TL;DR
Khan Academy обнаружили: если добавить в промпт тьютора всего два элемента — метку уровня знаний ученика по простой шкале (не знает → пытался → знаком → уверен → освоил) и одну строку "подстрой свой стиль под это" — модель сама меняет глубину объяснений, тон и вид подсказок. Без детальных правил "если уровень X, делай Y".
По умолчанию AI-тьютор ведёт себя одинаково с новичком и с учеником, который почти всё освоил: либо разжёвывает то, что уже понятно, либо выдаёт ответ человеку, который на самом деле нуждается в объяснении с нуля. Модель не видит разницы, если ей не сказать явно, кто перед ней.
Метод простой: в системный промпт кладут (1) короткую метку уровня мастерства ученика по теме и (2) одну инструкцию "tailor your tutoring style" — и всё. Модель сама решает, дать worked example, задать наводящий вопрос или сразу перейти к сути — без прописывания сценариев для каждого уровня.
Схема метода
ШАГ 1 (в системном промпте): Указать уровень ученика → метка из 5 ступеней
Unfamiliar / Attempted / Familiar / Proficient / Mastered
ШАГ 2 (та же инструкция): Добавить одну фразу → "Подстрой стиль тьюторинга под этот уровень"
ШАГ 3 (опционально): Указать уровень по предыдущим темам, которые нужны для текущей → тьютор сам предложит их повторить
Всё выполняется в одном промпте, без отдельных запросов.
Пример применения
Задача: Вы готовите ребёнка (или себя) к экзамену через Claude/ChatGPT как персонального репетитора по математике, и хотите, чтобы бот не разжёвывал то, что уже понятно, и не выдавал ответ сразу.
Промпт:
Ты — репетитор по математике. Тема: {тема, например "умножение столбиком двухзначных чисел"}.
Уровень ученика по этой теме: {Attempted — пробовал решать, но правильно меньше 70%}.
Уровень по предыдущей необходимой теме "{разложение чисел на разряды}": {Familiar — обычно решает верно}.
Подстрой свой стиль тьюторинга под эти уровни:
- Если уровень Unfamiliar или Attempted — предложи сначала повторить предыдущую тему и покажи разобранный пример (worked example).
- Если уровень Familiar или выше — не объясняй базу, сразу переходи к сути вопроса.
- Никогда не давай финальный ответ до того, как ученик хотя бы раз попробует сам.
Вопрос ученика: {текст вопроса}
Результат: Модель сама решит — предложить короткое напоминание базовой темы с разобранным примером (если уровень низкий) или сразу перейти к наводящим вопросам по текущей задаче (если уровень высокий). Ответ придёт в диалоговом формате, без явного списка правил внутри текста — тьютор просто ведёт себя иначе в зависимости от контекста.
Почему это работает
LLM плохо угадывает, какая степень объяснения нужна конкретному человеку — она не видит историю ученика и по умолчанию выбирает "средний" уровень подробности, который часто не подходит никому.
Зато модель отлично умеет интерпретировать контекст и подстраивать тон под явно описанную ситуацию — это одна из базовых сильных сторон LLM.
Метод не пытается прописать логику "если-то" для каждого случая — вместо этого он даёт модели факт (уровень ученика) и одну общую инструкцию ("подстройся"), а дальше модель сама решает как это сделать. Меньше жёстких правил — больше гибкости, и модель справляется лучше, чем при попытке расписать сценарии вручную.
Рычаги управления: - Число ступеней шкалы → можно упростить до 3 ("новичок/средний/уверенный"), если пять градаций избыточны для вашей задачи - Добавление уровня по предыдущим темам → заставляет тьютора предлагать повторение базы, а не сразу штурмовать сложное - Фраза "никогда не давай финальный ответ до попытки" → отдельный переключатель баланса помощи, можно ослабить, если нужен более прямой совет
Шаблон промпта
Ты — {роль, например "репетитор по математике" / "коуч по подготовке к собеседованиям"}.
Тема / задача: {тема}.
Уровень собеседника по этой теме: {уровень — например "пробовал, но получается редко"}.
