TL;DR
LLM меняет стиль, тон и границы ответа в зависимости от того, насколько явно ты указал, кому отвечаешь. Исследование проверяло это на детских вопросах — но принцип универсальный: чем конкретнее ты описываешь аудиторию, тем точнее модель подбирает язык, глубину и формат.
Без указания аудитории модель «угадывает» — и угадывает плохо. Когда вопрос про детскую тему задаётся без контекста, модель отвечает как для взрослого. Если добавить намёк в текст вопроса («мой одноклассник», «на уроке»), станет лучше — но неравномерно. Если прямо написать в инструкции «ты отвечаешь ребёнку 7–11 лет» — качество ответа скачет значительно.
Разница между «намёком» и «явным указанием» — это +9–47% качества от намёка, и ещё +10–30% от точного указания. Модель не читает мысли. Сказал «для новичка» — она включила один режим. Сказал «для 55-летнего бухгалтера без опыта с Excel» — другой, гораздо точнее.
Схема метода
Один промпт, три уровня указания аудитории:
УРОВЕНЬ 0 (без контекста):
Промпт → [нет информации об аудитории] → ответ для «среднего» пользователя
УРОВЕНЬ 1 (намёк в вопросе):
Промпт → [контекст в формулировке: «мой одноклассник», «папа не понимает»] → лучше, но нестабильно
УРОВЕНЬ 2 (явное указание в системной инструкции):
Системная инструкция: «Ты отвечаешь [аудитория]»
Промпт → точный ответ под аудиторию
Всё это — один запрос. Разница только в том, куда и как ты добавляешь информацию об аудитории.
Пример применения
Задача: Нужно написать объяснение для пожилых родителей — как пользоваться Госуслугами, чтобы записаться к врачу. Обычно просишь: «Напиши инструкцию попроще».
Промпт (уровень 2 — явное указание):
Ты помогаешь отвечать людям 65–75 лет, которые редко пользуются смартфоном, боятся «сломать что-нибудь» и привыкли к бумажным документам. Им важно чувствовать уверенность на каждом шаге.
Напиши пошаговую инструкцию: как записаться к участковому врачу через приложение Госуслуги.
Используй:
— короткие шаги (одно действие = один шаг)
— конкретные названия кнопок как в приложении
— ободряющие фразы после сложных шагов
— объяснение что делать если что-то пошло не так
Результат: Модель даст инструкцию с конкретными названиями кнопок и экранов, без технического жаргона, с короткими предложениями и фразами вроде «всё идёт правильно» после каждого сложного шага. Сравни с ответом на «напиши попроще» — контраст ощутимый.
Почему это работает
LLM не знает, кто ты, пока ты не скажешь. У модели нет доступа к твоему профилю. «Напиши понятно» — это инструкция с нулевым якорем. Модель подбирает «понятно» по статистике своих данных — и это обычно означает «понятно для образованного взрослого в интернете».
Намёки в тексте работают, но нестабильно. Если написать «мой ребёнок спрашивает» — модель частично переключается. Но это косвенный сигнал: она «видит» его, но не обязана ему полностью следовать. Исследование показало: маленькие модели почти не реагируют на намёки, большие реагируют сильнее — но даже у них это нестабильно.
Явная инструкция об аудитории — жёсткий якорь. Когда ты пишешь «ты отвечаешь X», модель получает чёткий контекст для всего остального: какой словарь, какую глубину, какой тон, где поставить границу. Это не намёк — это рамка, внутри которой строится ответ. Чем конкретнее рамка, тем точнее результат.
Рычаги управления: - Возраст/опыт — «7-летний», «новичок», «55-летний без опыта» → разный словарь и примеры - Эмоциональный контекст аудитории — «боится ошибиться», «привык к бумагам», «скептически относится к советам» → меняет тон и структуру подачи - Конкретный профиль — вместо «для непрофессионала» → «для юриста без технического бэкграунда» → точнее
Шаблон промпта
Ты отвечаешь {описание аудитории: возраст, уровень опыта, контекст, особенности}.
