TL;DR
Языковые модели, играя роль психолога или просто внимательного собеседника, почти никогда сами не отвечают коротко — даже когда собеседнику нужно просто "угу, понимаю, продолжай", модель выдаёт развёрнутый ответ с советом и вопросом в конце. Причина в том, что модели обучались на текстах, где "хороший" ответ = информативный, поэтому короткая эмпатичная фраза кажется им "недоработкой", а не осознанным приёмом.
Исследователи проверили: если явно попросить модель — она резко меняет поведение. Без инструкции топовые коммерческие модели давали короткий отклик в 0% случаев, даже когда по контексту это было явно нужно. С явной инструкцией "если человек ещё не закончил говорить — не задавай вопрос, просто покажи, что слушаешь" доля коротких ответов подскакивала до 80–97%. То есть модель умеет — она просто не знает, когда надо, если ей не сказать прямо.
Второй важный вывод: если попросить ту же LLM оценить качество такого диалога, она занизит оценку короткому, но уместному ответу — просто потому что он "менее содержательный". Это касается не только психологии, а любой задачи, где вы просите ИИ оценить текст, реплику поддержки или ответ клиенту.
Схема метода
ШАГ 1: Задать модели роль слушателя/собеседника (один промпт)
ШАГ 2: Добавить явное условие — когда давать короткий отклик, а когда развёрнутый
ШАГ 3 (отдельно, если нужно): при оценке диалогов через LLM — учитывать, что судья занижает баллы коротким ответам
Пример применения
Задача: Вы используете Claude или ChatGPT как "тренажёр" перед сложным разговором — например, хотите потренироваться, как поддержать сотрудника, который на созвоне жалуется на выгорание, или проговорить сложный разговор с близким человеком, прежде чем писать ему.
Промпт:
Ты играешь роль моего друга, которому я сейчас пишу о тяжёлом дне на работе.
Правило: если по тексту видно, что я ещё не закончил(а) выговариваться —
не задавай вопрос и не давай совет. Ответь коротко (1 фраза),
покажи, что слушаешь: "понимаю", "да, это правда тяжело", "продолжай, я здесь".
Переходи к вопросам или советам только когда я явно закончил мысль
или сам(а) прошу совета.
Моё сообщение: "Сегодня начальник на встрече при всех сказал, что я
плохо справляюсь с проектом. Я не знала куда деться, весь день потом
руки тряслись, ничего не могла делать..."
Результат: Модель ответит короткой поддерживающей фразой вместо стандартного "Мне жаль это слышать. Как думаешь, стоит ли поговорить с начальником об этом?" — без вопроса и без готового решения, оставляя место договорить.
Почему это работает
Модель обучена быть полезной — а "польза" в её понимании почти всегда означает содержательный ответ: совет, вопрос, структуру. Короткая реплика без информации воспринимается моделью как недоработанный ответ, поэтому по умолчанию она туда не идёт.
При этом модель отлично следует явным правилам про стиль и формат, если их прописать словами. Она не угадывает контекст сама — но если сказать "в такой ситуации отвечай так", она это выполнит почти идеально.
Рычаг управления: можно менять условие срабатывания короткого ответа ("если человек не закончил" → "если человек явно расстроен" → "каждый второй раз") и задать конкретные фразы-примеры, которые модель должна использовать — это делает поведение предсказуемым.
Шаблон промпта
Ты выступаешь в роли {роль: друга / внимательного слушателя / коллеги}
в разговоре про {тема}.
Правило: если собеседник ещё не закончил делиться переживаниями —
не задавай вопрос и не предлагай решение. Вместо этого дай короткий отклик
(1 фраза), который показывает, что ты слушаешь: например "понимаю",
"да, это тяжело", "продолжай, я слушаю".
Переходи к вопросам, советам или развёрнутому ответу только если
собеседник явно закончил высказывание или сам просит совета.
Сообщение собеседника: {текст_сообщения}
Подставь роль, тему разговора и реальный текст сообщения.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для эмпатичных коротких ответов в диалоге. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, кто говорит, о чём разговор и какой у вас стиль общения с этим человеком — потому что от этого зависит, какие короткие фразы будут звучать естественно, а не механически.
Ограничения
⚠️ Модель не угадывает момент сама: без явной инструкции LLM почти никогда не выберет короткий ответ, даже если по контексту это очевидно нужно. Правило нужно прописывать всегда явно, а не надеяться, что модель "почувствует".
⚠️ LLM-судья занижает короткие ответы: если просите модель оценить качество диалога, поддержки или ответа клиенту — она предпочтёт содержательный текст, даже если короткий был уместнее. Не доверяйте такой оценке слепо, особенно для задач, где "меньше — лучше".
⚠️ Специализированные "психологические" модели хуже обычных: модели, дообученные на искусственно сгенерированных диалогах, тяготеют к длинным информационным ответам сильнее, чем обычный ChatGPT или Claude — потому что в их обучающих данных коротких откликов почти нет.
⚠️ Не проверено на длинном диалоге: исследование смотрело только на отдельные моменты разговора. Неизвестно, как часто нужно использовать короткие отклики — если модель будет отвечать "понимаю... понимаю... да..." на каждую фразу, это будет звучать механически, а не по-человечески.
Как исследовали
Исследователи собрали семь датасетов консультационных диалогов на китайском, японском и английском языках: часть — реальные записи консультаций (транскрипты видео, ролевые игры настоящих психологов), часть — диалоги, сгенерированные LLM для обучения других моделей. Через двухэтапный фильтр (сначала по длине и ключевым словам, потом проверка через GPT-модель) они искали короткие эмпатичные реплики типа "угу", "понимаю", "да, это тяжело".
Результат оказался наглядным: в реальных диалогах такие реплики встречаются регулярно, а в датасетах, сгенерированных LLM, — почти полностью отсутствуют (доли меньше 1%). Дальше они взяли контексты, где реальный психолог использовал короткий отклик, и попросили разные модели — от открытых Qwen и Llama до топового коммерческого GPT-5.4 и специализированных психологических моделей — сгенерировать ответ вместо психолога, сначала без подсказки, потом с прямой инструкцией.
Без подсказки почти все модели дали 0% коротких ответов на действительно подходящих контекстах. С подсказкой доля взлетала до 80–97% у сильных моделей. Отдельно проверили, как LLM-оценщик судит качество ответов, и обнаружили: чем короче и уместнее ответ, тем ниже оценка по стандартным метрикам качества — даже реальные ответы человека-психолога получали низкие баллы просто за краткость. Это главный неожиданный вывод: сама метрика оценки диалогов через LLM встроенно предпочитает "многословность".
Ресурсы
When Less Is More: An Empirical Study of Minimal Responses in Counseling Dialogues and the Behavior of LLMs, Zhiyang Qi, The University of Tokyo. Датасеты: AnnoMI, KokoroChat, PsyDial-D4 (человеческие), CACTUS, CPsyCounD, PsyDTCorpus, SmileChat (сгенерированные LLM).