TL;DR
Один и тот же вопрос может получить принципиально разные ответы — если изменить не суть вопроса, а контекст, в котором он подан. Исследование показало: LLM реагирует не только на что вы спрашиваете, но и на роль, которую задаёт обрамление промпта — документация, процедура, риск, роль советника.
Модели хуже всего держат нейтральный тон, когда запрос оформлен как документация или фиксация — они начинают домысливать, интерпретировать, "диагностировать" ситуацию глубже, чем нужно. При этом ни одного слова о сути не изменилось. Институциональный фрейм (процедура, регламент, протокол) стабилизирует модель: она отвечает сдержанно, без лишних интерпретаций.
Это значит, что у пользователя есть конкретный рычаг: добавив в промпт один контекстный абзац, можно получить либо вдумчивый анализ с погружением в смыслы, либо взвешенный нейтральный разбор. Не через длинные инструкции — просто выбрав правильный "контейнер" для запроса.
Схема метода
Метод — не техника с шагами, а набор из 5 фреймов, каждый из которых задаёт модели разный режим ответа. Применяется в одном промпте.
ФРЕЙМ 1: Документальный — "Фиксирую ситуацию для записи..."
→ Самые интерпретативные ответы, риск домыслов ⬆️
ФРЕЙМ 2: Эпистемический — "Пытаюсь разобраться/понять..."
→ Аналитический тон, исследовательский подход
ФРЕЙМ 3: Ролевой — "В твоей роли советника/ментора..."
→ Вовлечённый, поддерживающий, рекомендательный тон
ФРЕЙМ 4: Ответственностный — "Учитывая риски и последствия..."
→ Осторожный, взвешенный, акцент на рисках
ФРЕЙМ 5: Институциональный — "В рамках рабочего процесса/процедуры..."
→ Самые сдержанные, нейтральные ответы ⬇️ домыслов
Все фреймы работают в одном сообщении — просто добавить вводный контекст.
Пример применения
Задача: Сооснователь стартапа просит Claude оценить, стоит ли расстаться с инвестором, который давит на смену бизнес-модели. Ситуация деликатная — хочется анализ, а не панику.
С документальным фреймом (избегать, если нужна нейтральность):
Документирую ситуацию: у нас инвестор с долей 18%,
который настаивает на пивоте. Фиксирую для анализа —
он угрожал заблокировать следующий раунд, если мы не развернём
продукт в сторону b2b. Оцени, что здесь происходит.
Результат: модель с высокой вероятностью начнёт домысливать — "это может означать потерю контроля", "возможно, инвестор переживает...", глубоко интерпретировать психологию ситуации.
С институциональным фреймом (если нужен взвешенный разбор):
В рамках стандартного корпоративного управления рассматриваю
следующую ситуацию: инвестор с долей 18% настаивает на смене
бизнес-модели и упоминал возможность заблокировать следующий раунд.
Согласно обычной процедуре оценки таких случаев —
какие факторы стоит проверить перед принятием решения?
Результат: Модель даст структурированный, нейтральный анализ по пунктам — юридические права инвестора, типичные прецеденты, что проверить в документах. Без эмоциональных интерпретаций и сценариев-катастроф.
Почему это работает
LLM не читает "суть" запроса — она читает весь контекст целиком и подбирает паттерн ответа, который соответствует ситуации. Документация как жанр подразумевает детальный анализ, интерпретацию, поиск скрытых смыслов. Протокол как жанр — сухой и точный отчёт. Модель следует этому жанровому контракту, даже если вы его не прописывали явно.
Слабость LLM здесь — она не спрашивает "насколько глубоко ты хочешь интерпретации?". Она сама оценивает это по контексту. И оценивает неравномерно: документальный фрейм буквально включает режим "копать глубже", даже если пользователь хотел просто справку.
Рычаг: вы управляете не инструкцией "будь нейтральным" (это работает хуже), а ролевым контекстом — и модель сама перестраивает глубину интерпретации. Это как выбрать нужного специалиста: юрист скажет "проверьте устав", психолог скажет "давайте разберём что за этим стоит". Одна ситуация — разный фрейм — разный тип ответа.
Рычаги управления: - Хотите глубже / эмоциональнее → эпистемический или ролевой фрейм - Хотите нейтральнее / структурированнее → институциональный фрейм - Хотите осторожнее, с акцентом на риски → ответственностный фрейм - Хотите всестороннее исследование → эпистемический фрейм
Шаблон промпта
[ФРЕЙМ-ВВОДКА]:
{контекстная_фраза}
[СУТЬ ЗАПРОСА]:
{описание_ситуации_или_вопроса}
[ОЖИДАЕМЫЙ ФОРМАТ]:
{что_именно_нужно_в_ответе}
Плейсхолдеры:
{контекстная_фраза} — выбери одну из пяти:
- Документальный: "Фиксирую ситуацию для последующего анализа..."
