TL;DR
Исследователи опросили 382 студента и обнаружили четыре качественно разных способа работать с AI — не по частоте, а по тому, кто контролирует мышление: человек или модель. Это не шкала "использует много / мало". Это принципиально разные отношения с инструментом: один человек спрашивает у GPT "напиши мне аргумент", другой — уже написал аргумент сам и спрашивает "где я ошибаюсь". Оба активно используют AI. Только первый деградирует, второй — растёт.
Главный парадокс: самые грамотные пользователи AI — те, кто сохраняет контроль над собственным мышлением — набирают меньше всего баллов по всем стандартным метрикам "эффективности AI". Не потому что работают хуже. А потому что шкалы измеряют не качество работы, а долю AI в результате. Чем меньше ты отдаёшь модели — тем "ниже твой балл". Это фундаментальный изъян в том, как мы оцениваем "хорошее использование AI".
Исследование вводит два независимых механизма: грамотность в AI определяет, КАК ты используешь модель (какой тип поведения), а мотивационные убеждения определяют, НАСКОЛЬКО ИНТЕНСИВНО ты на неё опираешься. Это разные рычаги — и работать с ними нужно отдельно.
Схема метода
Четыре типа выстроены по двум осям:
КРИТИЧЕСКАЯ ОЦЕНКА AI-вывода
Низкая Высокая
┌──────────────┬──────────────────┐
Высокий │ Dialogic │ Strategic │
АВТОРСКИЙ │ (30.4%) │ (34.3%) │
КОНТРОЛЬ │ думаем │ думаем + │
│ вместе с AI │ проверяем AI │
├──────────────┼──────────────────┤
Низкий │ Dependent │ Instrumental │
АВТОРСКИЙ │ (4.5%) │ (30.9%) │
КОНТРОЛЬ │ AI думает │ AI выполняет │
│ за меня │ конкретные │
│ │ техзадачи │
└──────────────┴──────────────────┘
Strategic — человек написал сам, просит AI проверить тезис, найти слабые места, оспорить. Dialogic — думает вслух вместе с AI, развивает идеи через диалог, но авторство — своё. Instrumental — делегирует конкретные рутинные задачи: грамматика, форматирование, поиск ссылки. Dependent — открывает чат в начале работы и строит весь текст на выводе модели.
Все шаги выполняются в обычном диалоге с моделью — никаких специальных инструментов.
Пример применения
Задача: Пишешь разбор для Telegram-канала — "Почему российские EdTech-стартапы не масштабируются за рубеж". Уже набросал тезисы. Хочешь сделать текст сильнее.
Dependent-подход (как не надо):
Напиши статью о том, почему российские EdTech-стартапы
не масштабируются за рубеж. Аргументы, структура, вывод.
Strategic-подход — ты держишь мышление у себя:
Я написал тезис для статьи: «Российские EdTech-стартапы
не масштабируются за рубеж из-за product-market fit под
локальный менталитет — они строят под "ЕГЭ-логику",
которой нет в западных системах образования».
Твоя задача — не соглашаться. Найди:
1. Контрпримеры: кто из российских EdTech всё же зашёл
на международный рынок и как
2. Альтернативные объяснения: что ещё могло быть
причиной, кроме product-market fit
3. Логические дыры в моём тезисе
НЕ переписывай тезис. Только оппонируй.
Dialogic-подход — думаешь вместе, но своим мозгом:
Я пытаюсь понять вот что: российские EdTech (Skyeng,
Учи.ру, Яндекс.Учебник) очень успешны локально,
но почти не видны глобально. У меня есть несколько
конкурирующих объяснений, я не уверен какое правильнее.
Объяснение А: проблема продукта — он заточен под
российскую образовательную систему.
Объяснение Б: проблема капитала — нет денег на
международное масштабирование.
Объяснение В: проблема времени — санкции отрезали
выход именно тогда, когда были готовы расти.
Помоги мне разобраться: какое объяснение сильнее
подкреплено логикой и что мне стоит проверить?
Результат: В Strategic-варианте модель выдаст конкретные контрпримеры и возражения — ты получишь материал для усиления собственного аргумента, не готовый текст. В Dialogic-варианте модель разберёт три версии, укажет на логические преимущества каждой и подскажет, что искать дальше. Твои идеи станут точнее, потому что ты думал — AI просто создавал сопротивление и задавал вопросы.