{Задача}
При ответе учитывай:
— {особенность 1 этой аудитории}
— {особенность 2 этой аудитории}
Что подставлять в {описание аудитории}:
- Возраст или диапазон: «8–10 лет», «50–65 лет»
- Уровень знаний: «человек без опыта в инвестициях», «начинающий дизайнер»
- Контекст: «читает на смартфоне», «слышит это впервые»
- Эмоциональное состояние аудитории: «немного тревожится», «скептически настроен»
🚀 Быстрый старт — вставь в чат:
Вот шаблон для явного указания аудитории. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про возраст и опыт аудитории, её контекст и особенности — потому что именно эти параметры определяют словарь, тон и глубину ответа. Она возьмёт структуру и сформирует системную инструкцию под твою задачу.
Ограничения
⚠️ Многоходовые диалоги: Даже если ты правильно задал аудиторию в начале, при длинном разговоре (5+ сообщений) качество постепенно снижается — модель «забывает» держать рамку. В таких случаях стоит повторять ключевой контекст аудитории каждые несколько сообщений или в начале новых тем.
⚠️ Культурный контекст: Указать «для пользователя из России» помогает, но не гарантирует точного культурного попадания. Локальные нормы и ожидания нужно прописывать конкретно, не полагаясь только на название страны.
⚠️ Маленькие модели реагируют слабее: Чем менее мощная модель — тем меньше эффект от явного указания аудитории. В бесплатных версиях и облегчённых моделях принцип работает, но слабее.
Как исследовали
Исследователи взяли 500 вопросов, которые реально задают дети 7–11 лет — собрали их из Reddit и X, где родители и учителя делились «вопросами детей». Темы: от объяснения смерти и «как делают детей» до буллинга и онлайн-безопасности. Каждый вопрос тестировали в трёх версиях: без намёка на возраст, с намёком в тексте вопроса, и с явным указанием в системной инструкции. Затем пропустили через 15 разных моделей — от маленьких открытых до GPT и Claude.
Оценивали ответы не по принципу «отказала/не отказала», а по шести параметрам: безопасность содержания, возрастное соответствие языка, эмоциональная поддержка, нравственные ориентиры, чёткость границ и культурное соответствие. Судьёй выступила модель DeepSeek-V4-Pro — её выбрали потому что она строже остальных, а в задачах детской безопасности лучше ошибиться в сторону «слишком осторожно», чем пропустить проблемный ответ.
Самый интересный результат: даже самые мощные модели в режиме «без контекста об аудитории» показали результаты в нижней трети шкалы. И почти все поднялись к верхней, когда получили явную инструкцию. Разрыв между «намёком» и «явным указанием» оказался сопоставим с разрывом между слабой и сильной моделью. То есть правильно написанный промпт может компенсировать разницу в мощности модели.
Дополнительно проверили: как ведут себя модели на Urdu, Hindi и Mandarin. Urdu показал самые слабые результаты — особенно у небольших моделей. Это значит, что на языках с меньшим представлением в обучающих данных принцип работает слабее.
Адаптации и экстраполяции
1. Адаптация для любой аудитории, не только детей
Тот же принцип работает для любой специфической аудитории:
💡 Адаптация для B2B-коммуникации: Вместо «напиши деловой текст» — явно описывай получателя.
Ты пишешь письмо для финансового директора производственной компании
(45–55 лет), который привык к ROI-мышлению, скептически относится
к «технологиям ради технологий» и принимает решения на основе
цифр, а не презентаций.
Напиши предложение о внедрении системы автоматизации отчётности.
Покажи финансовый эффект в первом абзаце, детали — в конце.
2. Техника: добавить «антипрофиль»
🔧 Добавить что аудитория НЕ знает → убирает профессиональный жаргон
Модель хорошо реагирует не только на то, кто аудитория, но и на явные «слепые пятна»:
Ты объясняешь {тема} человеку, который:
— никогда не слышал термины [перечисли 2-3 термина]
— привык думать о деньгах, а не о [домен]
— ассоциирует [тему] с чем-то сложным и пугающим
Это работает как дополнительный якорь — модель понимает не только «кто», но и «чего точно не надо использовать».
Ресурсы
Название работы: The Age of Curiosity Meets the Age of AI: Benchmarking Child Safety in Large Language Models
Авторы: Samee Arif, Angana Borah, Rada Mihalcea — University of Michigan
Инструменты из исследования: KIDBench (бенчмарк), KIDGuardLlama (модель-оценщик), KIDLlama (модель-ответчик)