Современное образование все активнее интегрирует технологии искусственного интеллекта (ИИ), что требует от педагогов не только базовой цифровой грамотности, но и новых специализированных компетенций. Одним из ключевых аспектов подготовки современных педагогов в этом контексте становится промпт-инжиниринг, как навык эффективного взаимодействия с генеративными моделями ИИ.
Промпт-инжиниринг – это методология формулирования и оптимизации текстовых запросов (промптов) для взаимодействия с генеративными языковыми моделями. Данный способ взаимодействия направлен на управление процессом генерации контента ИИ-системами путем создания целенаправленных и структурированных запросов, учитывающих как когнитивные особенности пользователя, так и технические возможности модели [5].
Промпт-инжиниринг основывается на принципах когнитивной науки, теории обучения и коммуникативного взаимодействия. В образовательной практике он позволяет адаптировать ИИ-генерируемый контент под индивидуальные потребности обучающихся, обеспечивая персонализированный подход к обучению. Эффективный промпт должен учитывать уровень знаний учащегося, его образовательные цели и наиболее предпочтительные методики усвоения информации [4]. Это приводит к необходимости выстраивания нового типа коммуникации, в котором технологии ИИ не просто передают информацию, а становится связующим звеном между педагогом и обучающимся, участвуя в адаптации образовательного контента к индивидуальным потребностям [1].
При этом промпты могут классифицироваться по структуре, функции и сложности. Выделяют следующие типы запросов к нейросетям [7; 9]:

• префиксные промпты: это наиболее простые промпты, которые представляют собой добавление в начале запроса слова или фразы, указывающей на тип, формат или тональность ответа, что способствует повышению релевантности выдаваемой учебной информации. Так, префиксный промпт для задачи саммаризации может включать краткий фрагмент текста и его сжатое изложение;
• закрытые промпты: данныйтип основан на методике «заполнения пропусков», когда языковая модель должна предсказать пропущенное слово или фразу. Например, закрытый промпт для задачи логического вывода в естественном языке может включать предложение с пропущенным элементом, который модель должна восстановить;
• антиципаторные промпты:запросы ориентированы на прогнозирование следующего вопроса или команды, опираясь на предыдущий опыт или знания, что способствует направлению диалога. В контексте чат-бота такой промпт может представлять собой последовательность вопросов или команд, на которые модель должна ответить в заданном порядке;
• промпты-цепочки рассуждений: они побуждают модель генерировать более креативные и содержательные тексты. Например, для задачи творческого письма промпт может предложить модели составить список идей, разработать структуру повествования и др.;
• ролевые промпты: такой тип промптов задает модели определенную роль или персонажа. Так, ролевой промпт для предоставления обратной связи может предписывать модели имитировать работу куратора или проверяющего и помогать обучающимся улучшать свои работы;
• заметочные промпты: они ограничивают объем ответа ИИ, направляя его к краткому выводу вместо детального объяснения. Так, в задаче саммаризации заметочный промпт может требовать от модели предоставить краткое изложение текста без углубленного анализа;
• инструктивные промпты: эти запросы дают модели четкие указания относительно формата ответа. Например, подобный промпт в задаче генерации текста может требовать представить информацию в виде списка или таблицы.
• целевые промпты: они требуют от ИИ строгого соблюдения заданных условий и формата результата. Например, целевой промпт для задачи генерации веб-форм может предписывать модели создать текст определенного типа, например, отчет или анкету, в установленном формате. Этот же тип промптов применим для генерации разнообразного образовательного контента, включая аудио-, видеоформаты и изображения.

