TL;DR
CURIOBOT — набор из пяти операторов, которые меняют не что говорит LLM, а как она подаёт информацию: через противоречие, новизну, сложность, неопределённость или нейтрально. Оператор выбирается по состоянию диалога и создаёт эпистемическое напряжение — зазор между тем, что ученик думает, что знает, и тем, что оказывается на самом деле. Вся механика реализуется через промптинг, без дообучения модели.
Обычная LLM в роли наставника по умолчанию выдаёт исчерпывающие объяснения — и это ловушка. Ученик читает, говорит «понял», и диалог умирает. Не потому что скучно, а потому что информация без напряжения не требует ответного действия. Мозг фиксирует факт и переключается. Стандартный сеанс: 4-7 реплик, потом тишина.
Операторы ломают этот паттерн. CONFLICT вводит противоречие в логику ученика — и ему надо это разрешить. UNCERTAINTY говорит «учёные до сих пор спорят» — и ученик сам начинает задавать вопросы. NOVELTY переформулирует через неожиданную аналогию — и ученик проверяет, работает ли она. В итоге: в 2.4 раза больше ходов в диалоге при том же времени.
Схема метода
Всё происходит в одном диалоге — не нужны отдельные запросы
ШАГ 1: Оцени состояние ученика
└─ Короткие ответы / "понял, спасибо" → NOVELTY или CONFLICT (перезапустить)
└─ Преждевременная уверенность → COMPLEXITY или UNCERTAINTY (расширить)
└─ Активно задаёт вопросы → NEUTRAL (не мешать)
ШАГ 2: Сформируй ответ через выбранный оператор
NOVELTY → Неожиданная аналогия или угол зрения
COMPLEXITY → "А вот что ещё завязано на это..." — новые зависимости
CONFLICT → Противоречие внутри того, что ученик только что сказал
UNCERTAINTY → Нерешённый вопрос в науке/практике по теме
NEUTRAL → Обычный ответ без манипуляции вниманием
ШАГ 3: Не фиксируй оператор — меняй по ситуации
└─ Повтор одного оператора снижает эффект
└─ Сильный переход: после UNCERTAINTY → CONFLICT
Пример применения
Задача: Ты продаёшь на Wildberries и хочешь разобраться, почему растёт выручка, но не прибыль. Садишься учиться юнит-экономике в диалоге с Claude.
Промпт:
Ты — наставник по юнит-экономике. Тема: юнит-экономика продаж на Wildberries.
Моя цель: понять, почему при росте выручки прибыль не растёт.
Правила работы:
— Не давай готовых ответов сразу. Сначала спроси, что я уже думаю.
— Следи за моими ответами. Если я даю короткое «понял» или соглашаюсь —
переключись: введи противоречие в мою логику или покажи неожиданный угол.
— Если я слишком уверен — усложни: покажи зависимости, которые я не учёл.
— Если я активно копаю — не мешай, отвечай нейтрально.
— Чередуй подходы: противоречие → новизна → неопределённость.
Не используй один приём два раза подряд.
— Никогда не завершай тему сам. Пусть я решу, когда хватит.
Начни с вопроса: что я сейчас думаю про связь выручки и прибыли на маркетплейсе?
Результат:
Модель начнёт не с объяснений, а с вопроса. После твоего ответа она, скорее всего, введёт противоречие: "Ты сказал, что нужно больше продавать — но вот что интересно: именно при росте продаж у большинства селлеров маржа падает. Как это?". Ты начнёшь копать. Через несколько ходов появится UNCERTAINTY: "Даже среди финансовых аналитиков нет консенсуса, на каком объёме юнит-экономика Wildberries становится рентабельной — потому что комиссии непрозрачны и меняются ретроспективно." Диалог будет продолжаться 15-20+ реплик вместо стандартных 5.
Почему это работает
LLM по умолчанию оптимизирует под "правильность" — даёт полный, точный, хорошо структурированный ответ. Это убивает любопытство. Когда пробел заполнен, стимула двигаться дальше нет. Модель ведёт себя как хорошая Википедия: исчерпывающая и мёртвая.
