TL;DR
Один контрпредуктивный инстинкт при запросе объяснений: мы просим LLM "объясни по шагам" — и получаем стену текста, в которой непонятно, куда смотреть. Это исследование вскрыло почему: объяснение без быстрой ориентации заставляет тратить когнитивный ресурс до того, как ясно — нужно ли это вообще читать. Студенты, которых называли "халтурщиками" (сначала смотрят ответ, потом объяснение), оказались рациональными: они используют ответ как диагностический checkpoint, чтобы понять где именно застряли.
Главная находка: LLM по умолчанию выдаёт "монолитное решение" — красиво оформленный блок текста, в котором каждый шаг описывает что делается, но не почему именно это и что это открывает дальше. В итоге человек либо читает целиком (дорого по времени), либо смотрит только ответ (не понимает рассуждение). Оба варианта — провал для обучения и для работы со сложными задачами.
Решение: структурировать объяснение слоями — обзор → ответ как ориентир → шаги с "что + почему + что открывает". Плюс явное ограничение области: LLM должна знать, что методы и понятия должны быть в рамках твоего контекста (уровень, домен, доступный инструментарий). 4 принципа — инспекция, локальный ремонт, проверка области, отложенное повторение — собираются в один тип промпта.
Схема метода
ОБЗОР → Ключевые понятия + суть подхода (1-3 предложения)
ОТВЕТ → Финальный результат сразу (как ориентир)
ШАГИ → Каждый шаг: ЧТО делается + ПОЧЕМУ + ЧТО открывает следующим
ОГРАНИЧЕНИЕ → Только методы и понятия в рамках [твой контекст/уровень]
ЛОКАЛЬНЫЙ → Приглашение спросить об одном конкретном шаге
РЕМОНТ
Всё выполняется в одном промпте. Ответ на уточняющий вопрос — отдельным сообщением.
Пример применения
Задача: Готовишься к собеседованию на продакт-менеджера. Просишь объяснить фреймворк Jobs-to-be-Done — но раньше получал простыню текста, которую тяжело применять.
Промпт:
Объясни фреймворк Jobs-to-be-Done так, чтобы я мог применить его
на собеседовании в продуктовую компанию.
Структура объяснения:
1. ОБЗОР: в чём суть подхода и какую задачу он решает — 2-3 предложения
2. ОТВЕТ-ОРИЕНТИР: главная идея одной фразой (как запомнить суть)
3. ШАГИ ПРИМЕНЕНИЯ: для каждого шага укажи —
— ЧТО делается
— ПОЧЕМУ именно это (логика, не просто описание)
— ЧТО это открывает на следующем шаге
4. ОГРАНИЧЕНИЕ ОБЛАСТИ: используй только понятия и примеры,
которые уместны для junior/middle PM без технического фона
5. В конце: предложи один вопрос, который я могу задать,
чтобы разобраться с самым сложным шагом
Уровень: я понимаю базовые продуктовые термины (метрики, пользователь,
гипотеза), но не знаю академических теорий
Результат:
Модель выдаст короткий обзор (что такое JTBD и зачем), потом сжатую формулировку-ориентир ("люди нанимают продукты на работу"), потом шаги — каждый с логикой "почему" и "что открывает дальше". В конце — конкретный вопрос для локального разбора. Объяснение будет сфокусировано на уровне PM без академических отсылок.
Почему это работает
Слабость "обычного" объяснения. Когда просишь просто "объясни" — LLM генерирует текст линейно, как учебник. Каждый шаг описывает действие, но не раскрывает логику. Читатель не знает: это важный шаг или технический? Здесь ключевая развилка или просто переход? Приходится читать всё, чтобы понять что-что.
Что LLM умеет хорошо. Модель отлично работает с явными структурными инструкциями. Если формат задан точно — она ему следует. Это значит: если попросить явно структурировать "что + почему + что открывает", она это сделает для каждого шага.
Ключевой рычаг — ответ-ориентир в начале. Это контрпродуктивная на первый взгляд идея работает потому что меняет режим чтения: сначала видишь куда идёшь, потом читаешь как туда попасть. Это не "спойлер" — это навигационная точка. Остальные шаги читаются с другой установкой: уже понимаешь финал, ищешь логику.
Рычаги управления:
- Ограничение области (только понятия уровня X) → убирает ответы с методами, которые непонятны или неприменимы в твоём контексте
- "ЧТО открывает следующим" → можно убрать для простых задач, оставить только для сложных цепочек
- Вопрос для локального ремонта → замени на "выдели три места, где чаще всего ошибаются", если нужна профилактика, а не диагностика
- Уровень контекста → чем точнее описан — тем меньше нерелевантного контента
Шаблон промпта
Объясни {тема/концепция/задача}.
Структура ответа:
1. ОБЗОР: суть подхода и какую задачу он решает — 2-3 предложения
2. ОТВЕТ-ОРИЕНТИР: главный результат/вывод одной фразой
3. ШАГИ: для каждого шага —
— ЧТО делается
— ПОЧЕМУ именно это (логика)
— ЧТО это открывает на следующем шаге
4. ОГРАНИЧЕНИЕ ОБЛАСТИ: используй только {уровень/контекст/инструменты}
5. В конце: один вопрос, который я могу задать,
чтобы углубиться в самый сложный момент
Мой контекст: {кто ты, что уже знаешь, зачем нужно объяснение}
Что подставлять:
- {тема} — любая концепция, метод, задача: "unit-экономика", "как работает DNS", "стратегия ценообразования"
- {уровень/контекст/инструменты} — твои ограничения: "без формул", "только Excel", "для разговора с инвестором, не техническим"
- {кто ты, что знаешь, зачем} — чем точнее, тем меньше нерелевантного
🚀 Быстрый старт — вставь в чат:
Вот шаблон структурированного объяснения. Адаптируй под мою задачу:
[твоя задача]. Задай уточняющие вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит что именно объяснять, какой у тебя уровень и зачем — потому что точность контекста определяет качество ограничения области. Потом возьмёт структуру из шаблона и адаптирует под тему.
