TL;DR
LLM по умолчанию отвечает "среднестатистическому пользователю" — и это меняет качество ответа в зависимости от того, как вы описываете свою ситуацию. Если ничего не сказать о контексте, модель сделает "мажоритарное допущение": здоровый, трудоспособный, без особых обстоятельств человек. Всё, что отличает вас от этого шаблона, при умолчании просто игнорируется.
Главная находка — не в том, что LLM предвзята к меньшинствам. А в том, что формат раскрытия контекста напрямую влияет на качество ответа. Исследование обнаружило парадокс: сказать "у меня депрессия" (чёткий ярлык) — хуже, чем описать симптомы своими словами: "я несколько недель чувствую пустоту и потерял интерес к тому, что раньше нравилось". Второй вариант, без названия диагноза, в среднем чаще вызывает эмпатичный ответ, рекомендацию обратиться к специалисту и ссылки на кризисные ресурсы. Модели, судя по всему, реагируют на живое описание острее, чем на медицинский ярлык — потому что ярлык активирует шаблонный сценарий, а описание — нет.
Суть: если вы задаёте LLM вопрос о чём-то чувствительном — работа, здоровье, финансы, отношения — добавляйте контекст своими словами, не ярлыками. Не "я в стрессе", а "последние три недели я не сплю, не могу сосредоточиться на задачах, срываюсь на близких". Это меняет ответ.
Схема метода
Это не пошаговая техника, а принцип формулировки запроса. Три уровня качества ответа:
УРОВЕНЬ 0 — Без контекста
"Как справиться с финансовым стрессом?"
→ Общий совет под "среднего пользователя"
→ Нет уточнений, нет направления к специалисту
УРОВЕНЬ 1 — Ярлык-диагноз
"У меня депрессия. Как справиться с финансовым стрессом?"
→ Лучше, но активирует шаблонный сценарий
→ Модель может добавить формальное "обратитесь к врачу"
УРОВЕНЬ 2 — Описание ситуации своими словами (без имени диагноза)
"Последние недели у меня стойкое ощущение пустоты, я потерял
интерес к работе и хобби. Как справиться с финансовым стрессом?"
→ Максимум эмпатии, профессиональных рекомендаций,
кризисных ресурсов
Уровни 1 и 2 выполняются в одном запросе. Никаких дополнительных шагов.
Пример применения
Задача: Пользователь работает в стартапе, последние полгода — постоянный аврал, команда маленькая, он один тащит несколько направлений. Хочет спросить у ChatGPT как восстановить продуктивность.
Промпт без применения принципа (уровень 0):
Как восстановить продуктивность при высокой нагрузке?
Промпт с принципом (уровень 2):
Последние полгода я работаю по 12-14 часов в день, в выходные
не отключаюсь — постоянно в телефоне. Физически я работаю,
но концентрация упала: задачи, которые раньше занимали час,
растягиваются на день. Утром трудно встать, вечером трудно
заснуть. Радости от работы почти нет, хотя проект важный.
Как мне восстановить продуктивность?
Результат: Второй промпт с высокой вероятностью получит ответ, который: - Признает тяжесть ситуации до того как давать советы - Включит рекомендацию поговорить со специалистом — врачом или психологом - Разграничит "быстрые тактики" и "системные изменения" - Возможно, упомянет признаки эмоционального выгорания
Первый промпт скорее всего выдаст список из 5-7 советов по тайм-менеджменту без какой-либо персонализации.
Почему это работает
LLM не знает кто вы — и заполняет пробел самостоятельно. По умолчанию модель представляет условного "обычного пользователя": здорового, работоспособного, без особых обстоятельств. Это не злой умысел. Это то, как обучают на данных большинства — текстов большинства людей.
Ярлык активирует шаблон, описание — нет. Когда вы пишете "у меня тревожное расстройство", модель переключается в заранее заготовленный режим: аккуратный, формальный, с защитными оговорками. Когда вы описываете ситуацию живыми словами — модель обрабатывает это как уникальный контекст и генерирует ответ, который реально учитывает детали.
Рычаги управления: - Убрать диагноз, оставить симптомы → более персональный ответ, меньше шаблонных формулировок - Добавить временну́ю рамку ("последние три недели") → модель воспринимает ситуацию как конкретную, а не абстрактную - Описать что уже не работает → модель не будет советовать то, что вы уже пробовали - Задать конкретный запрос после описания → контекст "заражает" ответ, но вопрос остаётся чётким
Шаблон промпта
{Описание ситуации своими словами: что происходит, как давно,
что именно изменилось, что уже пробовали — без диагнозов и ярлыков}.
{Конкретный вопрос}.