Любопытство — это реакция на напряжение, а не на информацию. Психолог Берлайн ещё в 1960-х описал: человек начинает активно исследовать, когда сталкивается с новизной, сложностью, противоречием или неопределённостью — то есть когда картина мира не сходится. CONFLICT-оператор показал лучший результат (79% успешных применений) именно потому, что создаёт самое острое напряжение: "ты только что сказал Х, но вот факт Y — как это сочетается?"
Операторы используют то, что LLM умеет хорошо — генерировать точно по инструкции. Если сказать "введи противоречие в логику ученика, не раскрывая решения" — модель сделает это точно. Оператор — это не магия, это точная инструкция по управлению информационным зазором. Ты задаёшь механику, модель выполняет.
Рычаги управления:
- Не используй один приём два раза подряд → ключевой параметр. Повтор NOVELTY снижает эффект вдвое. Чередование держит напряжение.
- Замени нейтральные глаголы на конкретные триггеры: "введи противоречие" работает сильнее чем "создай интерес".
- Добавь условие не завершай тему сам → иначе модель будет "закрывать вопрос" в конце каждого ответа.
Шаблон промпта
Ты — наставник по теме: {тема}.
Моя цель: {что хочу понять или научиться делать}.
Правила работы:
— Начинай каждую тему с вопроса о том, что я уже думаю — не объясняй сразу.
— Следи за моими ответами:
• Короткий ответ / "ясно" / "понял" → переключись:
введи противоречие в мою логику ИЛИ покажи неожиданный угол зрения
• Я уверен и не сомневаюсь → усложни:
покажи зависимости или механики, которые я не учёл
• Я активно задаю вопросы и разбираю тему → отвечай нейтрально, не мешай
— Чередуй подходы по кругу:
противоречие → новизна → неопределённость → сложность
Не применяй один подход два раза подряд.
— Никогда не "закрывай тему" в конце ответа.
Заканчивай открытым вопросом или нерешённым аспектом.
Начни: спроси, что я сейчас думаю про {тема}.
Что подставлять:
- {тема} — конкретная, не широкая: "ценообразование в SaaS" вместо "бизнес"
- {что хочу понять} — конкретная боль или вопрос, не "разобраться"
🚀 Быстрый старт — вставь в чат:
Вот шаблон CURIOBOT — метод обучения через управляемое любопытство.
Адаптируй под мою задачу: {твоя тема и цель}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит тему и что именно ты хочешь понять — потому что без этого невозможно настроить правильные триггеры переключения между операторами. Она возьмёт паттерн из шаблона и выстроит сессию под твою задачу.
Ограничения
⚠️ UNCERTAINTY работает хуже всего: Оператор неопределённости показал наименьший успех — всего 44%. Фраза "учёные ещё не знают" работает, только если ученик уже вовлечён. На старте скорее отталкивает — "зачем мне это, если даже эксперты не разобрались?"
⚠️ Повтор убивает эффект: Если модель снова и снова использует одну технику — ученик засыпает. Это надо контролировать явно в промпте. Без инструкции "чередуй" модель залипнет на NOVELTY — он самый частотный по умолчанию.
⚠️ Не для фактологических запросов: Если тебе нужен конкретный ответ — "какой курс доллара", "напиши письмо" — режим CURIOBOT замедляет и раздражает. Это инструмент для обучения, не для поиска.
⚠️ Gemini ведёт себя иначе: У одной из протестированных моделей качество объяснений падало при включении операторов — любопытство росло, но точность снижалась. Если заметишь, что ответы стали менее точными — добавь в промпт:
Качество объяснений не должно страдать — только меняй подачу, не содержание.
Как исследовали
Команда из Singapore Management University и Carnegie Mellon провела контролируемый эксперимент 3×3×3: три семейства моделей (Claude, Gemini, GPT), три домена (STEM, социальные науки, гуманитарные), три уровня сложности тем. 45 участников провели в общей сложности 270 сеансов по 10-30 минут каждый — в зависимости от сложности темы.
Интересная деталь дизайна: участники не знали, с какой версией тьютора работают. Каждый провёл сессии со всеми тремя вариантами (базовая модель, CURIOBOT, нативный режим обучения от провайдера), но на разных темах — чтобы не было эффекта переноса. В итоге исследователи могли честно сравнивать на одной аудитории.
