TL;DR
Модели системно провисают при попытке снизить сложность. Когда просишь LLM «объясни попроще» или «сделай задание проще» — она меняет поверхностное оформление: переформулирует, добавляет форматирование, разбивает на пункты. Но когнитивная нагрузка (то, насколько глубоко нужно думать) остаётся прежней или даже растёт. Ты просил задачу «на запомнить», а получил задачу «на изобрести алгоритм».
Проблема в том, что «проще» и «сложнее» — это разные операции по природе. Усложнить легко: добавь слои, ограничения, требование создать что-то новое. Упростить — значит убрать когнитивные операции, оставить только «вспомни» или «узнай». Это контрпродуктивно для модели, заточенной решать задачи: она физически тяготеет к высоким уровням мышления — анализу, оценке, созданию.
Исследователи предлагают использовать язык таксономии Блума вместо нечётких «проще/сложнее». Таксономия Блума — это шесть уровней когнитивной сложности: Помни → Понимай → Применяй → Анализируй → Оценивай → Создавай. Вместо «сделай проще» — «сделай так, чтобы задача требовала только уровня "Помни" или "Понимай"». Это не гарантия, но даёт модели конкретный ориентир, а не расплывчатую команду.
Схема метода
БЕЗ КОНТРОЛЯ:
"Объясни проще" → модель меняет форматирование, оформление, лексику
→ когнитивная сложность не снижается или растёт
С BLOOM-КОНТРОЛЕМ (Шаг 1):
Определи нужный уровень:
Низкий → "Помни" (факты, определения) / "Понимай" (своими словами)
Средний → "Применяй" (используй по шаблону) / "Анализируй" (разбери на части)
Высокий → "Оценивай" (критикуй, сравнивай) / "Создавай" (изобрети новое)
С BLOOM-КОНТРОЛЕМ (Шаг 2):
Укажи уровень явно в промпте:
"Создай задачу/объяснение, которое требует только [уровень]: [описание операции]"
→ LLM получает конкретный когнитивный ориентир, а не абстрактное «проще»
Оба шага — в одном промпте. Это не многошаговый процесс, а способ формулировать запрос.
Пример применения
Задача: Ты учишь сотрудника работать с Яндекс.Метрикой. Просишь ChatGPT составить задание для новичка, который вообще не знает термина «показатель отказов». Хочешь очень простое задание — на уровне «познакомиться с понятием», не «разобраться почему растёт».
Промпт:
Составь учебное задание по Яндекс.Метрике на тему «показатель отказов».
Задание должно соответствовать уровню «Помни» из таксономии Блума:
— Требует только вспомнить или узнать определение
— НЕ требует объяснять причины, анализировать данные или делать выводы
— Подходит для человека, который видит этот термин впервые
Формат: одно конкретное задание (не список), максимум 3 предложения.
Результат:
Модель составит задание типа «найди в интерфейсе Метрики показатель отказов и запиши его значение» или «выбери правильное определение из трёх вариантов» — без требования анализировать, почему цифра именно такая. Без Bloom-контроля модель с высокой вероятностью добавит «объясни, что влияет на показатель» или «предложи как его улучшить» — то есть выползет на уровень «Анализируй/Оценивай».
Почему это работает
LLM тяготеет к высоким уровням мышления — потому что её обучали на задачах, где нужно решать, объяснять причины, создавать. Команда «усложни» совпадает с этим естественным направлением. Команда «упрости» идёт против него. Модель понимает слово «проще», но интерпретирует его как «переформулируй понятнее» — а не «убери глубокие когнитивные операции».
Поверхность ≠ глубина. Текст может выглядеть простым (короткие предложения, простые слова), но требовать сложного мышления. «Перепиши алгоритм сортировки коротко» — звучит как упрощение, но синтез нового кода это уровень «Создавай». Модель путает лексическую простоту с когнитивной.
Bloom-язык даёт точный ориентир. Вместо расплывчатого «проще» — конкретная операция: «только узнать», «только вспомнить». Это убирает двусмысленность. Модель понимает не «насколько длинный текст», а «какое мышление требуется от читателя». Результат всё равно не идеален — точность попадания в нужный уровень около 25-30% без специальных приёмов — но лучше, чем «сделай проще».
Рычаги управления: - Глагол операции → замени «объясни» на «перечисли» (помни) или «сравни» (анализируй) - Явный запрет → добавь «НЕ требуй от читателя анализировать причины / создавать что-то новое» - Контрольный вопрос в промпте → «Какой уровень Блума требует это задание?» — попроси модель самопроверку
Шаблон промпта
Мне нужен материал/задание/объяснение на тему {тема}.
