Анатомия промпта — Интерактивный конструктор запросов

🎓 Генеративная психометрика▼

Новая парадигма AIG: вместо жёстких шаблонов (Item Models) — LLM с управляемой стохастичностью. Позволяет создавать клинические виньетки и тестовые задания, которые одновременно вариативны и психометрически валидны.

💡 Промпт-инжиниринг — способ «приручить» хаос нейросети.

🎓 Зачем преподавателю?▼

Структурированный промпт переводит модель из режима «болтливого генератора» в режим точного инструмента. Это обеспечивает валидность и надёжность оценочных средств.

Ключевые термины

AIG — Automatic Item Generation

LLM — Large Language Model

CMS — Cognitive Model Structure

NBME — National Board of Medical Examiners

Подключение

Все интерактивные демо работают с DeepSeek API. Без подключения — показывают примеры из обучающего набора.

Промпт — новый инструмент педагогического дизайна

Классическая автоматическая генерация заданий с жёсткими шаблонами уступает место генеративной психометрике. ИИ проектирует сложные оценочные средства de novo — с чистого листа.

Промпт-инжиниринг становится базовой компетенцией медицинского педагога: он позволяет управлять стохастикой LLM, обеспечивая психометрическую стабильность и валидность.

Ключевой вызов — трансформация творческого хаоса нейросетей в точный измерительный инструмент через структурированный Cognitive Model Structure.

Структура тренажёра

Деконструкция — 4 компонента эффективного промпта (R-C-I-C) с живым демо.

Стратегии — Chain-of-Thought, Few-shot, RAG. Интерактивное сравнение результатов.

Дистракторы — метод Дагаева с пошаговой генерацией через API.

Практикум — сборка идеального промпта + тестирование на реальной модели.

🎯 Ключевая идея тренажёра

На каждой вкладке есть интерактивное демо, которое отправляет промпт в настоящую модель DeepSeek и показывает результат. Вы увидите разницу между «плохим» и «хорошим» промптом собственными глазами, а не в теории.

🎓 Формула RCIC▼

Эффективный промпт = Role + Context + Instruction + Constraints. Отсутствие любого компонента снижает качество вывода.

R + C + I + C = эффективный промпт

🎓 Порядок имеет значение▼

LLM обрабатывает промпт последовательно: Role задаёт «рамку», Context — ситуацию, Instruction — действие, Constraints идут последними, чтобы модель «помнила» их при финализации.

Мнемоника

R — Кем быть?

C — Где и для кого?

I — Что сделать?

C — С какими ограничениями?

Четыре компонента медицинского промпта

Нажмите на карточку — раскроется описание и пример.

R

Роль · Role

▼

Зачем

Ограничивает семантическое поле. Модель начинает отдавать приоритет терминам из медицины и образования, а не общим знаниям.

Пример

«Действуй как клинический психометрист и профессор медицины, специализирующийся на тестовых заданиях формата NBME.»

C

Контекст · Context

▼

Зачем

Формирует «единый нарратив» — целевая аудитория, условия экзамена, клиническая среда.

Пример

«Задание для ИГА студентов выпускного курса. Оцени готовность к работе в первичном звене здравоохранения.»

I

Инструкция · Instruction

▼

Зачем

Декомпозирует задачу. Переводит модель в аналитический режим вместо простой генерации текста.

Пример

«Изучи патогенез ХСН, выдели ключевые жалобы на ранних стадиях. На основе анализа построй клиническую виньетку.»

C

Ограничения · Constraints

▼

Зачем

Гарантируют психометрическую валидность: гомогенность вариантов, отсутствие подсказок, соответствие нормам.

Пример

«Исключи дистракторы разной длины. Не используй „Все вышеперечисленное“. Опирайся только на клинрекомендации РФ 2024.»

🧪 Живое демо: влияние компонентов API

Включайте и выключайте компоненты → видите, как меняется результат. Начните с пустого промпта, затем включайте элементы по одному.

R

Роль

Профессор, психометрист

C

Контекст

Курс, аудитория

I

Инструкция

Шаги задачи

C

Ограничения

Правила качества

Тема задания

📝 Итоговый промпт

Промпт появится здесь...

