TL;DR
Исследователи обнаружили: если задать модели один и тот же медицинский вопрос простым бытовым языком и языком опытного "промт-инженера" с чёткими инструкциями по рассуждению — модель отвечает точнее тому, кто спрашивает грамотнее. Разница небольшая, но статистически значимая: пользователи с низкой грамотностью получают заметно худшие ответы, чем те, кто умеет формулировать запросы профессионально.
Причина простая: модель обучена на текстах, где точная терминология и структура связаны с точными ответами. Когда человек пишет "три лекарства от ВИЧ" вместо "трёхкомпонентная антиретровирусная терапия", модель хуже соотносит вопрос с тем, что "видела" в обучении — хотя смысл вопроса тот же самый.
Решение — PET: перед тем как отвечать на вопрос, LLM сначала сама переписывает его в более точную и структурированную форму (правильная терминология, разбивка на смысловые блоки), сохраняя исходный смысл, и только потом отвечает на переписанную версию. Это убирает разницу в качестве ответов между "неумелыми" и "умелыми" формулировками.
Схема метода
ШАГ 1 (промпт 1): Пользователь пишет вопрос как умеет — просто, коряво, разговорным языком
ШАГ 2 (тот же запрос, но с инструкцией): LLM переписывает вопрос →
- заменяет бытовые слова на точные термины
- разбивает длинный неструктурированный текст на смысловые блоки (например: "История", "Симптомы", "Текущее лечение")
- НЕ добавляет и не убирает факты — только форму
ШАГ 3: LLM отвечает на переписанную версию вопроса → финальный ответ
В исследовании шаги 2 и 3 выполнялись как отдельный проход (сначала переписывание, потом ответ), но в обычном чате всё это можно сделать одним промптом с явной инструкцией "сначала перефразируй, потом ответь".
Пример применения
Задача: Вы не врач, но хотите разобраться в результатах анализов или спросить у ИИ про схему лечения — и хотите получить такой же качественный ответ, как получил бы врач или человек, умеющий грамотно формулировать запросы.
Промпт:
Вот мой вопрос: "У меня мама пьёт три таблетки от давления, и ей от них плохо,
голова кружится. Это нормально или надо что-то менять?"
Сначала перепиши этот вопрос точнее и структурированнее:
- замени бытовые слова на точные медицинские термины, если они есть
- разбей на смысловые блоки: что происходит, что принимает, какие симптомы
- НЕ добавляй факты, которых я не написал, и не меняй суть вопроса
Покажи переформулированную версию, а затем ответь на неё подробно.
Результат: Модель сначала выдаст переписанный вопрос — например, структурированно: "Пациентка принимает антигипертензивную терапию (3 препарата), жалуется на головокружение. Вопрос: является ли это ожидаемым побочным эффектом или признаком передозировки/взаимодействия препаратов?" — а затем ответит на эту чёткую версию. Ответ по факту будет точнее и полнее, чем если бы модель отвечала прямо на исходную разговорную формулировку.
Почему это работает
Модель не "понимает" смысл вопроса напрямую — она находит паттерны, похожие на то, что видела при обучении. Медицинские (и любые специализированные) тексты в интернете написаны точной терминологией и структурированно. Разговорная, размытая формулировка хуже совпадает с этими паттернами, даже если по смыслу вопрос идентичен.
Сильная сторона LLM — она отлично умеет переписывать текст, сохраняя смысл, но меняя форму. Это гораздо более надёжная задача для модели, чем "додумать", что имел в виду нечётко пишущий пользователь, отвечая напрямую.
PET использует это: вместо того чтобы заставлять человека учиться писать "правильные" промпты, модель сама переводит его вопрос на "язык", на котором она отвечает лучше всего. Ответственность за качество формулировки смещается с пользователя на систему.
Рычаги управления: - Инструкция "не добавляй и не убирай факты" — критична, без неё модель может начать угадывать и добавлять неверные детали. Не убирайте эту фразу. - Просьба "покажи переформулированную версию" — можно убрать, если нужен только финальный ответ без промежуточного шага (экономит место в ответе, но вы теряете возможность проверить, что смысл не искажён). - Можно указать конкретную структуру блоков под свою задачу (не "История/Симптомы", а "Что случилось / Что уже сделал / Какой вопрос" — для юридических, технических, любых вопросов).
Шаблон промпта
Вот мой вопрос: "{исходный вопрос своими словами}"
Сначала перепиши этот вопрос точнее и структурированнее:
- замени неточные или бытовые формулировки на более точные термины, если они есть в теме "{тема вопроса}"
- разбей на смысловые блоки, если вопрос содержит несколько частей
- НЕ добавляй факты, которых я не указал, и не меняй суть вопроса
Покажи переформулированную версию, а затем ответь на неё.
Что подставлять: {исходный вопрос своими словами} — как вы обычно бы спросили, без попыток "причесать" формулировку. {тема вопроса} — область (медицина, юриспруденция, бухгалтерия, IT) — это подсказывает модели, какую терминологию использовать.
🚀 Быстрый старт — вставь в чат:
Вот принцип из исследования про Prompt Equity Transformer: LLM сначала переписывает
вопрос пользователя точнее и структурированнее (сохраняя смысл), и только потом отвечает.
Адаптируй этот принцип под мою задачу: {твоя задача}.
Задавай вопросы, чтобы понять, какая терминология и структура подойдут.
[вставить шаблон выше]
LLM спросит про тему вопроса и типичные формулировки, которые вы используете — потому что от этого зависит, какие термины и блоки нужны для переформулировки. Она возьмёт паттерн из шаблона и подстроит его под вашу область.
Ограничения
⚠️ Эффект модест: прирост точности в исследовании — около 0.5–1.1 процентных пункта. Метод убирает статистически значимый разрыв, но не превращает плохой вопрос в блестящий — это тонкая настройка, не чудо.
⚠️ Работает только с тем, что уже есть в вопросе: PET не добавляет информацию. Если вопрос изначально расплывчатый или неполный (не хватает данных для ответа), переформулировка не восполнит эти пробелы.
⚠️ Проверено на одной узкой задаче: эксперимент — медицинские вопросы с выбором ответа (MedQA), одна модель. Насколько эффект переносится на открытые вопросы, творческие задачи или другие темы — не проверялось напрямую.
⚠️ Риск искажения смысла: переформулировка — это дополнительный шаг, где модель теоретически может подменить смысл, особенно если вопрос содержит важные нюансы, выраженные "неправильными" словами намеренно. Стоит сверять переписанную версию с оригиналом.
Ресурсы
Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Binqi Shen, Yuting Xin, Lier Jin, Lan Hu, Hanyu Cai (Northwestern University, University of Minnesota, Duke University, Carnegie Mellon University). Бенчмарк: MedQA (Hugging Face BigBio). Метрика: Prompt Equity Score (PES).