Целевой уровень сложности по таксономии Блума: {уровень}
Что это значит: {описание операции}
Явно НЕ требуй от читателя: {запрещённые операции}
Формат: {формат — задание / объяснение / вопрос / тест}
Длина: {ограничение если нужно}
Что подставлять:
{тема}— любая: ХАССП, финансовая отчётность, SQL, история компании{уровень}— выбери один: Помни / Понимай / Применяй / Анализируй / Оценивай / Создавай{описание операции}:- Помни → «вспомнить/узнать факт, определение»
- Понимай → «объяснить своими словами, не применяя»
- Применяй → «использовать правило в конкретной ситуации»
- Анализируй → «разобрать на части, найти связи»
- Оценивай → «критиковать, обосновывать выбор»
- Создавай → «изобрести, спроектировать что-то новое»
{запрещённые операции}→ все уровни выше нужного, например: «не требуй анализировать причины, предлагать решения, создавать что-то»
🚀 Быстрый старт — вставь в чат:
Вот шаблон для создания материала с точным уровнем сложности по таксономии Блума.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит какой уровень нужен и что нельзя требовать от читателя — потому что без этого модель не знает где остановиться и по умолчанию поднимается к «Оценивай/Создавай».
Ограничения
⚠️ Снижать легче на репозиторных задачах: Для развёрнутых, многосоставных задач упростить чуть легче — там есть из чего убирать. Для коротких изолированных вопросов («реши алгоритм») шансы на реальное упрощение минимальны.
⚠️ Точность всё равно низкая: Даже с явным Bloom-контролем модели попадают в нужный нижний уровень примерно в 25-30% случаев. Лучше, чем без него — но не надёжно. Проверяй результат вручную.
⚠️ Специализированная модель хуже для учёбы: Coder-модели (заточенные под код) — хуже в управлении сложностью, чем универсальные. Если используешь LLM как учебный инструмент, универсальные (GPT-4o, Claude) справляются лучше, чем специализированные.
⚠️ Только программирование в исследовании: Проверяли на CS-задачах. Принцип скорее всего универсален — но прямых доказательств для других областей (право, медицина, менеджмент) пока нет.
Как исследовали
Идея была проверить разрыв между «уметь решить задачу» и «уметь адаптировать задачу под уровень ученика». Взяли две модели из одного семейства (Qwen3) — универсальную и заточенную под код — с одинаковой архитектурой, чтобы сравнивать честно. Прогнали через 2520 задач из трёх бенчмарков: функциональные задачи, алгоритмические соревнования и реальные баги из GitHub-репозиториев.
Каждую задачу мутировали четырьмя способами: «сделай сложнее», «сделай проще», «нацелься на высокий уровень Блума», «нацелься на низкий уровень». Потом Claude-3.5-haiku выступал судьёй и оценивал, куда реально сдвинулась задача по шести уровням Блума. Судью предварительно валидировали на 150 примерах — согласие с людьми 95%.
Результат оказался острее ожидаемого: модели не просто плохо снижают уровень — они его повышают даже когда просят понизить. «Сделай проще» у обеих моделей давал положительный сдвиг вверх по шкале. Параллельно смотрели на активации внутри сети — и обнаружили, что универсальная модель лучше «разводит» инструкции «выше/ниже» по отдельным слоям, а код-специализированная мешает их в кашу, особенно глубоко (слой 36 из 48). Это косвенно объясняет почему у неё хуже получается управлять уровнем.
Адаптации и экстраполяции
🔧 Техника: Bloom-самопроверка → поймай спрятанную сложность
Добавь в конец любого «упросительного» промпта:
После того как напишешь, оцени: какой уровень таксономии Блума
на самом деле требует этот текст от читателя?
(Помни / Понимай / Применяй / Анализируй / Оценивай / Создавай)
Если уровень выше {нужный уровень} — перепиши.
Это заставляет модель критически проверить себя перед выдачей результата. Без этого она не замечает, что «понятное объяснение» всё равно требует анализа.
🔧 Техника: Bloom-лестница для объяснения сложных концептов
Вместо одного запроса — попроси объяснение в трёх версиях:
Объясни {концепт} в трёх версиях:
1. Уровень «Помни»: только определение, 1-2 предложения, без примеров применения
2. Уровень «Понимай»: своими словами с аналогией, без задач
3. Уровень «Применяй»: конкретный пример использования в {контекст}
НЕ смешивай уровни внутри каждой версии.
Это полезно когда объясняешь концепт человеку с нуля: начинаешь с первого, видишь где он застрял, переходишь дальше.
Ресурсы
Название работы: From Execution to Education: A Bloom-Aligned Framework for Measuring Educational Control in LLMs
Авторы: Yi Zhang, Julia Rayz — School of Applied Creative Computing, Purdue University
Связанные работы: BloomWise (Zoumpoulidi et al., 2024) — промптинг через когнитивные уровни Блума; revised Bloom's Taxonomy (Anderson & Krathwohl, 2001)