Различные типы промптов оптимизируют взаимодействие с интеллектуальными системами, обеспечивая их эффективность в различных задачах, от саммаризации текстов до интерактивных диалогов и генерации структурированных данных. Чтобы педагоги могли осознанно использовать все многообразие промптов и открываемые ими возможности, необходима гибкая система методической поддержки в развитии данной компетенции.
Исследования показывают, что успешное использование промпт-инжиниринга в образовательных целях требует не только понимания его возможностей, но и осознания его ограничений [3]. Так, генеративные модели ИИ могут интерпретировать ввод пользователя с высокой степенью вариативности, что требует от педагогов навыков формулирования точных и контекстно релевантных запросов [11]. Кроме того, в работах исследователей отмечается, что в контексте ускоренного развития и общедоступности больших языковых моделей (LLM) промпт-инжиниринг становится неотъемлемой частью современной цифровой компетентности не только для педагогов, но и для обучающихся [10]. Внедрение приемов и техник создания эффективных запросов к нейросети в образовательную практику способствует развитию навыков критического мышления у обучающихся, подталкивая их к всестороннему анализу информации и способствуя более глубокому усвоению материала и развитию навыков мышления для решения задач высокого уровня сложности [13].
В мировой практике выделяются следующие аспекты промпт-инжиниринга, которые необходимо учитывать при обучении педагогов взаимодействию с интеллектуальными системами и сервисами:

• четкое определение задачи и целей взаимодействия с ИИ;
• персонализация запроса в зависимости от особенностей обучающегося / группы [5];
• осознание технических ограничений и предвзятостей ИИ-модели [2];
• наличие у педагогов навыков конструирования эффективных и этически корректных промптов [6].

Промпт-инжиниринг представляет собой не просто технический инструмент, но и когнитивную стратегию, позволяющую эффективно управлять взаимодействием с ИИ, повышая качество образовательного процесса.
Однако в подавляющем большинстве современных моделей цифровых компетенций педагогов промпт-инжиниринг как отдельная компетенция не фигурирует. Специализированные модели цифровой компетентности в области искусственного интеллекта для педагогов отмечают лишь необходимость владения основами применения ИИ. Это предполагает, что преподаватели должны понимать определения ИИ, обладать базовыми знаниями о том, как работают системы искусственного интеллекта, а также об основных категориях технологий ИИ, иметь навыки, необходимые для оценки ограничений и целесообразности применения тех или иных инструментов и сервисов ИИ, а также уметь подбирать и настраивать интеллектуальные инструменты для создания персонализированной образовательной среды [12].
Тем не менее, отметим, что современная цифровая компетентность педагога выходит за рамки традиционного понимания владения технологиями. Сегодня она охватывает не только технические навыки, но и способность критически мыслить, адаптировать и интегрировать инновационные технологии в образовательный процесс. В этой связи мы рассматриваем промпт-инжиниринг в качестве одной из ключевых компетенций в системе цифровой подготовки педагога, позволяющей:

• персонализировать обучение, создавая адаптивный образовательный контент на основе данных об обучающихся;
• повысить когнитивную гибкость обучающихся за счет структурирования вопросов, стимулирующих критическое мышление;
• автоматизировать образовательные процессы, включая формативное оценивание, генерацию учебных материалов и анализ ответов студентов;
• обеспечить этичное взаимодействие с ИИ, снижая риски распространения недостоверной информации и предотвращая алгоритмическую предвзятость [8].

Анализ международных исследований показывает, что эффективность применения ИИ в образовательной среде напрямую зависит от уровня владения промпт-инжинирингом. Следовательно, включение данной компетенции в программы повышения квалификации педагогов позволит оптимизировать использование генеративных ИИ-инструментов, таких как ChatGPT, GigaChat и др., для создания учебных материалов, персонализированного обучения и оценки образовательных результатов.
На наш взгляд, перспективными направлениями интеграции промпт-инжиниринга в систему профессионального развития педагогов являются следующие:

• разработка стандартов и рекомендаций – как уже упоминалось выше, некоторые модели цифровой компетентности педагогов включают в себя понятие базового использования ИИ в образовании, однако на данный момент в них уделяется недостаточно внимания промпт-инжинирингу;
• внедрение модулей по промпт-инжинирингу в программы повышения квалификации – сюда входит изучение стратегий эффективного взаимодействия с ИИ, таких как использование структуры PARTS (Persona, Aim, Recipients, Theme, Structure), техники CLEAR (Concise, Logical, Explicit, Adaptive, Restrictive)​ и др.;
• разработка автоматизированных тренажеров и симуляторов – использование специализированных платформ, позволяющих педагогам в интерактивном режиме осваивать навыки промпт-инжиниринга, может значительно повысить качество подготовки кадров;
• создание профессиональных сообществ и платформ для обмена практиками – подобные инициативы способствуют формированию базы знаний о лучших практиках применения ИИ в образовании и профессиональному взаимодействию цифровых педагогов;
• организация экспериментальных площадок – это предоставит пространство для апробации различных методик преподавания промпт-инжиниринга, оценки их эффективность и распространения лучших практик.

