Design Problems Generator: промпт для создания сценарных вопросов, проверяющих перенос знаний

Один запрос с XML-полями:

   → что человек должен уметь
   → описание исходной задачи/темы
          → ключевые концепции и инструменты
     → конкретное умение, которое хочешь проверить

→ Вывод: Scenario + Problem
   Scenario — реалистичный контекст в НОВОЙ предметной области
   Problem  — вопрос, требующий анализа, оценки или проектирования

Всё в одном промпте. Отдельных запросов не нужно.

Задача: Руслан ведёт курс по переговорам для менеджеров. Хочет создать задание для итогового экзамена — не "расскажи BATNA", а задачу, где студент сам должен рассуждать.

Промпт:

Ты — эксперт по разработке учебных заданий.
Создай короткое экзаменационное задание для проверки навыка переговоров.

Формат задания:
- Начни с короткого реалистичного сценария
- Сценарий — в ДРУГОМ контексте, не в том, который разбирали на курсе
- Задание проверяет анализ ситуации, оценку вариантов и обоснование решений —
  не просто знание терминов
- Ожидаемый ответ: 3–5 предложений
- Без подсказок на правильное решение
- Объясни незнакомые термины в сценарии, если они есть

Вот детали курса:


Менеджер умеет определять зоны торга, оценивать альтернативы и
строить стратегию уступок.



Мы разбирали переговоры о повышении зарплаты: как определить BATNA,
якорить первым, управлять уступками.



BATNA, зона возможного соглашения (ZOPA), якорение, принцип взаимности,
принцип «разделить пирог»



Оценить альтернативы и аргументировать стратегию уступок в условиях
неравных позиций сторон.


Формат ответа:
Сценарий: <краткое описание контекста>
Задание: <конкретный вопрос>

Результат: Модель придумает сценарий из другой сферы — например, переговоры между стартапом и поставщиком, или между малым бизнесом и торговой сетью. Сценарий будет содержать конкретные цифры и условия. Задание потребует от студента не вспомнить термин, а применить логику: определить позиции сторон, оценить альтернативы, обосновать шаги. Никаких подсказок в тексте — только контекст для размышления.

LLM плохо справляется с "придумай хороший вопрос" — без структуры она генерирует что-то банальное или слишком похожее на исходный материал. Слишком расплывчато, нет ориентира.

Когда ты даёшь XML-поля, каждое поле заужает задачу. говорит модели что проверяем. говорит откуда не копировать. задаёт конкретный skill. Без этих ограничений модель "уходит" в пересказ исходной темы — именно это авторы называли самой частой ошибкой в сгенерированных вопросах.

Рычаги управления: - Уровень сложности — добавь в инструкции "сценарий должен требовать решения трёх взаимосвязанных аспектов" для сложных заданий, или "один аспект" для базовых - Новизна контекста — уточни "сценарий из [конкретной сферы]", если хочешь предсказуемый домен - Длина ответа — замени "3–5 предложений" на "один абзац" или "список из 4 пунктов" - Проверка качества — после генерации попроси модель оценить своё задание по пяти критериям (таблица ниже)

Ты — эксперт по разработке учебных заданий.
Создай короткое экзаменационное задание для проверки {навык_или_тема}.

Формат задания:
- Начни с короткого реалистичного сценария
- Сценарий — в ДРУГОМ контексте, не в том, который разбирали при обучении
- Задание проверяет анализ ситуации, оценку вариантов и обоснование
  решений — не просто знание терминов
- Ожидаемый ответ: {длина_ответа}
- Без подсказок на правильное решение
- Объясни незнакомые термины в сценарии, если они есть

Вот детали:


{чему должен научиться человек}



{что изучали: тему, кейс, пример из которого нельзя копировать}



{ключевые концепции, инструменты, методы из обучения}



{конкретное умение, которое хочешь проверить этим заданием}


Формат ответа:
Сценарий: <краткое описание контекста>
Задание: <конкретный вопрос>

Что подставлять: - {навык_или_тема} — коротко: "стратегическое планирование", "работа с возражениями", "анализ рисков" - {длина_ответа} — "3–5 предложений" / "один абзац" / "200–300 слов" - — итог обучения: что человек умеет делать после курса - — конкретный кейс, который разбирали: важно написать достаточно, чтобы модель НЕ повторяла его в задании - — ключевые концепции и инструменты, которые нужно применить в задании - — один конкретный навык, который проверяет это задание

🚀 Быстрый старт — вставь в чат:

Вот шаблон для создания сценарного экзаменационного задания.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит про тему обучения, цели и ключевые концепции — потому что без этого она не сможет сгенерировать сценарий в другом контексте, который всё равно проверяет нужный навык.

После генерации можно попросить модель оценить результат по пяти критериям из исследования:

Оцени задание выше по пяти критериям (Да / Частично / Нет):

1. Качество сценария — реалистичный, богатый деталями, помогает
   применить знания из обучения в новом контексте?
2. Соответствие целям — охватывает нужные навыки полностью,
   без лишних или пропущенных?
3. Когнитивная сложность — требует анализа, оценки альтернатив
   или создания решения — не просто вспомнить факт?
4. Ясность — чётко сформулировано, не допускает двусмысленности?
5. Выполнимость — реально решить за 30 минут с имеющимися знаниями?

Укажи критерии, которые не прошли, и предложи правки.

⚠️ Повтор исходного контекста: Модель иногда генерирует сценарий, слишком похожий на исходный материал. Следи: если сценарий звучит как пересказ того, что уже изучали — попроси сгенерировать заново с пометкой "сценарий из другой отрасли".

⚠️ Слишком узкий фокус: Задание может зацепить только один аспект темы, оставив остальные нетронутыми. Решается уточнением в — чем конкретнее, тем лучше.

⚠️ Неявные подсказки: Модель иногда встраивает в сценарий термины, которые прямо намекают на решение. Используй шаблон оценки выше для проверки.

⚠️ Сложные технические темы: Чем более специализирована область, тем выше риск фактических ошибок в сценарии. Всегда проверяй содержательную точность.

Статья: LLM-Generated Design Problems for Assessing Higher-Order Thinking in Project-Based Learning DOI: https://doi.org/10.1145/3795867.3831014 Авторы: Ahmad D. Suleiman, Daqing Hou, Maliha Noushin Raida Организация: Rochester Institute of Technology, Rochester, NY, USA Конференция: SIGCSE Virtual 2026