Пунчик В.Н. | ПРОМПТИНГ КАК МЕТОД НАУЧНО-ПЕДАГОГИЧЕСКОГО ИССЛЕДОВАНИЯ

УДК 378.048.2 + 001.8

Государственное учреждение образования «Республиканский институт высшей школы», Минск, Беларусь

В статье обосновывается целесообразность применения нейросетвых методах в педагогических исследованиях на основе современного переосмысления методологии. Автор обосновывает методологически встревает метод  промптинг в систему методов научно-педагогического исследования, предлагает предписание по его применения. Анализируются преимущества и риски, делается акцент на необходимости соблюдения этических норм.

The article substantiates the expediency of application of neural network methods in pedagogical research on the basis of modern rethinking of methodology. The author substantiates methodologically meets the prompting method in the system of methods of scientific and pedagogical research, offers a prescription for its application. The advantages and risks are analyzed, the emphasis is placed on the necessity of ethical norms observance.

Современный этап развития образования характеризуется стремительным внедрением технологий искусственного интеллекта, в частности нейросетевых алгоритмов, в различные аспекты педагогической деятельности. Цифровая трансформация образовательной среды, находящаяся под влиянием этих технологий, активно переосмысливается как в теоретических, так и в прикладных исследованиях. Однако ключевой задачей становится не только сама модернизация образовательных практик, но и их экспертиза для осознанного включения в методологические  основания научно-педагогического исследования в условиях новых цифровых реалий.

Одним из наиболее значимых вызовов для традиционной научной парадигмы выступает необходимость трансформации исследовательского инструментария, который сталкивается с необходимостью обработки массивов данных, недоступных для анализа привычными методами. Это обстоятельство требует не только адаптации существующих методов, но и разработки новых категориальных и понятийных рамок, отражающих специфику взаимодействия исследователя и интеллектуальных систем.

Применение нейросетевых технологий в научном познании не должно подменять экспертный подход, а, напротив, должно способствовать его углублению и расширению. Возможность выявления скрытых закономерностей, интегративная работа с неструктурированными данными, масштабируемость анализа – всё это позволяет говорить о формировании нового витка в развитии научной рациональности в педагогике.

Современные исследователи, такие как Е.П. Марков [1], М.А. Аширалиева и Б. Мыратлыев [2], В.С. Шмыгарева [3], Е.С. Яцкевич и соавт. [4], М.В. Храмова и др. [5], подчеркивают необходимость интеграции нейросетевых технологий в научный процесс. Они указывают как на методические возможности, так и на риски, связанные с этикой, объективностью и надежностью получаемых результатов. В этом контексте особую значимость приобретает разработка научно обоснованной модели применения нейросетей в педагогических исследованиях.

Современное развитие нейросетевых технологий позволяет осуществлять не только структурный, но и концептуальный анализ научных текстов. Доступные языковые модели нового поколения, такие как YandexGPT, GigaChat, DeepSeek, SberGPT, YaLM и пр., а также их специализированные версии, открывают возможности для автоматизированного сопоставления дефиниций научных понятий и отслеживания изменений в их смысловой нагрузке в контексте научной коммуникации.

Использование подобных моделей даёт основания рассматривать нейросетевые технологии не только как инструменты анализа, но и как средство предиктивного осмысления трансформационных процессов в педагогическом знании. За счёт способности выявлять скрытые смысловые связи и структурные зависимости между научными понятиями, они могут способствовать выявлению новых исследовательских направлений и уточнению научной терминологии.

Современная педагогическая наука, находясь в русле традиционных исследовательских подходов, сталкивается с необходимостью методологической адаптации к реалиям цифровой эпохи. Традиционная триада методов педагогического исследования – теоретические, эмпирические и методы интерпретации результатов – требует пересмотра и расширения за счёт включения интеллектуальных аналитических инструментов. Рост объёма гетерогенных данных, усложнение образовательных систем и потребность в глубоком и точном анализе обуславливают необходимость интеграции технологий искусственного интеллекта в научно-педагогический инструментарий. При этом речь идёт не о замещении традиционного экспертного анализа, а о его усилении и развитии, что открывает новые горизонты для понимания и системного описания сложных образовательных процессов.

Следует отметить, что развитие педагогической науки во второй половине XX и в начале XXI века [6] сопровождалось расширением методологического инструментария за счёт включения новых исследовательских подходов. В частности, в рамках научной школы педагогического моделирования были предложены методы знаковой ретроспекции (И.И. Цыркун), виртуальной экспертизы (И.И. Цыркун, В.Н. Пунчик), структурного (метасемантического) анализа дефиниций (В.Н. Пунчик), педагогической диагностики (Е.Н. Артемёнок), изучения инновационного педагогического опыта (Л.А. Козинец) и др.

