Принципы формулирования запросов технологиям искусственного интеллекта как компонент стратегий интеракции

Актуальность. В условиях ускоренной интеграции систем искусственного интеллекта (ИИ) в прикладные и исследовательские практики формулирование запросов выступает как критически важный компонент стратегий интеракции человека и машины, а именно большой языковой модели (LLM, Large Language Model). В исследовании предпринят систематический анализ принципов построения эффективных запросов (prompting) с акцентом на их роль в повышении точности, воспроизводимости и управляемости выходных данных систем генеративного ИИ. Цель исследования – разработка таксономии типов запросов как компонента стратегий интеракции.

Материалы и методы. Использованы методы анализа и синтеза существующих теоретических и прикладных материалов по теме. Материалом послужили исследования последних трех лет, посвященные различным подходам к эффективному взаимодействию человека с машиной.

Результаты исследования свидетельствуют о наличии нескольких типов запросов на этапе первичного обращения к модели, обязательно сопровождающихся дальнейшим диалогом для проверки надежности предоставленного ответа. Алгоритм успешной интеракции с машиной включает в себя обязательные умения, которые могут быть оценены по определенным критериям и метрикам полученного ответа.

Выводы. Стандартизация процедур составления запросов является необходимым условием для обеспечения безопасного и ответственного применения искусственного интеллекта в масштабируемых приложениях. В качестве направления для дальнейшего исследования выделено создание междисциплинарных курсов по развитию стратегий интеракции с ИИ.

1. Korzynski, P., Mazurek, G., Krzypkowska, P., & Kurasniski, A. Artificial intelligence prompt engineering as a new digital competence: Analysis of generative AI technologies such as ChatGPT // Entrepreneurial Business and Economics Review, 2023. 11(3). P. 25–37. https://doi.org/10.15678/EBER.2023.110302

2. Сысоев П.В. Компетенция современного педагога в области искусственного интеллекта: структура и содержание // Высшее образование в России, 2025. Т. 34. No 6. С. 58–79. DOI: 10.31992/0869-3617-2025-34-6-58-79

3. Fox Tree, J., Herring, S. C., Nguyen, A., Whittaker, S., Martin, R., & Takayama, L. Conversational fluency and attitudes towards robot pilots in telepresence robot-mediated interaction // Journal of Computer Supported Cooperative Work, 2024. 33. P. 473–498.

4. Council of Europe. Common European Framework of Reference for Languages: Learning, Teaching, Assessment – Companion volume // Council of Europe Publishing, Strasbourg, 2020. URL: https://www.coe.int/lang-cefr

5. Oppenlaender, J. A Taxonomy of Prompt Modifiers for Text‑to‑Image Generation // arXiv preprint, 2022. arXiv:2204.13988. https://doi.org/10.48550/arXiv.2204.13988

6. Si, C., et al. Prompting GPT‑3 to Be Reliable // arXiv preprint, 2022. arXiv:2210.09150.

7. Cao, Y. T., Pruksachatkun, Y., Chang, K.-W., Gupta, R., Kumar, V., Dhamala, J., & Galstyan, A. On the intrinsic and extrinsic fairness evaluation metrics for contextualized language representations // Proceedings of the ACL, 2022.

8. Ekin, S. Prompt Engineering for ChatGPT: A Quick Guide to Techniques, Tips, and Best Practices // TechRxiv, 2023. https://doi.org/10.36227/techrxiv.22683919.v2

9. Kovari, A., et al. ChatGPT the Omniscient? A Guide to Effective Prompting // 2024 IEEE 7th International Conference and Workshop Óbuda on Electrical and Power Engineering (CANDO‑EPE), 2024. Pp. 000047–000052. https://doi.org/10.1109/CANDO-EPE65072.2024.10772984

10. Kim, J., et al. Which Is Better? Exploring Prompting Strategy for LLM‑based Metrics // arXiv preprint, 2023. abs/2311.03754. https://doi.org/10.48550/arXiv.2311.03754

11. Bhandari, P., et al. A Survey on Prompting Techniques in LLMs // Technical report/preprint, 2023.

12. Fagbohun, O., et al. An Empirical Categorization of Prompting Techniques for Large Language Models: A Practitioner's Guide // arXiv preprint, 2024. abs/2402.14837. https://doi.org/10.48550/arXiv.2402.14837

13. Авраменко, А.П., Матвеева, О.Ю. Определение уровня владения стратегиями коммуникативного взаимодействия у студентов магистратуры неязыковых факультетов (французский язык) // Rhema, 2020. № 3. P. 53–64.

14. Yu, Z., et al. Towards Better Chain‑of‑Thought Prompting Strategies: A Survey // arXiv preprint, 2023. abs/2310.04959. https://doi.org/10.48550/arXiv.2310.04959

15. Chang, E. Y. Prompting Large Language Models with the Socratic Method // 2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA, 2023. Pp. 0351–0360. https://doi.org/10.1109/CCWC57344.2023.10099179