Уровень по смежной базовой теме "{предыдущая тема}": {уровень}.
Подстрой стиль объяснения под эти уровни:
- Если уровень низкий — начни с краткого напоминания базы и разобранного примера.
- Если уровень высокий — не объясняй азы, переходи прямо к сути.
- {дополнительное правило баланса помощи, например "не давай готовый ответ, пока человек не попробует сам"}
Вопрос / запрос: {текст запроса}
🚀 Быстрый старт — вставь в чат:
Вот шаблон адаптивного тьюторинга по уровню знаний. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про тему, текущий уровень человека и какую степень самостоятельности вы хотите — потому что без этих трёх фактов модель не сможет решить, когда объяснять с нуля, а когда сразу переходить к делу.
Ограничения
⚠️ Требует честной самооценки: метод работает только если вы (или система) можете реально оценить уровень человека. Если оценка неверная — тьютор подстроится под неправильный уровень и будет либо занудным, либо слишком сложным.
⚠️ Не заменяет живую диагностику: в оригинальном исследовании уровень считался автоматически по истории решённых задач на платформе. В чате без такой истории вам придётся описать уровень вручную — и это менее точно.
⚠️ Побочный эффект — падение вовлечённости: в одном из экспериментов Khan Academy сокращение "лишних" подсказок снизило показатель выдачи готового ответа, но заодно снизило и активное вовлечение ученика — тьютор стал более сухим. Баланс между "не разжёвывать" и "оставаться живым" приходится настраивать вручную.
Как исследовали
Khan Academy тестировали изменения на живом трафике своего AI-тьютора Khanmigo — миллионы диалогов школьников с продуктами Exercise (практика по темам) и Tutor Me (помощь с произвольными задачами). Вместо разовых замеров они гоняли живые A/B-эксперименты: часть переписок получала старый промпт, часть — новый, и через 1-2 недели сравнивали метрики типа "решил ли ученик следующий похожий пример правильно" и "насколько активно ученик рассуждал, а не просто просил ответ".
Отдельно у них были офлайн-датасеты (десятки-сотни размеченных диалогов) для быстрой проверки гипотез до запуска на реальных пользователях — это экономило время, но не заменяло живые тесты, потому что офлайн-метрики быстро "насыщались" и не показывали изменений в реальном поведении ученика.
Самое неожиданное: добавление уровня знаний ученика без единого явного правила поведения (только фраза "подстрой стиль") дало статистически значимое снижение случаев, когда тьютор выдаёт готовый ответ, — на 55%. Это говорит о том, что модель сама неплохо интерпретирует контекст, если её явно попросить, а не пытаться прописать все сценарии заранее.
Адаптации и экстраполяции
🔧 Техника: лимит слов на шаг → короче и быстрее без потери качества
В отдельном эксперименте Khan Academy сократили длину служебных ответов вспомогательного "математического агента" явной инструкцией:
"Keep your response concise — aim for under 50 words total. Individual steps on average should be short, ~4-8 words unless writing out a long math operation."
Это снизило время ответа на треть и не ухудшило точность. Перенос на вашу практику: если просите LLM объяснить что-то пошагово (рецепт, план проекта, разбор кода), добавьте лимит слов на шаг — ответ станет короче и читабельнее без потери сути.
Пример: "Объясни решение по шагам. Каждый шаг — 4-8 слов, кроме случаев, где нужно написать длинную формулу или код целиком."
🔧 Техника: явный запрет на готовый ответ → баланс помощи
Простая строка "никогда не давай финальный ответ до того, как человек попробует сам" — рабочий переключатель для любого сценария наставничества (репетитор, коуч, консультант), где вы хотите, чтобы человек думал сам, а не просто получал решение.
Ресурсы
Methodologies for Improving the Quality of AI Tutoring in K-12 Education — Tushar Udeshi, Anna Khazenzon, Kabir Khan, Nick Breen, RJ Corwin, Chris DiGiano, Kodi Weatherholtz, Marek Zaluski (Khan Academy). Промпты LLM-судей и датасеты упомянуты как доступные на Khan Academy (2026).