В современных условиях научного поиска возникает необходимость нормативного признания ещё одного направления методологического расширения – включения в педагогический инструментарий методов, основанных на использовании технологий искусственного интеллекта, прежде всего нейросетевых алгоритмов. Практика научной работы, экспертной оценки и терминологических исследований в педагогике, а также результаты внедрения нейросетевых систем в трансдисциплинарные исследования (включая цифровую педагогику и когнитивную аналитику), подтверждают актуальность обоснованного включения нейросетевых методов в классификацию методов педагогического исследования [7] как отдельной перспективной категории.

Одним из основных направлений в структуре нейросетевых методов педагогического исследования выступает промптинг – управляемое взаимодействие с большими языковыми моделями (LLM) с целью генерации, трансформации или проверки исследовательских гипотез, анализа понятийных связей и интерпретации педагогических явлений. В отличие от пассивного анализа текстов, промптинг предполагает активную конструкцию запросов (промптов), направленных на получение содержательно обоснованных и вариативных откликов модели, что позволяет рассматривать этот метод как форму интерактивного научного моделирования.

Функционально метод промптинга может быть отнесён ко всей триаде методов:

• к теоретическим методам, если используется для проверки согласованности педагогических концептов, выявления терминологических расхождений, анализа историко-педагогических дискурсов и порождения альтернативных исследовательских гипотез. Примером может служить использование моделей YandexGPT, SberNova или ChatGPT для построения дефиниций понятий на основе корпусного анализа и последующей верификации их на соответствие педагогическим традициям.
• к интерпретационным методам, когда промптинг применяется для смысловой переработки эмпирических данных, оценки рефлексивных текстов или выявления метапредметных связей между различными образовательными феноменами. Здесь он выступает как инструмент когнитивной семантизации данных.
• к эвристическим методам, если моделируется серия уточняющих промптов с целью выведения новых исследовательских направлений, аналогий или концептуальных обобщений. Такая стратегия, в условиях ограниченности эмпирического материала, позволяет значительно расширить горизонты теоретического поиска.

Таким образом, промптинг встраивается в логику цифровой педагогической реальности как способ научной генеративности, сочетающий когнитивную гибкость исследователя и вычислительный потенциал языковых моделей. Перспективным направлением развития данного метода является формализация типов и структур промптов, а также разработка процедур их верификации и педагогической валидизации.

Разработка методологии нового метода требует регламентированного предписания использования по  применению в педагогических исследованиях. Это необходимо для обеспечения воспроизводимости результатов, стандартизации процедур анализа и интеграции метода в существующие исследовательские практики. В качестве предписания мы предлагаем модель развертывания метода промптинга, которая отражает возможности искусственного интеллекта в контексте интерактивной генерации педагогических знаний и соответствует этапам когнитивной обработки текста.

На первом этапе формулируются исследовательские вопросы в соответствии с основной целью исследования и определяется область применения промптинга. Уточняется, какие педагогические явления требуют концептуальной генерации, переформулирования или семантической интерпретации. Далее подбираются языковые модели (например, YandexGPT, SberNova, DeepSeek), исходя из их компетенций, языковой базы и контекста использования.

Второй этап включает конструирование промптов – текстов-запросов, содержащих инструкции, гипотезы или термины, подлежащие анализу. Здесь особое внимание уделяется формулировке запросов, логике построения последовательностей и задаче условий генерации (например, формат ответа, стиль, глубина анализа). После этого осуществляется интерактивное взаимодействие с моделью – запуск промптов и получение откликов, которые фиксируются и подвергаются первичной оценке на соответствие целям исследования.

На этапе верификации проводится экспертная интерпретация полученных результатов: анализируется логика построения откликов модели, соответствие научным подходам, проверяется содержательная валидность генераций. Возможна организация многоступенчатого промптинга (мультипромптинг), при котором на основе предыдущих откликов формулируются уточнённые или альтернативные запросы. Завершающий этап включает систематизацию полученных знаний, извлечение новых концептуальных связей, теоретических обобщений и построение дидактических, методических или терминологических моделей на основе полученного массива данных.

Для обеспечения надежности и точности применения промптинга в педагогических исследованиях необходимо строгое соблюдение ряда регламентных требований. Прежде всего, значимым условием является обеспечение объективности и воспроизводимости результатов. Это достигается за счёт стандартизации алгоритмов формирования и настройки промптов, а также возможности повторного воспроизведения эксперимента с теми же параметрами, что позволяет представить полученные данные научному сообществу для верификации.