В условиях стремительного развития технологий и формирования нового типа взаимодействия, в котором цифровое средство является третьим связующим звеном между педагогом и обучаемым, преподавателям необходимо не только владеть инструментами ИИ, но и осознавать методологические принципы работы с ним. Так, например, на базе ФГБОУ ВО «Марийский государственный университет» была разработана и реализуется программа дополнительного профессионального образования «Инструменты и сервисы искусственного интеллекта в работе педагога высшей школы» (https://course-ai.marsu.ru/). В рамках данной программы значительное внимание уделяется изучению основ промпт-инжиниринга для образовательных целей. Подробно рассматриваются виды промптов, их формализация, особенности использования в контексте различных нейросетей и задач по генерации уникального образовательного контента.
Таким образом, включение промпт-инжиниринга в систему цифровой подготовки педагогов позволит не только повысить качество образования, но и обеспечить преподавателей необходимыми инструментами для персонализированного и адаптивного обучения, основанного на интеллектуальных технологиях. Дальнейшие исследования должны быть направлены на разработку практико-ориентированных моделей преподавания промпт-инжиниринга, а также оценку его влияния на профессиональную деятельность педагогов и учебные достижения обучающихся.

Литература:

1. Benharrak K., Zindulka T., Lehmann F. Writer-defined AI personas for on-demand feedback generation // Proceedings of the International Conference on Human Factors in Computing Systems. 2023. DOI:10.48550/arXiv.2308.11628
2. Bozkurt A. Unleashing the potential of generative AI, conversational agents and chatbots in educational praxis: A systematic review and bibliometric analysis of GenAI in education // Open Praxis. 2023. №15(4). С. 261-270. DOI: 10.55982/openpraxis.15.4.609
3. Gerosa M. A. Can AI serve as a substitute for human subjects in software engineering research? // Automated Software Engineering. 2024. Vol. 31. С. 1-12. DOI:10.1007/s10515-023-00409-6
4. Heston T. F. Prompt engineering for students of medicine and their teachers. 2023.
5. Hu S., Wang X. FOKE: A personalized and explainable education framework integrating foundation models, knowledge graphs, and prompt engineering // Big Data and Social Computing. 2024. C. 399-411. DOI:10.1007/978-981-97-5803-6_24
6. Jiang Z., Peng H., Feng S. LLMs can find mathematical reasoning mistakes by pedagogical chain-of-thought // Proceedings of the International Joint Conference on Artificial Intelligence. 2024. DOI:10.24963/ijcai.2024/381
7. Lu Y., Yu J., Huang S. H. Illuminating the black box: A psychometric investigation into the multifaceted nature of large language models. 2023. DOI: arXiv:2312.14202
8. Park J., Choo S. Generative AI prompt engineering for educators: Practical strategies // Journal of Special Education Technology. 2024. DOI: 10.1177/01626434241298954.
9. Sivarajkumar S. An empirical evaluation of prompting strategies for large language models in zero-shot clinical natural language processing: Algorithm development and validation study // JMIR Medical Informatics. 2024. Vol. 12. URL: https://arxiv.org/abs/2308.11628 (дата обращения: 06.02.2025).
10. Tan M., Hariharan S. More than model documentation: Uncovering teachers' bespoke information needs for informed classroom integration of ChatGPT // Proceedings of the International Conference on Human Factors in Computing Systems. 2024. DOI:10.1145/3613904.3642592
11. Trinh K. Promptly yours? A human subject study on prompt inference in AI-generated content. 2024. DOI:10.48550/arXiv.2410.08406
12. Vincent-Lancrin S., Van der Vlies R. Trustworthy artificial intelligence (AI) in education: Promises and challenges // OECD Education Working Papers. 2020. № 218. OECD Publishing. DOI: 10.1787/a6c90fa9-en.
13. Walter Y. Embracing the future of artificial intelligence in the classroom: The relevance of AI literacy, prompt engineering, and critical thinking in modern education // International Journal of Educational Technology in Higher Education. 2024. Vol. 21, No. 15. DOI: 10.1186/s41239-024-00448-3.