TL;DR
Когда вы просите AI дать ответ или решение — вы получаете результат, но не усваиваете логику. Когда вы просите объяснить, почему это работает, задаёте концептуальные вопросы, просите рассуждать вслух — мозг включается в процесс и вы запоминаете. Это не очевидное наблюдение, а задокументированный разрыв: одни и те же студенты с одинаковыми показателями задания имели принципиально разные результаты на тестах знаний — в зависимости от того, как именно они формулировали вопросы к AI.
Главная находка исследования: формулировка промпта влияет не на качество ответа от AI, а на то, что остаётся у вас в голове. "Сделай мне код" и "объясни, почему это работает именно так" дают технически одинаковый результат в задаче — но радикально разный результат в понимании. При этом чёткость и детальность промпта (specificity, clarity) сами по себе не предсказывают обучение — важна именно ориентация на понимание, а не просто качество запроса.
Решение простое: два режима работы с AI. Первый — understanding-driven промптинг: явно запрашиваете объяснение логики, рассуждение вслух, связь с концепцией. Второй — сократический режим: просите AI не давать ответ, а задавать вам направляющие вопросы, чтобы вы сами пришли к решению. Первый — быстрее, второй — глубже, оба работают лучше, чем просто "дай ответ".
Схема метода
(Два режима, каждый — отдельный запрос или настройка в начале диалога)
РЕЖИМ 1 — Understanding-Driven (понимание через объяснение)
Один промпт с запросом на объяснение логики, а не результата
РЕЖИМ 2 — Socratic Mode (понимание через вопросы)
Системный промпт в начале диалога: AI задаёт вопросы, не даёт ответ
→ Итерации: AI задаёт вопрос → вы отвечаете → AI корректирует/углубляет
→ Выход: вы сами формулируете вывод, AI подтверждает
Пример применения
Задача: Вы хотите разобраться в unit-экономике вашего интернет-магазина на Wildberries. Не просто "посчитай мне", а реально понять, чтобы потом объяснять это партнёрам и самому принимать решения.
Режим 1 — Understanding-Driven:
Промпт:
Я хочу разобраться в unit-экономике для продаж на Wildberries, а не просто
получить расчёт.
Моя ситуация: продаю термосы, закупочная цена 400₽, продажная 1200₽,
комиссия WB 15%, логистика WB около 80₽ за единицу, возвратность ~20%.
Не давай мне финальную цифру сразу.
Вместо этого:
1. Объясни, что именно нужно посчитать и почему — логику, а не формулу
2. Покажи как каждый параметр влияет на маржу — что произойдёт если
возвратность вырастет до 30%?
3. Объясни какие метрики опасно игнорировать и почему
4. В конце задай мне 2 проверочных вопроса — чтобы я убедился что понял
Результат: Модель пройдётся по логике unit-экономики шаг за шагом, объяснит механику влияния каждого параметра, покажет сценарии. В финале задаст два вопроса — вы увидите, поняли ли на самом деле или просто прочитали. Это принципиально отличается от "посчитай мне маржу": вы сможете объяснить логику другу или партнёру своими словами.
Режим 2 — Сократический:
Промпт:
Переключись в режим сократического наставника.
Я хочу разобраться в unit-экономике Wildberries самостоятельно —
не получить готовый ответ, а прийти к нему.
Правила:
- Не давай мне ответы напрямую
- Задавай направляющие вопросы, которые помогут мне самому прийти к выводу
- Если я ошибаюсь — не исправляй, а спроси что-то, что поможет мне заметить ошибку
- Когда я сам сформулирую правильный вывод — подтверди и переходи к следующему уровню
Начни: задай мне первый вопрос о том, что такое unit-экономика
и зачем она нужна именно для маркетплейса.
Результат: Диалог в формате: AI задаёт вопрос → вы отвечаете → AI подхватывает и углубляет или мягко перенаправляет. Итоговое понимание значительно глубже, чем при чтении объяснения, — потому что вы сами формулировали каждый шаг. Занимает больше времени, но это и есть точка: замедление = запоминание.
Почему это работает
Слабость "решательного" режима. Когда AI сразу даёт ответ, мозг переключается в режим потребителя: читаем, понимаем в моменте, закрываем. Никакой активной обработки не происходит. Это не лень — это нормальная работа мозга: зачем тратить усилия, если результат уже есть. Исследования в нейронауках называют это "когнитивным долгом" — быстрый результат + сниженное критическое мышление + плохая долгосрочная память.
Сильная сторона LLM. Модели хорошо удерживают контекст диалога, могут задавать последовательные вопросы, корректировать рассуждения, объяснять одно явление с разных сторон. Это именно то, что нужно для глубокого понимания — не разовая выдача информации, а итеративное взаимодействие.
Как метод использует это. Understanding-driven промптинг запрещает AI давать сухой ответ и требует объяснение механики. Сократический режим идёт дальше: AI вообще не даёт ответов, только вопросы. Оба подхода вынуждают вас обрабатывать информацию активно — не читать, а думать. Качество промпта (чёткость, детальность) само по себе не предсказывает понимание — важна ориентация: на решение задачи или на понимание логики.
Рычаги управления: - Количество итераций в сократическом режиме → больше итераций = глубже, но дольше. Для простой темы достаточно 3-4 раундов, для сложной — 8-10 - "Задай мне проверочные вопросы в конце" → добавьте в любой understaning-driven промпт, чтобы проверить себя - Уровень жёсткости сократического режима → "не давай ответы вообще" vs "давай подсказки если зашёл в тупик" — выбирайте под свой уровень и терпение - Персонаж наставника → "как преподаватель Высшей школы экономики" или "как опытный серийный предприниматель" — конкретная роль заостряет стиль вопросов
Шаблоны промптов
Шаблон 1 — Understanding-Driven
Я хочу разобраться в {тема}, а не просто получить ответ.
