KMA-промпт: как добавить «что знал и зачем говорил» — и получить точные социальные оценки от LLM

Попросить LLM рассмотреть альтернативные формулировки перед оценкой — кажется логичным шагом. На деле это втрое раздуло искажения у Gemini. Настоящая проблема другая: LLM угадывает направление («этот звучит компетентнее»), но промахивается с силой — раздувает разницу в 2–3 раза или сглаживает там, где люди видят пропасть. KMA-промпт позволяет получать от модели взвешенные социальные оценки — насколько человек выглядит заинтересованным, компетентным или серьёзным по тому, что написал. Добавь один шаг до оценки: «что мог знать говорящий в тот момент и зачем выбрал именно эти слова?» — модель переключается с «смотрю на форму» на «думаю о контексте» — и оценки становятся значительно ближе к тому, как реагируют живые люди.