Quality-Usefulness Gap: убедительные объяснения от LLM не улучшают решения — и маскируют ошибки

Когда модель ошибается — её объяснение режет шанс заметить ошибку вдвое: с 30% до 15% правильных детекций. Не потому что текст намеренно врёт. Просто случайное объяснение из другого кейса поднимает уверенность так же, как релевантное — мозг реагирует на сам факт связного текста, а не на его содержание. Метод разделённого суждения позволяет получать объяснения от LLM не теряя способность видеть ошибки: сначала вывод без слов, потом факты, потом объяснение — в таком порядке объяснение уже не затыкает критическое мышление.