- Эпистемический: "Пытаюсь разобраться в следующем..."
- Ролевой: "В твоей роли опытного [ментор/консультант/эксперт]..."
- Ответственностный: "Учитывая возможные последствия и риски..."
- Институциональный: "В рамках стандартной процедуры рассмотрения таких случаев..."
{описание_ситуации_или_вопроса} — сам запрос, без изменений
{что_именно_нужно_в_ответе} — список пунктов, анализ, рекомендация и т.д.
🚀 Быстрый старт — вставь в чат:
Вот шаблон промпта с контекстным фреймингом.
Адаптируй под мою задачу: {твоя задача}.
Предложи 2-3 варианта вводки с разными фреймами —
нейтральным и более аналитическим.
[вставить шаблон выше]
LLM спросит уточнения о задаче и желаемом тоне ответа — потому что для выбора правильного фрейма важно понять, нужен ли тебе "сдержанный разбор" или "глубокое погружение".
Ограничения
⚠️ Исследовалось на чувствительных сценариях: Все эксперименты — про ментальное здоровье и эмоционально нагруженные ситуации. В нейтральных технических задачах ("напиши код", "переведи текст") эффект, вероятно, слабее.
⚠️ Тестировались открытые небольшие модели: Qwen, Gemma, Mistral, Phi — не GPT-4 и не Claude. Величина эффекта на топовых моделях неизвестна, хотя направление скорее всего сохранится.
⚠️ Это принцип, не алгоритм: Нет гарантии что конкретный фрейм "сработает" предсказуемо — эффект статистический, не детерминированный. Одна и та же фраза может по-разному сработать на разных моделях.
⚠️ Документальный фрейм не всегда плох: Иногда именно глубокая интерпретация нужна. Избегай его только если хочешь нейтральный разбор без домыслов.
Как исследовали
Команда взяла 653 сценария про психологически чувствительные ситуации — без кризисного языка и без джейлбрейков, намеренно серые зоны. Каждый сценарий переписали в 5 вариантах: одна и та же ситуация, но поданная как документация, как эпистемический вопрос, как институциональная процедура, как вопрос ответственности и как ролевое взаимодействие. Итого — почти 4000 промптов через 7 моделей.
Интересный момент дизайна: исследователи специально не использовали агрессивных или манипулятивных фреймов. Все 5 вариантов — абсолютно нормальные, человеческие способы говорить о ситуации. Это и делало находку неожиданной: оказалось, что обычная рабочая коммуникация уже сама по себе меняет поведение модели, без каких-либо уловок.
Поведение модели размечалось по шкале от "слабое/уклончивое" до "эскалированное/диагностирующее". Затем авторы заглянули внутрь — проверили, отражается ли разница в поведении в скрытых состояниях (внутренних представлениях) трансформера. Оказалось: да, различия в поведении можно предсказать прямо из внутренних активаций модели — значит, фрейм влияет не на поверхности, а глубоко в логике генерации. Это объясняет почему инструкция "отвечай нейтрально" помогает меньше, чем смена фрейма: фрейм меняет сам режим обработки, а не только финальный текст.
Адаптации и экстраполяции
🔧 Смешанный фрейм: когда нужны оба режима
Можно запустить один и тот же запрос в двух фреймах и сравнить ответы — это даёт объёмный взгляд:
Дай два независимых разбора одной ситуации:
[РАЗБОР 1 — нейтральный]:
В рамках стандартной процедуры анализируй следующее: {ситуация}
[РАЗБОР 2 — аналитический]:
Пытаюсь разобраться в следующем и понять скрытую динамику: {ситуация}
Сравни, где позиции расходятся.
Полезно для: оценки рисков, бизнес-решений, разбора конфликтных ситуаций — где нужно и трезвый расчёт, и понимание "что за этим стоит".
🔧 Явный выбор фрейма как инструкция
Вместо того чтобы задавать фрейм неявно — назвать его прямо:
Отвечай в институциональном режиме:
структурированно, без интерпретаций и домыслов,
только факты и применимые принципы.
{запрос}
Это работает как лаконичный ярлык, особенно когда хочется кратко переключить режим без длинной вводки.
Ресурсы
Название работы: Auditing Framing-Sensitive Behavioral Instability in Large Language Models for Mental Health Interactions
Авторы: Abla Bedoui, Ashley L. Greene, Mohammed Cherkaoui — School of Computer Science, Digital Engineering and AI + Department of Psychology, Long Island University, Brooklyn, NY, USA
Дата: June 26, 2026
Связанные концепции из работы: Representation Engineering, Contrastive Activation Addition (CAA), mechanistic interpretability