Оценка шла по 10 измерениям через LLM-судью — три разных модели, три независимых прогона каждая — итого 9 оценок на один диалог. Это нетривиальная методология: обычно исследования используют одного судью, здесь намеренно агрегировали, чтобы убрать систематическую предвзятость конкретной модели.
Самая неожиданная находка: улучшение со стороны ученика сохранялось даже когда качество объяснений тьютора падало. Это значит, что любопытство работает как частично независимый механизм — не "объяснили лучше, поэтому больше вопросов", а "правильно создали напряжение — и человек сам начал копать". CONFLICT при этом оказался эффективнее NOVELTY: 79% против 61% — хотя интуитивно кажется, что показать что-то новое проще, чем ввести противоречие.
Оригинал из исследования
NOVELTY — пример оператора (тема: Rule of Thirds в фотографии):
"Imagine the frame as a quietly haunted chessboard where the most powerful
square is almost never the center — that strange bias is the doorway..."
CONFLICT — пример оператора (та же тема):
"...common sense screams that the most important subject must sit dead center
to command absolute attention. Yet... centering an object actually paralyzes
the viewer's gaze, creating a stagnant visual trap..."
UNCERTAINTY — пример оператора (тема: теория игр в международных отношениях):
"...here's what even top scholars fiercely debate... whether game theory
explains international relations or merely provides elegant metaphors...
remains one of the deepest unresolved questions in the field...
Parting Mystery: if two nations are both using game theory to model each other,
does the model become a self-fulfilling prophecy that creates the very behavior
it claims to predict?"
COMPLEXITY — пример оператора (тема: Эффект Мпемба):
"...pulling us into the hidden thermodynamic complexities... However, these
classical mechanics still fall short of explaining why perfectly sealed
containers, where absolutely no evaporated mass can escape, continue to
demonstrate this astonishing thermodynamic paradox."
Контекст: Исследователи показывали одну и ту же тему через разные операторы, чтобы наглядно продемонстрировать — меняется только фрейм, не содержание.
Адаптации и экстраполяции
1. Адаптация: использовать операторы для разогрева перед сложным запросом
Прежде чем попросить LLM решить задачу, пройди быстрый CONFLICT-раунд по теме.
💡 Адаптация для подготовки к переговорам:
Я готовлюсь к переговорам с поставщиком по снижению цены на 15%.
Я думаю, что главный аргумент — объём закупки.
Введи противоречие: почему объём может НЕ работать как аргумент в данном случае?
Не раскрывай решение — только создай напряжение, чтобы я сам нашёл лучший ход.
2. Адаптация: режим CONFLICT для стресс-теста идеи
🔧 Техника: попросить CONFLICT-оператор напрямую → острая критика без общих фраз
Вместо "покритикуй мою идею" (модель выдаст дипломатичный список) — попроси ввести конкретное противоречие:
Вот моя идея: {опиши идею}.
Я уверен, что {твоё ключевое допущение}.
Введи противоречие прямо в это допущение: покажи реальный случай или механику,
где это убеждение приводит к провалу. Не давай решения — только обнажи разрыв.
Это работает острее, чем просьба "найди слабые места" — потому что CONFLICT бьёт в конкретную точку уверенности, а не сканирует всё подряд.
3. Экстраполяция: 10-мерный фрейм для оценки своей LLM-сессии
Исследование предлагает 4 метрики со стороны ученика, которые можно использовать как чеклист после сессии обучения:
После сессии обучения оцени её по 4 вопросам:
1. Я задавал вопросы, которые не планировал? (Исследовательские вопросы)
2. Я пересматривал свою точку зрения в процессе? (Продуктивная борьба)
3. Мне хотелось копать глубже, чем требует задача? (Видимое любопытство)
4. Я сам направлял диалог — менял тему, добавлял примеры? (Агентность)
Если по всем 4 ответ "нет" — сессия была пассивной.
Попроси LLM перезапустить тему, начав с оператора CONFLICT.
Ресурсы
Название работы: Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
Авторы: Gevindu Ganganath, Pasindu Bolonghege, Qianru Lyu, Pradeep Varakantham, Thivya Kandappu
Организации: School of Computing and Information Systems, Singapore Management University; Human-Computer Interaction Institute, Carnegie Mellon University
Теоретическая основа: Теория коллативных переменных Берлайна (Berlyne, 1960, 1962) — базовая психологическая теория, на которой построены операторы