Промпт-инженерия в контексте научного познания: типология и практика применения

В условиях активного внедрения генеративных моделей искусственного интеллекта в научно-исследовательскую и образовательную практику промпт-инженерия трансформируется из технического навыка взаимодействия с ИИ в эпистемическую практику, интегрированную в логику научного познания. В статье обоснована и представлена типология промптов, основанная на их функциональных или структурных характеристиках, соотнесенная с теоретическими и эмпирическими методами научного познания. Предложена двумерная типологическая модель, в которой первый измеритель соотносит промпт с уровнем научного познания — теоретическим (анализ, синтез, индукция, дедукция, моделирование и др.) или эмпирическим (наблюдение, эксперимент, измерение, интерпретаци), а второй — с уровнем когнитивной сложности в соответствии с актуализированной таксономией Блума (уровни от запоминания до создания). Эмпирические наблюдения за учебно-исследовательской деятельностью студентов педагогических направлений подготовки в Марийском государственном университете выявили прямую связь между структурой промпта и качеством когнитивного вовлечения обучающегося. Описаны типичные ошибки студентов при формулировании «уязвимых» промптов, которые позволяют ИИ полностью заменить мыслительную деятельность обучающихся. Показаны примеры сильных (устойчивых) промптов, направленных на активизацию анализа, интерпретации, рефлексии и работы с собственными данными. Представлены методические рекомендации по конструированию научно и педагогически значимых промптов, включая использование личного опыта, методологических дилемм ипроцедур верификации. Сформулирован вывод онеобходимости переосмысления промпт-инженерии: от восприятия ее как технического средства формулирования запросов к методологической стратегии совместного когнитивного взаимодействия с искусственным интеллектом.

1. Токтарова В. И., Попова О. Г., Сагдуллина И. И., Белянин В. А. Технологии искусственного интеллекта в практике современного высшего образования. Вестник Марийского государственного университета. 2023;17(2(50)):210–220. DOI: 10.30914/2072-6783-2023-17-2-210-220. EDN: WUXCNY.

2. Baytas C., Ruediger D. Making AI generative for higher education: Adoption and challenges among instructors and researchers. Ithaka S+R. 2025. DOI: 10.18665/sr.322677.

3. Chen B., Zhang Z., Langrené N., Zhu S. Unleashing the potential of prompt engineering for large language models. Patterns. 2025;6(6):101260. DOI: 10.1016/j.patter.2025.101260.

4. Federiakin D., Molerov D., Zlatkin-Troitschanskaia O., Maur A. Prompt engineering as a new 21st century skill. Frontiers in Education. 2024;9:1366434. DOI: 10.3389/feduc.2024.1366434.

5. Kosten C., Nooralahzadeh F., Stockinger K. Evaluating the effectiveness of prompt engineering for knowledge graph question answering. Frontiers in Artificial Intelligence. 2025;7-2024:1454258. DOI: 10.3389/frai.2024.1454258.

6. Ariza J. Á., Restrepo M. B., Hernández C. H. Generative AI in engineering and computing education: A scoping review of empirical studies and educational practices. IEEE Access. 2025;13:30789–30810. DOI: 10.1109/ACCESS.2025.3541424.

7. Azevedo de L. V. O uso de prompts TXT em arquivos para upload como criação de materiais didáticos para professores de educação básica no alvorecer da inteligência artificial. SciELO Preprints. 2025. DOI: 10.1590/scielopreprints.13021 [de AzevedoL.V. The use of TXT prompts in uploaded files for creating didactic materials for basic education teachers at the dawn of Artificial Intelligence. SciELO Preprints. 2025. (In Portuguese.) DOI: 10.1590/scielopreprints.13021.]

8. 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;21:15. DOI: 10.1186/s41239-024-00448-3.

9. Muhamad G. A., Alsulami B.S., Thabit K. O. Exploring the capabilities of GPT models in drafting course assessments based on Bloom’s taxonomy. JOIV International Journal on Informatics Visualization. 2025;9(1):195. DOI: 10.62527/joiv.9.1.2811.

10. Bahroun Z., Anane C., Ahmed V., Zacca A. Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. 2023;15(17):12983. DOI: 10.3390/su151712983.

11. Bao Y. A comprehensive investigation for ChatGPT’s applications in education. Applied and Computational Engineering. 2024;35(1):116–122. DOI: 10.54254/2755-2721/35/20230377.

12. Savaşkan V., Özer N. If ChatGPT asks questions: Comparative analysis of Turkish teacher candidates and ChatGPT’s text-based questions according to the revised Bloom’s taxonomy. In: Modern Research and Studies in Educational Sciences V. Lyon, Livre de Lyon; 2025:115–133. DOI: 10.5281/zenodo.17371135.

13. Banujan K., Kumara S., Prasanth S., Ravikumar N. Revolutionising educational assessment: Automated question classification using Bloom’s taxonomy and deep learning techniques — a case study on undergraduate examination questions. International Journal of Education and Development using Information and Communication Technology (IJEDICT). 2023;19(3):259–278. Available at: http://ijedict.dec.uwi.edu/include/getdoc.php?id=10126&article=3228&mode=pdf

14. Lubbe A., Marais E., Kruger D. Cultivating independent thinkers: The triad of artificial intelligence, Bloom’s taxonomy and critical thinking in assessment pedagogy. Education and Information Technologies. 2025;30:17589–17622. DOI: 10.1007/s10639-025-13476-x.

15. Ануфриева А. Г., Копылов А. Б., Головин К. А. Методы и методология научного познания. Известия Тульского государственного университета. Технические науки. 2021;(11):279–283. DOI: 10.24412/2071-6168-2021-11-279-283. EDN: GUCQXJ.

16. Фазилов А. Р. О методологии научных исследований, научных методах познания и математическом моделировании. Политехнический вестник. Серия: Инженерные исследования. 2022;(3(59)):94–101. EDN: GKRKBV.

17. Butvilas T., Žilinskienė D., Bubnys R., Colomer J., Cañabate D., Masoodi M. Metacognitive awareness, knowledge and regulation of cognition factors among Lithuanian university students. Journal of Applied Research in Higher Education. 2024;16(5):1469–1485. DOI: 10.1108/JARHE-02-2023-0069.

18. Bloom B.S., Krathwohl D. R. Taxonomy of educational objectives: The classification of educational goals. Handbook I: Cognitive domain. NYC, Longmans, Green; 1956. 111 p.

19. Anderson L. W., Krathwohl D. R. A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. NYC, Longman; 2001. 352 p.

20. Krathwohl D. R. A revision of Bloom’s taxonomy: An overview. Theory Into Practice. 2002;41(4):212–218. DOI: 10.1207/s15430421tip4104_2.

21. Faraon M., Granlund V., Rönkkö K. Artificial intelligence practices in higher education using Bloom’s digital taxonomy. Proc. 2023 5th Int. Workshop on Artificial Intelligence and Education (WAIE). IEEE; 2024:53–59. DOI: 10.1109/WAIE60568.2023.00017.

22. Hachoumi N., EddabbahM., El Adib A. R. Enhancing teaching and learning in health sciences education through the integration of Bloom’s taxonomy and artificial intelligence. Informatics and Health. 2025;2:130–136. DOI: 10.1016/j.infoh.2025.05.002.

23. Kuan-Ju Huang. Evaluating GPT-4’s cognitive functions through the Bloom taxonomy: Insights and clarifications. Journal of Medical Internet Research. 2024;26:e56997. DOI: 10.2196/56997.