🤖 Ответ модели

Нажмите «Сгенерировать»...

🎓 Три главные стратегии▼

После базовой структуры (RCIC) переходят к продвинутым техникам:
• Chain-of-Thought — рассуждение шагами
• Few-shot — обучение примерами
• RAG — опора на источники

🎓 Когда какую?▼

CoT — для многоэтапного клинического рассуждения.
Few-shot — для задания формата (USMLE, NBME).
RAG — для опоры на актуальные клинрекомендации.

💡 Комбинация всех трёх = максимальное качество.

Стратегии «глубокого промптинга»

Базовая структура даёт управляемость. Следующий уровень — техники, которые заставляют модель рассуждать, а не просто генерировать.

Chain-of-Thought

Цепочка рассуждений

Инструкция «рассуждай шаг за шагом» заставляет модель вербализовать логику перед финальным ответом. Вы получаете аудируемый след рассуждений.

Few-shot

Метод примеров

1–2 эталонных примера задают планку сложности и формат (например, USMLE Step 2). Модель копирует структуру, что минимизирует галлюцинации формата.

RAG

Retrieval-Augmented Generation

Привязка генерации к конкретным источникам. ИИ опирается на актуальную доказательную базу, а не на устаревшие учебники из своей памяти.

🧪 Сравни результаты API

Один и тот же вопрос — без стратегии и с Chain-of-Thought. Смотрите разницу в качестве рассуждений.

Клинический вопрос

❌ Базовый промптбез CoT

Нажмите «Сравнить»...

✓ С Chain-of-Thoughtstep-by-step

Нажмите «Сравнить»...

🎓 Что такое дистрактор?▼

Дистрактор — неправильный вариант ответа в MCQ. Его качество определяет психометрическую валидность задания. Случайные дистракторы студент отбрасывает мгновенно.

🎓 Метод Дагаева▼

Двухэтапный подход:
1. Модель строит корректную цепочку рассуждений
2. Вносит типичные ошибки студентов

Результат — «правдоподобно ложные» дистракторы.

📈 Психометрическая стабильность: +40%

Рекомендации

✓ Гомогенность по длине

✓ Избегать грамматических подсказок

✓ Не использовать «все вышеперечисленное»

✓ Опора на типичные ошибки студентов

Техника контроля дистракторов

Для создания высококачественных неправильных вариантов ответа используется двухэтапный метод Дагаева.

1

Прямая логика

ИИ строит корректную цепочку рассуждений от клинической картины к диагнозу/тактике.

2

Индукция ошибок

Внесение в эту цепочку типичных заблуждений студентов: пропуск диффдиагноза, путаница механизмов, игнорирование возраста.

🧪 Метод Дагаева вживую API

Пошаговая демонстрация: сначала корректная логика, затем индукция ошибок → реальные дистракторы.

Клинический сценарий

1

Корректная цепочка рассуждений

Результат шага 1...

2

Сгенерированные дистракторы

Результат шага 2...

🎓 Как работает конструктор?▼

6 элементов идеального промпта в случайном порядке. Перетаскивайте их, чтобы выстроить логически правильную последовательность.

💡 Удерживайте «Подсказка» — покажет правильный порядок.

🎓 Почему такой порядок?▼

LLM обрабатывает промпт последовательно. Роль и контекст задают рамку, затем логика рассуждения, структура вывода, уровень сложности и, наконец, ограничения.

Управление

Перетащите элементы мышью. При правильном порядке конструктор подсветится зелёным.

Тест на модели

Отправит ваш собранный промпт в DeepSeek и покажет результат.

Конструктор «Идеальный промпт»

Перетащите 6 элементов в правильном порядке. Когда порядок верный — нажмите «Протестировать промпт» в сайдбаре, чтобы увидеть, как DeepSeek сгенерирует задание.

Выстройте 6 элементов в логическом порядке

📝 Собранный промпт

🤖 Результат от DeepSeek

Выстройте порядок и нажмите «Протестировать»...