Промт-инжиниринг как средство развития понимания научного текста в вузе

Цель исследования: настоящая статья направлена на выявление возможностей промт-инжиниринга как одного из способов помощи студентам в осмыслении прочитанного, в том числе научного текста в условиях цифровизации высшего образования. Цель данного исследования – изучить возможности промт-инжиниринга при работе с большими языковыми моделями искусственного интеллекта для улучшения понимания научного текста у студентов.
Материалы и методы исследования. Дизайн исследования предполагал получение показателей понимания научного текста до и после применения промпт-инжиниринга. В рамках исследования применялось тестирование по методике Т.В. Борзова «Понимание научного текста», в основе которого лежит саморефлексия студентов, и анкетирование, позволяющее в дальнейшем произвести анализ понимания научного текста на более глубоком качественном уровне, в отличии от саморефлексии. Для составления промпта студентам давалась краткая схема, одновременно подчёркивалось, что составление промпта представляет собой творческую деятельность. Для анализа данных применялись методы математической статистики. Всего было опрошено 57 студентов, из них 25 студентов первого курса, 32 — второго курса. Распределение каждой из групп соответствует нормальному распределению (Shapiro-Wilk, p = 0,548). 
Результаты. С целью оценки результатов до и после применения промпт-инжиниринга по методике Т. В. Борзова «Понимание научного текста» мы применили парный t-тест (Paired Samples t-Test) для сравнения двух измерений одной и той же группы: Measure 1 (до) и Measure 2 (после). Цель теста — определить, есть ли существенное среднее различие между двумя связанными наборами данных. 25 человек прошло p = 0.373: двустороннее p-значение, свидетельствующее об отсутствии статистически значимого различия между средними значениями до и после на уровне α = 0.05. Одновременно с этим, качественный анализ анкет свидетельствует, что ответы студентов после составления промпта характеризуется большей точностью и ясностью изложения, релевантностью, лаконичностью и глубиной.
Заключение. Авторы пришли к выводу, что студенты испытывают трудности понимания научного текста, в частности в выделении главного в тексте, формулировки выводов. Данные результаты пилотажного исследования, в целом, позволяют говорить о положительных прогнозах в отношении применения промпт-инжиниринга для развития более глубокого понимания научного текста у студентов.

1. 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. Т. 21. № 1. С. 15. DOI: 10.1186/s41239-024-00448-3.

2. Каменева-Любавская Е.Н., Борзова Т.В. Развитие навыков понимания научного текста как путь успешного андрагогического обучения // Психология. Историко-критические обзоры и современные исследования. 2023. Т. 12. № 10А. С. 233–244. DOI: 10.34670/AR.2023.38.63.024.

3. Борзова Т.В. Опросник «Понимание научного текста»: поиски путей диагностики понимания в обучении // Известия Самарского научного центра Российской академии наук. Социальные, гуманитарные, медико-биологические науки. 2020. Т. 22. № 72. С. 15–26. DOI: 10.37313/2413-9645-2020-22-72-15-26.

4. Цветкова Л.А., Никитина Е.А., Сутормина Н.В., Сбитнева А.А. Микляева А.В. Взаимосвязи самооценки трудностей в понимании студентами научного текста, представленного на бумажном и цифровом носителях, с окулографическими показателями // Science for Education Today. 2025. Т. 15. № 1. С. 24–46. DOI: 10.15293/2658-6762.2501.02.

5. Steele J. L. To GPT or not GPT? Empowering our students to learn with AI // Computers and Education: Artificial Intelligence. 2023. Т. 5. С. 100160. DOI: 10.1016/j.caeai.2023.100160.

6. Chan C.A comprehensive AI policy education framework for university teaching and learning // International Journal of Educational Technology in Higher Education. 2023. № 20(1). DOI: 10.1186/s41239-023-00408-3.

7. Warschauer M., Tseng W., Yim S., Webster T., Jacob S., Du Q., & Tate T. The affordances and contradictions of AI-generated text for writers of English as a second or foreign language // Journal of Second Language Writing. 2023. Т. 62.

8. Sujaini H., Safriadi N., Khairiyah D. System interactive reader using eye-tracker technology in ebook reader // Bulletin of Electrical Engineering and Informatics. 2024. Т. 13(3). С. 1676–1684. DOI: 10.11591/eei.v13i3.5877.

9. Зильберман Н.Н. Генеративный ИИ в высшем образовании: условия поддержки метакогнитивной регуляции студентов // Открытое образование. 2026. Т. 30(1). С. 15–22. DOI: 10.21686/1818-4243-2026-1-15-22.

10. Шамсутдинова Т.М. Применение систем искусственного интеллекта в образовании: технологические тренды и этические аспекты // Открытое образование. 2025. Т. 29(6). С. 49–57. DOI: 10.21686/1818-4243-2025-6-49-57.

11. Гладкова Л.Н., Крежевских О.В., Скоробогатов Д.В., Савельева А.А. Булатова О.В., Гафнер А.И. Специфика результативности чтения сложных профессиональных текстов при работе с ИИ-агентом: оценка уровня усвоения с учетом установления длительности и количества фиксации взгляда // Science for Education Today. 2026. Т. 16. № 1. С. 246–270. DOI: 10.15293/2658-6762.2601.11.

12. Плетнев Е.А. Работа с текстами как базовый компонент современного образования в условиях развития нейросетей // Ученые записки Забайкальского государственного университета. 2025. Т. 20. № 1. С. 34–42. DOI: 10.21209/2658-7114-2025-20-1-34-42.

13. Лукинский И.С., Горшенева И.А. Промт-инжиниринг в образовательном процессе и научной деятельности или к вопросу о необходимости обучения работе с искусственным интеллектом // Психология и педагогика служебной деятельности. 2024. № 4. С. 148–154. DOI: 10.24412/2658-638X-2024-4-148-154.

14. Минаков А.И., Сурхаев М.А. Промпт-инжиниринг в решении образовательных задач (применение при работе с текстовыми запросами к нейросетям) // Современный ученый. 2026. № 1. С. 324–330.

15. Шамсутдинов Р.С., Исавнин А.Г., Плещёв И.Е., Хасанова А.Р., Сергеева Д.В. Промпт-инжиниринг как ключевой фактор создания педагогически релевантных заданий с использованием искусственного интеллекта // Вестник педагогических наук. 2025. № 11. С. 327–334.

16. Глухих И.Н., Глухих К.И. Разработка экспертных систем на основе большой языковой модели и генерации с дополненной выборкой // Инженерный вестник Дона. 2025. № 11(131). С. 287–313.

17. Lee U., Jung H., Jeon Y., Sohn Y., Hwang W., Moon J., & Kim H. Few-shot is enough: exploring ChatGPT prompt engineering method for automatic question generation in english education // Education and Information Technologies. 2024. Т. 29. № 9. С. 11483–11515. DOI: 10.1007/s10639-023-12249-8.