ПЕРЕКРЕСТНЫЙ ПРОМПТИНГ КАК МЕТОД ОЦЕНКИ И КОРРЕКТИРОВКИ ОБРАЗОВАТЕЛЬНОГО КОНТЕНТА, СОЗДАННОГО С ПОМОЩЬЮ LLM

Современные LLM (large language models — большие языковые модели) позволяют быстро генерировать учебные тексты, тестовые задания, наглядные иллюстрации для уроков и прочие единицы образовательного контента, что существенно ускоряет процесс их разработки. Однако каждый преподаватель или методист, когда-либо использовавший LLM для создания образовательного контента, знает, что это сопряжено с рядом рисков: появлением фактических ошибок, отсутствием структурной связности, несоответствием материалов заявленным образовательным целям или уровню подготовки обучающихся [1, 2]. С точки зрения автора данной статьи, перечисленные риски можно нивелировать с помощью качественной пост-генерационной обработки контента. Один из методов такой обработки — перекрестный промптинг^[1].

Суть метода

Идея перекрестного промптинга (или кросс-промптинга) [3] состоит в том, чтобы искусственно воспроизводить несколько точек зрения на один и тот же фрагмент сгенерированного контента, пошагово внося улучшения в исходный вариант. «Носителями» этих точек зрения также выступает LLM, которой необходимо задать определенную ролевую модель: преподаватель, эксперт-предметник, педагогический дизайнер, студент, представитель заказчика, психолог, юрист и т. д. Набор ролевых моделей и последовательность их применения должна определяться методистом исходя из специфики разрабатываемого контента, но в общем случае схема применения перекрестного промптинга может быть реализована по алгоритму, представленному на рисунке 1.

Рисунок 1. Алгоритм использования перекрестного промптинга для генерации и пост-генерационной обработки образовательного контента

Таким образом, каждый последующий промпт целенаправленно улучшает первоначально сгенерированный контент: устраняет фактические ошибки, улучшает структуру и логику изложения, адаптирует материал под конкретную аудиторию. Это обеспечивает более глубокую проработку материала, снижает риск ошибок и противоречий за счет многократной проверки на разных этапах.

В качестве примера в таблице 1 приведена цепочка промптов для генерации и пост-генерационной обработки лонгрида для онлайн-курса по математике на тему «Решение квадратных уравнений», ориентированного на учеников восьмых классов общеобразовательных школ.

Таблица 1.

Пример использования перекрестного промптинга

Научное обоснование применимости метода

С точки зрения педагогики и когнитивной психологии, использование перекрестного промптинга может быть обосновано концепцией коллективного конструирования знаний (collaborative knowledge building) [4, 5]. Перекрёстный промптинг позволяет воспроизводить элементы экспертной коллаборации, моделируя междисциплинарный и многоуровневый контроль качества, аналогичный процессу экспертизы в академической среде. Согласно теории Л. С. Выготского [6], диалог различных субъектов образовательной практики способствует более глубокой интеграции знаний, валидации учебного материала и формированию значимого образовательного опыта. Инструментальное применение LLM в данной парадигме позволяет автоматизировать процедуру многоаспектного анализа, повышая масштабируемость процессов пост-генерационной обработки контента.