Ограничения
⚠️ Работает для объяснений, не для генерации. Этот формат заточен под "объясни мне X". Если нужен текст, код или список — структура "что + почему + что открывает" избыточна.
⚠️ Ограничение области требует точности. Если написать расплывчато ("простой язык"), LLM угадывает. Чем конкретнее контекст ("без юридических терминов, для объяснения клиенту без юридического образования") — тем точнее ограничение.
⚠️ Локальный ремонт — отдельным сообщением. Если спросить "а теперь объясни третий шаг подробнее" в том же промпте — LLM развернёт весь ответ снова. Лучше задать вопрос про шаг отдельно, после получения структурированного объяснения.
⚠️ Исследование про конкретный продукт. Принципы извлечены из UX-исследования системы AITutor для школьников. Перенос на другие контексты требует адаптации — механика понятна, но нюансы конкретных учебных задач в статье специфичны.
Как исследовали
Команда из Стэнфорда сначала провела генеративное исследование: пять участников (четыре школьника 8-9 класса + опытный учитель) разбирали живые сессии с существующими китайскими AI-репетиторами — Qianwen, Xiaoyuan, iFlytek. Исследователи записывали момент где ученик ломается, уходит, теряет доверие к ответу AI. Два паттерна бросались в глаза: школьники смотрели ответ раньше объяснения — что классически считалось "нечестным путём" — и отвергали математически правильные объяснения если те использовали методы вне школьной программы (тригонометрия в задаче для 8 класса = немедленный выход из сессии).
Потом они построили прототип AITutor с четырьмя механиками: слоистые примеры решения, шаги привязанные к диаграммам, контекстуальные подсказки, "неправильная тетрадь" для отложенного повторения. 12-дневное полевое исследование с 12 учениками дало 7 379 событий телеметрии + 10 интервью + 8 наблюдений.
Самый неожиданный вывод: "нечестное" поведение оказалось рациональным. Ученик под давлением домашнего задания не может инвестировать 10 минут в объяснение, не зная — оно вообще про его ошибку? Сначала смотрим ответ → понимаем где ошиблись → читаем только нужный шаг. Это не лень — это управление когнитивным ресурсом в условиях дефицита времени. Исследователи назвали это "информированным помощью-поиском" вместо традиционных ярлыков "игра с системой".
Оригинал из исследования
"When time is tight, I do not have the mental space to study it deeply.
I want the answer, plus a text version of the approach
and a detailed explanation." (Chloe, formative interview)
Контекст: Дословная цитата школьницы, которая описала идеальный порядок помощи. Именно это стало основой для архитектуры слоистых объяснений: ответ → подход → детальное объяснение.
Адаптации и экстраполяции
1. Адаптация для профессиональных решений
Та же логика "ориентир → шаги с логикой → проверка области" применима не только к обучению, но и к принятию решений.
💡 Адаптация для оценки бизнес-решения:
Оцени решение: {описание решения}.
Структура:
1. ОРИЕНТИР: рекомендация одной фразой (брать / не брать / переработать)
2. ЛОГИКА: для каждого ключевого аргумента —
— ЧТО это значит
— ПОЧЕМУ это важно именно сейчас
— ЧТО это меняет в итоговом решении
3. ОГРАНИЧЕНИЕ: оценивай только в рамках {бюджет / сроки / команда / рынок}
4. СЛЕПОЕ ПЯТНО: один вопрос, который я должен задать,
прежде чем принять решение
Контекст: {кто принимает решение, какие ресурсы, какие риски неприемлемы}
2. Техника: убрать ответ-ориентир → усилить самостоятельное рассуждение
🔧 Убрать ОТВЕТ-ОРИЕНТИР → получить сократовское объяснение
Если цель — не понять быстро, а прокачать мышление — убери пункт "ответ одной фразой". Тогда читатель проходит шаги и сам приходит к выводу. Хорошо работает для тренировки перед собеседованием или для глубокого изучения.
3. Техника: "почему именно этот метод, а не другие" как отдельный слой
🔧 Добавить слой АЛЬТЕРНАТИВЫ → видеть развилки
После каждого шага добавь: — АЛЬТЕРНАТИВА: что другие делают вместо этого и почему это хуже/лучше в данном контексте. Это работает когда нужно не просто понять метод, а уметь обосновать его выбор (переговоры, презентации, защита решения).
Ресурсы
Harry Feng, Yuan Tian, Erica Zhao — Stanford University (EE, EALC, MS&E)
"From Answer Generators to Reasoning Facilitators: Designing AI Tutors for Mathematical Reasoning in High-Stakes Environments" — CHI '26, Honolulu, HI
DOI: https://doi.org/10.1145/XXXXXXX.XXXXXXX (препринт, 2026)
Ключевые ссылки в работе: Anderson et al. (cognitive tutors), VanLehn (step-level tutoring), Renkl (worked examples), Roediger & Karpicke (retrieval practice), Buçinca et al. (overreliance on AI)