TL;DR
Исследователи проанализировали 52 учебных YouTube-видео о ChatGPT и обнаружили три устойчивых паттерна взаимодействия с LLM: партнёр по мышлению (объяснения и концепции), тренажёр навыков (практика и проверка знаний) и генератор выдачи (быстрый результат без понимания). Главный вывод: лучше всего для обучения работает комбинация первых двух режимов. Третий даёт быстрый результат, но знания не остаются.
Проблема типичного запроса к LLM: большинство людей по умолчанию попадают в режим генератора выдачи — "сделай за меня", "напиши", "объясни". Модель послушно выдаёт готовый текст, пользователь читает и... ничего не запоминает. Это не лень — это структура взаимодействия. Если не попросить модель направлять тебя вопросами и ломать задачу на шаги — она этого не сделает.
Переключить режим проще, чем кажется: достаточно явно сказать модели, что ты хочешь понять, а не получить готовый ответ. После этого подключить активное воспроизведение — попросить модель проверить тебя вопросами. Два шага, два разных режима, которые вместе дают устойчивое понимание.
Схема метода
Два режима, которые нужно комбинировать — в одном промпте или последовательно:
РЕЖИМ 1 — Партнёр по мышлению (G1):
Прежде чем спрашивать → зафиксировать что уже знаешь
Просить разбивать сложное на шаги → под понимание, не скорость
Просить задавать вопросы → а не просто объяснять
РЕЖИМ 2 — Тренажёр (G2):
После объяснения → попросить проверить тебя
Формат: квизы, "объясни своими словами", "что не так с этим ответом?"
Прогресс: фиксировать ошибки, повторять слабые места
❌ РЕЖИМ 3 (то, чего избегаем при обучении):
"Напиши мне...", "Сделай за меня...", "Дай готовый ответ на..."
→ Когнитивная работа остаётся у модели, не у тебя
Оба режима работают в одном чате — переключать можно прямо в диалоге.
Пример применения
Задача: Хочешь разобраться в юнит-экономике SaaS-продукта — готовишься к разговору с инвестором. Не просто получить определения, а реально понять.
Промпт:
Прежде чем начинать: я знаю, что юнит-экономика — это про прибыльность
одного клиента. Слышал про LTV и CAC, но путаюсь, как их считать
и что они значат вместе.
Действуй как строгий наставник, а не справочник. Твоя задача:
1. Не давай готовых определений сразу — веди меня вопросами к пониманию
2. Разбивай каждую концепцию на шаги, пока я не скажу "понял"
3. Когда объяснишь блок — проверь меня: задай 2-3 вопроса на понимание
4. Если я отвечаю неточно — не исправляй сразу, сначала спроси "а почему
ты так думаешь?"
Начни с вопроса: что, по-моему, происходит, если CAC больше LTV?
Результат:
Модель не выдаст стену текста с определениями. Вместо этого — диалог: вопрос → твой ответ → уточнение → следующий шаг. После объяснения каждого блока — короткий квиз. Ты будешь формулировать своими словами, ошибаться вслух и получать направление, а не готовый конспект. К концу разговора — понимание, которое можно применить, а не набор чужих фраз.
Почему это работает
LLM оптимизирует под запрос. Если попросить "объясни" — модель выдаёт хорошее объяснение. Если попросить "проверь меня вопросами" — генерирует вопросы. Структура твоего запроса буквально определяет, какую когнитивную работу делаешь ты, а какую — модель. Режим генератора выдачи перекладывает всё на модель. Ты становишься читателем, а не участником.
Активное воспроизведение работает лучше пассивного чтения — это давно показано в психологии памяти. Когда ты формулируешь ответ сам (пусть и неточно), мозг строит связи иначе, чем когда читаешь готовый текст. LLM можно использовать как тренажёр именно для этого: задавать вопросы, ловить ошибки, просить "объясни мне как пятилетнему".
Рычаги управления: - Фраза "веди вопросами, не объясняй" → переключает модель из режима лекции в режим сократовского диалога - "Что я уже знаю: ..." в начале промпта → модель калибрует глубину объяснения под тебя, не с нуля - "Проверь меня после каждого блока" → включает активное воспроизведение автоматически - Количество вопросов в квизе → уменьши до 1 для быстрой проверки, увеличь до 5 для серьёзной подготовки
Шаблон промпта
Прежде чем начать: я уже знаю {что знаешь о теме}.
Не знаю или путаюсь в {где конкретно пробел}.
Веди меня как строгий наставник — не как справочник:
1. Не давай готовых ответов сразу — задавай вопросы, которые
подведут меня к пониманию
2. Разбивай {тема} на шаги: объясняй один блок, жди пока пойму
3. После каждого блока — {число} вопроса на проверку понимания
4. Если отвечаю неточно — не исправляй сразу, спроси "почему
ты так думаешь?"
Начни с вопроса: {конкретный стартовый вопрос по теме}
Что подставлять:
- {что знаешь о теме} — честно, 1-2 предложения; даже "почти ничего" лучше, чем пусто
- {где конкретно пробел} — чем точнее, тем лучше: "не понимаю как X связан с Y"
- {тема} — конкретная, не "маркетинг", а "воронка продаж для B2B"
- {число} — 2-3 для обычной темы, 4-5 для сложной
- {стартовый вопрос} — любой, на который ты знаешь ответ хотя бы частично
🚀 Быстрый старт — вставь в чат:
Вот шаблон для обучения с AI в режиме наставника.
Адаптируй под мою задачу: {твоя тема/цель}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит что ты уже знаешь, где пробел и какой результат хочешь — потому что без этого не сможет подобрать правильный уровень сложности и стартовый вопрос. Она возьмёт паттерн из шаблона и соберёт рабочий промпт под твою задачу.
Ограничения
⚠️ Не для срочных задач: Режим наставника требует времени. Если нужен быстрый результат прямо сейчас — G3 ("сделай за меня") уместен. Эта схема для ситуаций, где цель — понимание, а не скорость.
⚠️ Работает только при честном участии: Если отвечать на вопросы модели "не знаю" не думая — схема превращается в обычный Q&A. Ценность в том, что ты формулируешь свои ответы, пусть и неточные.
⚠️ Исследование описывает YouTube-авторов, не протестированные промпты: Принципы G1+G2 извлечены из анализа дискурса видео, а не из контролируемого эксперимента с промптами. Механика переноса в чат логична, но не проверена экспериментально.
⚠️ Не для фактических справок: Если нужна точная информация по закону, медицине, техническим спецификациям — всегда проверяй источники независимо от режима взаимодействия.
Ресурсы
How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata
Shayla Sharmin, Mohammad Fahim Abrar, Mohammad Al-Ratrout, Roghayeh Leila Barmaki — University of Delaware, Newark, USA
Конференция: ICMI '25 (International Conference on Multimodal Interaction), Napoli, Italy, October 2026
Метод анализа: Epistemic Network Analysis (ENA Web Tool v1.8.0)