Principles of requests’ formulation to artificial intelligence technologies as a component of interaction strategies

Cover Page

Cite item

Full Text

Abstract

Importance. In light of the rapid integration of artificial intelligence (AI) systems in both practical and research applications, the formulation of queries assumes a pivotal role in human–machine interaction strategies. This article delves into the realm of Large Language Models (LLMs) and systematically explores effective prompting principles, highlighting their significance in enhancing the accuracy, consistency, and controllability of AI-generated outputs. Our objective is to construct a comprehensive taxonomy of query types within the framework of interaction strategies.

Materials and Methods. To accomplish this, we employ methods of analysis and synthesis of existing theoretical and practical materials related to this subject. These materials are drawn from studies conducted over the past three years, exploring various approaches to optimizing human–machine communication.

Results and Discussion. The findings of the investigation reveal that there exist several types of inquiries at the initial phase of engagement with the model. Following these queries, a dialogue ensues to validate the accuracy of the provided responses. The algorithm for effective interaction with the machine necessitates specific skills that can be evaluated based on specific criteria and the metrics of the obtained response.

Conclusion. Establishing standardization for query generation processes is crucial for ensuring the secure and responsible utilization of AI in large-scale applications. Consequently, the development of interdisciplinary programs focused on crafting strategies for interacting with AI should be prioritized in future research endeavors.

About the authors

A. P. Avramenko

Lomonosov Moscow State University

Author for correspondence.
Email: avram4ik@gmail.com
ORCID iD: 0009-0009-3004-2192
SPIN-code: 7197-9077
Scopus Author ID: 57221929626

Cand. Sci. (Education), Associate Professor of the Linguistics and Information Technologies Department, Faculty of Foreign Languages and Area Studies

Russian Federation, 1 Leninskiye Gory, Moscow, 119991, Russian Federation

References

  1. Korzynski P., Mazurek G., Krzypkowska P., Kurasniski A. (2023). Artificial intelligence prompt engineering as a new digital competence: analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review, vol. 11, no. 3, pp. 25-37. https://doi.org/10.15678/EBER.2023.110302, https://elibrary.ru/wczzrp
  2. Sysoyev P.V. (2025). A modern teacher’s competence in the field of artificial intelligence: structure and content. Vysshee obrazovanie v Rossii = Higher Education in Russia, vol. 34, no. 6, pp. 58-79. (In Russ.) https://doi.org/10.31992/0869-3617-2025-34-6-58-79, https://elibrary.ru/zjmqfd
  3. Fox Tree J., Herring S.C., Nguyen A., Whittaker S., Martin R., Takayama L. (2024). Conversational fluency and attitudes towards robot pilots in telepresence robot-mediated interaction. Journal of Computer Sup-ported Cooperative Work, no. 33, pp. 473-498.
  4. Oppenlaender J. (2024). A taxonomy of prompt modifiers for text-to-image generation. Behaviour & Infor-mation Technology, vol. 43, issue 15, pp. 3763-3776. https://doi.org/10.48550/arXiv.2204.13988
  5. Si C., Gan Zh., Yang Zhe. et al. (2023). Prompting GPT‑3 to be reliable. The 11th International Conference on Learning Representaions. Kigali, pp. 1-24. https://doi.org/10.48550/arXiv.2210.09150
  6. Cao Y.T., Pruksachatkun Y., Chang K.-W., Gupta R., Kumar V., Dhamala J., Galstyan A. (2022). On the intrinsic and extrinsic fairness evaluation metrics for contextualized language representations. Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics, vol. 2, pp. 561-570. https://doi.org/10.18653/v1/2022.acl-short.62
  7. Ekin S. (2023). Prompt engineering for ChatGPT: a quick guide to techniques, tips, and best practices. TechRxiv, vol. 1, pp. 1-12. https://doi.org/10.36227/techrxiv.22683919.v2
  8. Kovari A. (2024). ChatGPT the omniscient? A guide to effective prompting. 2024 IEEE 7th International Conference and Workshop Óbuda on Electrical and Power Engineering (CANDO‑EPE). Budapest, pp. 47-52. https://doi.org/10.1109/CANDO-EPE65072.2024.10772984
  9. Kim J., Park S., Jeong K. et al. (2023). Which is better? Exploring prompting strategy for LLM‑based metrics. Proceedings of the 4th Workshop on Evaluation and Comparison on NLP Systems. Bali, Indinesia, pp. 164-183. https://doi.org/10.48550/arXiv.2311.03754
  10. Bhandari P. (2022). A survey on prompting techniques in LLMs. AI Aligment Forum, pp. 1-10.
  11. Fagbohun O., Harrison R.M., Dereventsov A. (2023). An empirical categorization of prompting techniques for large language models: a practitioner’s guide. The 4th International Conference on AI, ML, Data Science, and Robotics, pp. 1-16. https://doi.org/10.48550/arXiv.2402.14837
  12. Avramenko A.P., Matveeva O.Yu. (2020). Evaluating the level of interaction strategies of master’s degree students of non-philological specialties (French as a second foreign language). Rhema. Rema, no. 3, pp. 53-64. (In Russ.) https://doi.org/10.31862/2500-2953-2020-3-53-64, https://elibrary.ru/hcnroj
  13. Yu Z., He L., Wu Zh. et al. (2023). Towards better chain‑of‑thought prompting strategies: a survey. ArXiv, pp. 1-15. https://doi.org/10.48550/arXiv.2310.04959
  14. Chang E.Y. (2023). Prompting large language models with the Socratic method. 2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC). Las Vegas, pp. 351-360. https://doi.org/10.1109/CCWC57344.2023.10099179

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».