Модель коммуникации с искусственным интеллектом ДРУГ как методологический подход к составлению и оценке промптов

Цифровая трансформация библиотечной сферы и постепенное внедрение технологий искусственного интеллекта в практику работы библиотечных специалистов актуализировали проблему эффективного взаимодействия с нейросетями и формирования качественных промптов. В статье представлена авторская модель коммуникации с искусственным интеллектом, основанная на принципах доброжелательности, рациональности, уточнения и гносеологичности (ДРУГ) и разработанная как методологический подход к промптинжинирингу в библиотечной деятельности. Цель исследования – описание данной модели и демонстрация её практического применения и эффективности. Методология исследования включала разработку модели, создание серии промптов различной «силы» на основе её принципов и тестирование с использованием шести моделей нейросетей для решения задачи анализа библиографических данных. Результаты тестирования показали прямую зависимость качества ответов нейросетей от уровня проработки промпта в соответствии с моделью ДРУГ. Практическая значимость исследования заключается в предложении методологической основы для повышения эффективности и качества взаимодействия библиотечных специалистов с искусственным интеллектом, а также в возможности использования модели для разработки практических рекомендаций и образовательных программ по промпт-инжинирингу в библиотечной сфере.

1. Dang H., Mecke L., Lehmann F., Goller S., Buschek D. How to prompt? Opportunities and challenges of zero- and few-shot learning for human-AI interaction in creative applications of generative models // arXiv preprint. 2022. URL: https://arxiv.org/abs/2209.01390 (access: 15.01.2025).

2. Kaddour J., Harris J., Mozes M., Bradley H., Raileanu R., McHardy R. Challenges and Applications of Large Language Models // arXiv preprint. 2023. URL: https://arxiv.org/abs/2307.10169 (access: 14.01.2025).

3. Zihao Z., Wallace E., Feng S., Klein D., Singh S. Calibrate Before Use: Improving Few-shot Performance of Language Models // Proceedings of the 38th International Conference on Machine Learning, PMLR 139. 2021. URL: https://proceedings.mlr.press/v139/zhao21c.html (access: 21.01.2024).

4. Webson A., Pavlick E. Do Prompt-Based Models Really Understand the Meaning of Their Prompts? // Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Association for Computational Linguistics, 2022. С. 2300–2344.

5. Knoth N., Tolzin A., Janson A., Leimeister J. M. AI literacy and its implications for prompt engineering strategies // Computers and Education: Artificial Intelligence. 2024. Т. 6. URL: https://doi.org/10.1016/j.caeai.2024.100225 (access: 22.01.2025).

6. Yin Z., Wang H., Horio K., Kawahara D., Sekine S. Should We Respect LLMs? A Cross-Lingual Study on the Influence of Prompt Politeness on LLM Performance // The 2nd Workshop on Social Influence in Conversations (SICon): Proceedings of the Workshop. Association for Computational Linguistics, 2024. С. 9–35.

7. Пиперски А. Ч. Вежливость в коммуникации между человеком и искусственным интеллектом // Слово.ру: балтийский акцент. Т. 15, № 4. С. 89–98.

8. Bass B. M., Waldman D. A., Avolio B. J., Bebb B. J. Transformational Leadership and the Falling Dominoes Effect // Group & Organization Studies. 1987. Т. 12, № 1. С. 73–87.

9. Mayer D. M., Kuenzi M., Greenbaum R., Bardes M., Salvador R. How low does ethical leadership flow? Test of a trickle-down model // Organizational Behavior and Human Decision Processes. 2009. Т. 108, № 1. С. 1–13.

10. Foulk T., Woolum A., Erez A. Catching Rudeness Is Like Catching a Cold: The Contagion Effects of Low-Intensity Negative Behaviors // Journal of Applied Psychology. 2016. Т. 101, № 1. С. 50–67.

11. Miehling E., Nagireddy M., Sattigeri P., Daly E. M., Piorkowski D., Richards J. T. Language Models in Dialogue: Conversational Maxims for Human-AI Interactions // Findings of the Association for Computational Linguistics: EMNLP. 2024. С. 14420–14437.

12. Orme M., Yu Y., Tan Z. How Much do Robots Understand Rudeness? Challenges in Human-Robot Interaction // Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024). Torino: ELRA Language Resource Association, 2024. С. 8247–8257.

13. White J., Fu Q., Hays S., Sandborn M., Olea C., Gilbert H., Schmidt D. C. A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT // arXiv preprint. 2023. URL: https://arXiv:2302.11382 (дата обращения: 14.01.2025).

14. Prompting Techniques. URL: https://www.promptingguide.ai/techniques (access: 22.01.2025).

15. Li X., Dong G., Jin J., Zhang Y., Zhou Y., Zhu Y., Zhang P., Dou Z. Search-o1: Agentic Search-Enhanced Large Reasoning Models // arXiv preprint. 2025. URL: https://arxiv.org/abs/2501.05366 (access: 22.01.2025).

16. Liu R., Geng J., Peterson J. C., Sucholutsky I., Griffiths T. L. Large Language Models Assume People are More Rational than We Really are // arXiv preprint. 2024. URL: https://arxiv.org/abs/2406.17055 (access: 22.01.2025).

17. Lewis P., Perez E., Piktus A., Petroni F., Karpukhin V., Goyal N., Küttler H., Lewis M., Yih W., Rocktäschel T., Riedel S., Kiela D. Retrieval-augmented generation for knowledgeintensive NLP tasks // Proceedings of the 34th International Conference on Neural Information Processing Systems (NIPS '20). 2020. С. 9459–9474.

18. Jadallah A. K., Mihus I., Svyrydiuk N., Zhyvko Z. Nature and purpose of artificial intelligence. Political, legal, and economic challenges in the 21st century // CLÍO: Revista de Revista de Historia, Ciencias Humanas y pensamiento crític. 2024. № 8. С. 306–320. DOI https://doi.org/10.5281/zenodo.12600350.

19. Bassano C., Caputo F., Barile P., Piciocchi P. Empowering service systems through Intelligence Augmentation (IA) in digital society // ITM Web of Conferences. 2024. Т. 62. DOI https://doi.org/10.1051/itmconf/20246205003.

20. Claude. URL: https://claude.ai/ (access: 13.01.2025).

21. ChatGPT. URL: https://chatgpt.com/ (access: 13.01.2025).

22. Gemini. URL: https://gemini.google.com/ (access: 13.01.2025).

23. Microsoft Copilot. URL: https://copilot.microsoft.com/ (access: 13.01.2025).

24. Mistral AI. URL: https://mistral.ai/ (access: 13.01.2025).

25. YandexGPT 4. URL: https://ya.ru/ai/gpt-4 (access: 13.01.2025).

26. Google Colab. URL: https://colab.research.google.com/ (access: 13.01.2025).