ЧОТИРИ ТЕХНІКИ ПРОМПТИНГУ ДЛЯ АНАЛІТИЧНОЇ РОБОТИ З НАВЧАЛЬНО-МЕТОДИЧНИМИ МАТЕРІАЛАМИ
DOI:
https://doi.org/10.31110/fmo2026.v41i2-04Ключові слова:
великі мовні моделі, техніки промптингу, навчально-методичні матеріали, цикл Демінга (PDCA), Role Prompting, Plan-and-Solve, Chain-of-Verification, Self-RefineАнотація
Формулювання проблеми. Викладачі дедалі активніше використовують великі мовні моделі (LLM) для вдосконалення навчально-методичних матеріалів (НММ). Проте більшість із них не має формальної підготовки в галузі штучного інтелекту, а тому вдається до безсистемних підходів. Описані у дослідницькій літературі техніки промптингу активують конкретні спроможності LLM і роблять взаємодію з моделлю передбачуваною та керованою. Однак наявні таксономії упорядковують ці техніки за внутрішньою логікою моделі, тоді як діяльність викладача визначається типом текстового завдання. Це зумовлює потребу у цілеспрямованому відборі технік для аналітичної роботи з НММ.
Матеріали і методи. Роботу виконано у форматі пошукового дослідження, кінцевим продуктом якого є готовий до практичного використання інструментарій для викладачів. Дослідження складалося з трьох етапів: теоретичного аналізу та синтезу дослідницької літератури; розроблення процедури відбору технік; пілотної апробації. За основу відбору взято таксономію Schulhoff et al. (2025), що охоплює 58 текстуальних технік промптингу.
Результати. Сформовано інструментарій із чотирьох технік промптингу – Role Prompting, Plan-and-Solve, Chain of Verification, Self-Refine – упорядкованих за логікою циклу Демінга (Plan→Do→Check→Act). Інструментарій реалізується через уніфіковані промпти-шаблони, адаптовані до чотирьох вимірів аналітичної роботи з НММ: змістового, структурно-логічного, мовно-стилістичного та оцінювального. Інструментарій допускає два режими використання: процедурний – із послідовним застосуванням усіх чотирьох технік, та автономний – із вибором однієї техніки відповідно до поточного завдання.
Висновки. Відібрані чотири техніки перетворюють роботу з LLM на зрозумілу послідовність дій і забезпечують викладачам структурований підхід до аналітичної роботи з НММ незалежно від рівня їхньої технічної підготовки. Водночас результати роботи моделі завжди потребують критичного оцінювання людиною.
Завантажити
Посилання
Alenezi, M., Wardat, S., & Akour, M. (2024). The need of integrating digital education in higher education: Challenges and opportunities. Frontiers in Education, 9, 1392091. https://doi.org/10.3389/feduc.2024.1392091
Clarke, A. C. (1973). Profiles of the Future: An Inquiry into the Limits of the Possible (Rev. ed.). Harper & Row.
Deng, M., Wang, J., Hsieh, C.-P., Wang, Y., Guo, H., Shu, T., Song, M., Xing, E. P., & Hu, Z. (2022). RLPrompt: Optimizing discrete text prompts with reinforcement learning. In Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing, 3369–3391. https://doi.org/10.18653/v1/2022.emnlp-main.222
Dhuliawala, S., Komeili, M., Xu, J., Raileanu, R., Li, X., Celikyilmaz, A., & Weston, J. (2023). Chain-of-verification reduces hallucination in large language models. arXiv. https://doi.org/10.48550/arXiv.2309.11495
Eager, B., & Brunton, R. (2023). Prompting higher education towards AI-augmented teaching and learning practice. Journal of University Teaching & Learning Practice, 20(5), Article 2. https://doi.org/10.53761/1.20.5.02
Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). Large language models are zero-shot reasoners. In Advances in Neural Information Processing Systems (Vol. 35, pp. 22199–22213). https://proceedings.neurips.cc/paper_files/paper/2022/file/8bb0d291acd4acf06ef112099c16f326-Paper-Conference.pdf
Liu, Y.-Y., Zheng, Z., Zhang, F., Feng, J.-C., Fu, Y., Zhai, J., He, B., Zhang, Y., & Du, X. (2025). A comprehensive taxonomy of prompt engineering techniques for large language models. Frontiers of Computer Science, 19(6), Article 196904. https://doi.org/10.1007/s11704-025-50058-z
Madaan, A., Tandon, N., Gupta, P., Hallinan, S., Gao, L., Wiegreffe, S., Alon, U., Dziri, N., Prabhumoye, S., Yang, Y., Welleck, S., Majumder, B. P., Gupta, S., Yazdanbakhsh, A., & Clark, P. (2023). Self-refine: Iterative refinement with self-feedback. In Advances in Neural Information Processing Systems (Vol. 36). https://doi.org/10.48550/arXiv.2303.17651
Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69(5), 1105–1120. https://doi.org/10.1007/s11528-025-01100-1
Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv. https://doi.org/10.48550/arXiv.2402.07927
Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., Li, Y., Gupta, A., Han, S. I., Schulhoff, S., Hao, Y., Seifermann, M., & Schwartz, P. (2025, v6). The prompt report: A systematic survey of prompting techniques. arXiv. https://doi.org/10.48550/arXiv.2406.06608
Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623(7987), 493–498. https://doi.org/10.1038/s41586-023-06647-8
Wang, L., Xu, W., Lan, Y., Hu, Z., Lan, Y., Lee, R. K.-W., & Lim, E.-P. (2023). Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models. In Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Vol. 1, pp. 2609–2634). https://doi.org/10.48550/arXiv.2305.04091
Yan, L., Sha, L., Zhao, L., Li, Y., Martinez-Maldonado, R., Chen, G., Li, X., Jin, Y., & Gašević, D. (2024). Practical and ethical challenges of large language models in education: A systematic scoping review. British Journal of Educational Technology, 55(1), 90–112. https://doi.org/10.1111/bjet.13370
Завантаження
Опубліковано
Як цитувати
Ліцензія
Авторське право (c) 2026 Таяна Дєордіца, Марина Вороніна, Раїса Гладушина, Ольга Єпіфанова, Олена Козьменко, Володимир Толмачов
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
- Автори передають журналу право першої публікації свого рукопису на умовах ліцензії Creative Commons ("Із зазначенням авторства - Некомерційне використання - Поширення на тих же умовах") 4.0 Міжнародна (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно використовувати (читати, копіювати і роздруковувати) представлені матеріали, здійснювати пошук та посилатись на опубліковані статті, поширювати їх повний текст з будь-якою законною некомерційною метою (у тому числі, з навчальною або науковою) та обов'язковим посиланням на авторів робіт і первинну публікацію у цьому журналі.
- Опубліковані оригінальні статті в подальшому не можуть використовуватись користувачами (окрім авторів) з комерційною метою або поширюватись сторонніми організаціями-посередниками на платній основі.
Creative Commons ("Із зазначенням авторства - Некомерційне використання - Поширення на тих же умовах") 4.0 Міжнародна (CC BY-NC-SA 4.0)