Отправить статью по E-mail Принципы формулирования запросов технологиям искусственного интеллекта как компонент стратегий интеракции
- Авторы: Авраменко А.П.1
-
Учреждения:
- ФГБОУ ВО «Московский государственный университет им. М.В. Ломоносова»
- Выпуск: Том 30, № 5 (2025)
- Страницы: 1083-1090
- Раздел: ТЕОРИЯ И МЕТОДИКА ОБУЧЕНИЯ ИНОСТРАННОМУ ЯЗЫКУ
- URL: https://ogarev-online.ru/1810-0201/article/view/358584
- DOI: https://doi.org/10.20310/1810-0201-2025-30-5-1083-1090
- ID: 358584
Цитировать
Полный текст
Аннотация
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.
Об авторах
А. П. Авраменко
ФГБОУ ВО «Московский государственный университет им. М.В. Ломоносова»
Автор, ответственный за переписку.
Email: avram4ik@gmail.com
ORCID iD: 0009-0009-3004-2192
SPIN-код: 7197-9077
Scopus Author ID: 57221929626
кандидат педагогических наук, доцент кафедры лингвистики и информационных технологий факультета иностранных языков и регионоведения
Россия, 119991, Российская Федерация, г. Москва, Ленинские горы, 1Список литературы
- 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. Vol. 11. № 3. P. 25-37. https://doi.org/10.15678/EBER.2023.110302, https://elibrary.ru/wczzrp
- 2. Сысоев П.В. Компетенция современного педагога в области искусственного интеллекта: структура и содержание // Высшее образование в России. 2025. Т. 34. № 6. С. 58-79. https://doi.org/10.31992/08693617-2025-34-6-58-79, https://elibrary.ru/zjmqfd
- 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. Oppenlaender J. A taxonomy of prompt modifiers for text-to-image generation // Behaviour & Information Technology. 2024. Vol. 43. Issue 15. P. 3763-3776. https://doi.org/10.48550/arXiv.2204.13988
- 5. Si C., Gan Zh., Yang Zhe. et al. Prompting GPT‑3 to be reliable // The 11th International Conference on Learning Representaions. Kigali, 2023. P. 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. On the intrinsic and extrinsic fairness evaluation metrics for contextualized language representations // Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics. 2022. Vol. 2. P. 561-570. https://doi.org/10.18653/v1/2022.acl-short.62
- 7. Ekin S. Prompt engineering for ChatGPT: a quick guide to techniques, tips, and best practices // TechRxiv. 2023. Vol. 1. P. 1-12. https://doi.org/10.36227/techrxiv.22683919.v2
- 8. Kovari A. ChatGPT the omniscient? A guide to effective prompting // 2024 IEEE 7th International Conference and Workshop Óbuda on Electrical and Power Engineering (CANDO‑EPE). Budapest, 2024. P. 47-52. https://doi.org/10.1109/CANDO-EPE65072.2024.10772984
- 9. Kim J., Park S., Jeong K. et al. Which is better? Exploring prompting strategy for LLM‑based metrics // Proceedings of the 4th Workshop on Evaluation and Comparison on NLP Systems. Bali, Indinesia, 2023. P. 164-183. https://doi.org/10.48550/arXiv.2311.03754
- 10. Bhandari P. A survey on prompting techniques in LLMs // AI Aligment Forum. 2022. P. 1-10.
- 11. Fagbohun O., Harrison R.M., Dereventsov A. 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. 2023. P. 1-16. https://doi.org/10.48550/arXiv.2402.14837
- 12. Авраменко А.П., Матвеева О.Ю. Определение уровня владения стратегиями коммуникативного взаимодействия у студентов магистратуры неязыковых факультетов (французский язык) // Rhema. Рема. 2020. № 3. P. 53-64. https://doi.org/10.31862/2500-2953-2020-3-53-64, https://elibrary.ru/hcnroj
- 13. Yu Z., He L., Wu Zh. et al. Towards better chain‑of‑thought prompting strategies: a survey // ArXiv. 2023. P. 1-15. https://doi.org/10.48550/arXiv.2310.04959
- 14. Chang E.Y. Prompting large language models with the Socratic method // 2023 IEEE 13th Annual Compu-ting and Communication Workshop and Conference (CCWC). Las Vegas, 2023. P. 351-360. https://doi.org/10.1109/CCWC57344.2023.10099179
Дополнительные файлы
