоретическую основу)
Теоретическая база: ICAP Framework (Chi & Wylie) — иерархия когнитивной вовлечённости: пассивное → активное → конструктивное → интерактивное