Что подставлять:
- {Описание ситуации} — 3-5 предложений. Факты и ощущения, не термины. "Последние две недели плохо сплю и срываюсь на коллег" — хорошо. "У меня стресс и выгорание" — плохо (это уже ярлыки).
- {Конкретный вопрос} — что именно хотите узнать или получить.
🚀 Быстрый старт — вставь в чат:
Помоги мне сформулировать запрос по этому шаблону. Адаптируй
под мою ситуацию — задавай вопросы.
[вставить шаблон выше]
LLM спросит что происходит, как давно и что именно вы хотите получить — потому что ей нужен конкретный контекст, чтобы заполнить описание без ярлыков.
Ограничения
⚠️ Непоследовательность между моделями: Один и тот же контекст вызывает разный отклик в разных LLM. То, что работает в Claude Opus, может не сработать в GPT или Qwen — и наоборот.
⚠️ Непоследовательность внутри одной модели: Даже при одинаковой формулировке ответы варьируются. Принцип повышает вероятность хорошего ответа, но не гарантирует его.
⚠️ Работает для чувствительных тематик: Эффект наиболее выражен в темах здоровья, ментального благополучия, финансов. Для нейтральных задач ("напиши письмо") разница между уровнями 0 и 2 — минимальна.
⚠️ Приватность: Описывая ситуацию подробно, вы раскрываете больше личного. Исследование само указывает на это как на этическую проблему.
Как исследовали
Команда из Universitat Pompeu Fabra сделала элегантную вещь: взяли 38 вопросов на чувствительные темы — стресс, финансы, здоровье, карьера — которые на первый взгляд выглядят безобидно. Затем к каждому вопросу добавили контекст для разных групп: пожилые, иммигранты, люди с депрессией, с СДВГ, с физическими ограничениями — всего более 30 условий. Причём каждое условие формулировали четырьмя способами: явно кратко ("у меня депрессия"), неявно кратко ("мне грустно последние недели"), неявно подробно (описание симптомов без названия) и явно подробно (диагноз + симптомы). Плюс контрольная группа — без контекста вообще.
Это дало им около 32 000 запросов к пяти моделям: Claude Opus/Sonnet/Haiku, Qwen3 и специализированной GPT-Safe. Ответы оценивались автоматически по шести критериям: дал ли ответ, отказал ли, признал ли ситуацию, был ли эмпатичным, направил ли к специалисту, упомянул ли кризисные ресурсы.
Самый неожиданный результат: GPT-Safe — модель, специально заточенная под безопасность — показала наибольший разброс ответов в зависимости от контекста. При этом Claude Opus, лидер по бенчмаркам, менял ответы наименее. Это значит: "более умная" модель не обязательно "более отзывчивая" к уязвимым контекстам. Ещё один сюрприз: неявное, описательное формулирование ("грустно и пусто несколько недель") стабильно давало больше полезных реакций, чем явный диагноз — причём это повторялось в большинстве условий и моделей.
Адаптации и экстраполяции
🔧 Техника: "Анти-ярлык" для любой профессиональной темы
Принцип работает не только для здоровья. В любой теме, где у LLM есть шаблонный режим — юридические вопросы, конфликты на работе, финансовые решения — описание конкретной ситуации даёт более персональный ответ, чем категориальный ярлык.
Пример: Спросить о конфликте с партнёром по бизнесу:
❌ Слабо:
Как разрешить деловой конфликт с партнёром?
✅ Сильнее:
Мы с партнёром полгода строили сервис вместе, сейчас он хочет
взять инвестиции от фонда, с которым я категорически не согласен
работать — их условия убивают нашу автономию. Он говорит, что
без денег не выжить. Я считаю, что выживем. Мы оба правы
по-своему, но зашли в тупик. Как мне подойти к следующему
разговору с ним?
🔧 Техника: Описать "что уже не работает" как часть контекста
Добавьте в описание конкретные попытки, которые уже сделали. Это дополнительно убирает шаблонные советы и заставляет модель искать нестандартные подходы.
{Описание ситуации}. Я уже пробовал {что пробовали} — не помогло
по причине {почему}. {Вопрос}.
Ресурсы
Название: Discriminatory Compliance: How LLMs Answer Queries from Protected Groups
Авторы: Dinesh Ayyappan, Carlos Castillo — Universitat Pompeu Fabra; Carlos Castillo также ICREA (Каталония, Испания)
Контакты: dinesh.ayyappan@upf.edu, chato@icrea.cat
Датасеты, используемые в исследовании: - Personalized Safety (Wu et al., 2025) - Contextualized Evaluations (Malaviya et al., 2025)