Почему это работает
Слабость LLM и слабость пользователя — взаимно усиливают друг друга. Модель отлично генерирует связный, убедительно звучащий текст. Когда ты открываешь чат и просишь "напиши", ты получаешь статистически среднее — гладко, но предсказуемо. Мозг при этом выключается: исследование фиксирует снижение нейронной связности на 55% у тех, кто пишет с AI против тех, кто без. 83% не могли вспомнить фрагменты эссе, которые только что "написали" с помощью AI.
Разница между типами — не количество промптов, а где происходит мышление. Dependent-пользователь использует AI как генератор идей. Strategic-пользователь использует AI как оппонента для своих идей. Первый постепенно теряет способность думать самостоятельно. Второй — укрепляет её. Внешне оба "активно используют AI".
Ключевой рычаг — вопрос "кто формулирует проблему". Если ты приходишь в чат с уже сформулированной позицией и просишь AI её оспорить — ты Strategic. Если ты приходишь с пустым листом и просишь AI заполнить его — ты Dependent. Разница в одном: сделал ли ты интеллектуальную работу до того, как открыл чат.
Шаблон промпта
Strategic-режим (проверка и оппонирование)
Вот мой тезис / вывод / аргумент:
[твой текст]
Твоя задача — не соглашаться и не улучшать формулировку.
Найди:
— Контрпримеры, которые опровергают мой тезис
— Альтернативные объяснения, которые я не рассмотрел
— Логические слабости или допущения, которые я принял
за само собой разумеющееся
НЕ переписывай. Только атакуй.
Что подставлять: в {твой текст} — любой тезис, вывод, план, решение, которое ты уже сформулировал сам. Чем точнее формулировка — тем острее оппонирование.
Dialogic-режим (развитие мышления через диалог)
Я разбираюсь в вопросе: {тема}
У меня несколько конкурирующих объяснений, я не уверен
какое точнее:
Версия А: {объяснение 1}
Версия Б: {объяснение 2}
Версия В: {объяснение 3}
Помоги разобраться:
1. Какая версия логически сильнее и почему
2. Что мне нужно проверить или найти, чтобы выбрать между ними
3. Какую версию я не рассмотрел
Не давай финального ответа — задавай вопросы и указывай
на то, что стоит проверить.
Что подставлять: {тема} — любой вопрос, в котором ты разбираешься. Версии — три своие гипотезы. Главное: версии формулируешь ты, не просишь AI сгенерировать.
🚀 Быстрый старт — вставь в чат:
Вот шаблон Strategic-режима работы с AI.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какой тезис или вывод ты хочешь проверить — потому что метод работает только если ты уже что-то сформулировал сам.
Ограничения
⚠️ Это исследование, не техника: Статья описывает паттерны поведения, а не готовый метод. Нет алгоритма "сделай 1-2-3 и получишь результат X". Шаблоны выше — моя интерпретация, как операционализировать типы в реальных промптах.
⚠️ Типы не жёсткие: Один и тот же человек может использовать Dependent для черновика и Strategic для финальной проверки. Это не диагноз, а описание поведения в конкретный момент.
⚠️ 13% вне модели: Примерно каждый седьмой пользователь принципиально ограничивает AI по этическим соображениям — не из-за неумения и не из-за низкой мотивации. Для них все нижеизложенные рекомендации нерелевантны.
⚠️ Контекст — академическое письмо: Исследование про студентов и письменные работы. Для других задач (анализ данных, код, дизайн) соотношение типов и их последствия могут быть другими.
Ресурсы
Статья: Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University
Автор: Shahin Hossain, School of Education, University of Maryland, Baltimore County (UMBC)
Ключевые теоретические основы в статье: - AI Literacy Framework — Long & Magerko (2020); Allen & Kendeou (2024) - Expectancy-Value Theory — Wigfield & Eccles (2000) - Presage-Process-Product Model — Biggs (1993) - Когнитивный долг от AI — Kosmyna et al. (2025) - Метакогнитивная лень — Fan et al. (2025)