Моя ситуация / контекст: {ваш контекст}
Не давай финальный ответ сразу. Вместо этого:
1. Объясни логику и механику — почему это работает именно так
2. Покажи как изменится результат если {параметр} изменится в ту или
иную сторону
3. Укажи что опасно игнорировать и почему
4. В конце задай мне 2 вопроса — проверить, что я понял суть
{тема} — что изучаете: принцип ценообразования, SEO-стратегия, закон об авторских правах
{ваш контекст} — конкретная ситуация, цифры, детали вашего случая
{параметр} — переменная, которую хотите понять (цена, трафик, условие)
Шаблон 2 — Сократический режим
Переключись в режим сократического наставника для изучения {тема}.
Мой текущий уровень понимания: {опишите что уже знаете, можно коротко}
Правила диалога:
- Задавай мне вопросы, не давай ответы напрямую
- Если я ошибаюсь — спроси что-то, что поможет мне заметить ошибку самому
- Если я зашёл в тупик и явно застрял — дай минимальную подсказку,
не ответ
- Когда я сам формулирую правильный вывод — подтверди и переходи глубже
- В конце подведи итог: что я понял правильно, что стоит закрепить
Начни с первого вопроса о {начальная точка}.
{тема} — предмет изучения
{опишите что уже знаете} — ваш стартовый уровень, чтобы AI не начинал с азов или наоборот не прыгал слишком высоко
{начальная точка} — с чего начать: определение термина, конкретная задача, принцип
🚀 Быстрый старт — вставь в чат:
Вот шаблон для сократического обучения через AI. Адаптируй под мою задачу:
{твоя тема или вопрос}. Задавай уточняющие вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про вашу тему, текущий уровень понимания и с чего начать — потому что без этого сократический диалог либо слишком прост, либо улетит над головой. Она возьмёт паттерн из шаблона и выстроит диалог под вашу конкретную задачу.
Ограничения
⚠️ Задачи где нужен результат, а не понимание: Если вам нужно просто решить задачу и не нужно ничему учиться — сократический режим только раздражает и тратит время. Это инструмент для ситуаций "хочу понять", а не "хочу сделать".
⚠️ Терпение: Студенты в исследовании воспринимали сократический режим как менее эффективный, хотя учились лучше. Если ощущение "теряю время" слишком сильное — переключайтесь в understanding-driven режим, он быстрее и тоже работает.
⚠️ Профессиональные задачи vs обучение: Исследование проводилось в учебном контексте. Перенос в рабочие задачи (не "учусь", а "делаю проект") — логичен, но прямо не проверен. Там границы размыты.
⚠️ Размер выборки: 66 студентов в одном курсе по робототехнике в EPFL. Результаты убедительные, но контекст специфический.
Как исследовали
Исследователи из EPFL взяли 66 магистрантов курса по мобильной робототехнике и разделили на две группы. Первая работала с AI-тьютором, который отказывался давать ответы и только задавал вопросы (Socratic-Guidance). Вторая работала с тьютором, который помогал улучшить вопрос перед тем как ответить — оценивал ясность и ориентацию на понимание, отклонял "дай мне код" и предлагал две лучших альтернативы (Prompt-Refinement).
Шесть недель обе группы работали со своими тьюторами. Потом всех переключили на свободный LLM без ограничений — и смотрели: изменилось ли поведение? Дополнительно закодировали 1700+ промптов студентов по типу (внедрение / отладка / концептуальные вопросы) и качеству (чёткость / специфичность / ориентация на понимание).
Интересная деталь: в моменте обе группы показывали одинаковые результаты в задачах. Разница всплыла только в тестах знаний — и особенно в том, как студенты вели себя с неограниченным AI потом. Сократическая группа значительно чаще задавала понимающие вопросы, и именно понимающий кластер промптов коррелировал с лучшим пониманием материала. Качество промпта само по себе — нет.
Адаптации и экстраполяции
🔧 Техника: Сократический режим для рефакторинга решений, а не для обучения
Сократический метод работает не только для учёбы. Попробуйте его для проверки собственных бизнес-решений или текстов:
Переключись в режим критического советника. Не говори мне правильный ответ. Задавай вопросы, которые помогут мне самому найти слабые места в моём решении.
Вместо "проверь мой бизнес-план и скажи что неправильно" — AI ведёт вас к собственным выводам. Результат: вы не просто получаете критику, вы понимаете логику проблем.
🔧 Техника: Встроенная самопроверка в любой промпт
Добавьте в конец любого обучающего промпта:
После объяснения — задай мне 3 вопроса разного уровня сложности по этой теме. Я отвечу, ты оценишь.
Это гибрид двух режимов: сначала получаете объяснение, потом сразу проверяете усвоение. Быстрее чистого сократического, но лучше пассивного чтения.
Ресурсы
Название работы: Reflective Dialogue or Prompt Refinement? Effects of Tutor Scaffolding on Students' Independent LLM Use for Programming
Авторы: Jérôme Brender, Laila El-Hamamsy, Kim Uittenhove, Aitor Perez, Patrick Jermann, Francesco Mondada, Engin Bumbacher
Организации: MOBOTS & LEARN, EPFL (Швейцария); University of Teacher Education Vaud (HEP Vaud, Швейцария); Center for Digital Education & LEARN, EPFL
Связанные работы, упомянутые в исследовании: Kasneci et al. (2023) — обзор LLM в образовании; Bernstein et al. (2024) — промптинг и обучение; Bastian et al. (2024) — структурированные интерфейсы чатботов; Mai et al. (2025) — EEG и "когнитивный долг" при LLM-использовании