Важным критерием научной обоснованности метода выступает корректность интерпретации результатов, обеспечиваемая экспертной оценкой и сопоставлением с результатами предшествующих эмпирических и теоретических исследований. Кроме того, при работе с большими объемами данных, содержащих потенциально чувствительную информацию (например, продукты учебной деятельности обучающихся, тексты рефлексий и анкетирования), обязательным условием является соблюдение этических норм, включая защиту персональных данных и исключение предвзятости в алгоритмах.

Для минимизации риска генерации искажённой информации (так называемых «галлюцинаций» моделей), при использовании методов промптинга рекомендуется:

• применение контрольных выборок – сравнение ответов нейросети с верифицированными педагогическими источниками;
• использование гибридного подхода – комбинирование результатов генерации с экспертной интерпретацией;
• дообучение моделей – настройка нейросети на специализированных педагогических корпусах с учётом ранее зафиксированных ошибок;
• фильтрация и нормализация данных – предварительная очистка и структурирование вводимых данных;
• итеративное уточнение промптов – последовательное улучшение формулировок запросов на основе анализа промежуточных ответов модели.

Таким образом, метод промптинга становится не только инструментом автоматизированной генерации смыслов, но и элементом научной методологии, способным усилить аналитические возможности исследователя в педагогической науке.

Легитимация нейросетевых методов в педагогической науке требует соблюдения ряда методологических и этических принципов, обеспечивающих как научную достоверность, так и соответствие нормам образовательной практики. Применение нейросетей должно строго соответствовать целям исследования, дополняя, а не заменяя традиционные методы. Например, при анализе учебных текстов нейросети обрабатывают данные, а выводы остаются за исследователем, что сохраняет антропоцентричность педагогики. Прозрачность архитектуры моделей (BERT, YaGPT и др.) и состава выборок критически важна: необходимо указывать параметры обучения, объём и происхождение данных, чтобы научное сообщество могло оценить репрезентативность. Например, использование данных только из школ с высокой социализацией может искажать результаты.

Реализация принципа «человек-в-цикле» требует, чтобы нейросеть работала не самостоятельно, а  в диалоге с исследователем. Так, если алгоритм кластеризует стили обучения, учёный должен интерпретировать результаты через призму существующих теорий и при необходимости корректировать их.

Соблюдение этики данных включает анонимизацию персональной информации (например, замену идентификаторов синтетическими маркерами) и получение информированного согласия, в том числе на использование цифровых следов (активность в LMS, записи занятий). Эти меры соответствуют юридическим и этическим нормам научной деятельности.

Таким образом, успешная интеграция нейросетевых методов в педагогические исследования возможна лишь при условии строгого соблюдения принципа методологической дисциплины. Это требует переосмысления не только используемого инструментария, но и эпистемологических оснований педагогической науки, где ответственность за интерпретацию и выводы сохраняется за человеком. Нейросети в данном контексте выступают как «соисследователи», способные расширить когнитивные возможности учёного, но не подменяющие его роль как интерпретатора сложных образовательных процессов.

 

Список использованных источников 

1. Марков, Е.П. Искусственные нейронные сети как инструмент решения научных задач / Е.П. Марков // Радионавигация и время: труды СЗРЦ концерна ВКО «Алмаз-Антей». – 2022. – №9(17). – С. 68–75.
2. Аширалиева, М.А. Искусственный интеллект в современной науке / М.А. Аширалиева, Б. Мыратлыев // Вестник науки. – 2023. – №6(63). – С. 869–872.
3. Шмыгарева, В.С. Разработка и обучение нейросетей / В.С. Шмыгарева // Молодой ученый. – 2022. – №24(419). – С. 79–87.
4. Яцкевич, Е.С. Проблематика использования нейронных сетей в научной рациональности / Е.С. Яцкевич, Н.В. Кушнир, А.Г. Мурлин и др. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2024. – №200. – С. 373–387.
5. Храмова, М.В. Современные тренды развития нейронаучных исследований в образовании / М.В. Храмова, А.Е. Храмов, А.А. Федоров // Вопросы образования. – 2023. – №4. – С. 275–316.
6. Пунчик, В.Н. Терминологический редизайн педагогики в условиях цифровой трансформации / В.Н. Пунчик // Научные труды Республиканского института высшей школы : Исторические и психолого-педагогические науки : сб. научн. ст. : В 4х ч. – Ч .4. – 2024. – Вып. 24. – С. 167–175.
7. Пунчик, В.Н. Атлас педагогического моделирования / В. Н. Пунчик. – Минск : РИВШ, 2023. – 116 с.