AFPM‑контекст: адаптивный тьюторинг одной фразой.

Суть метода

Добавьте в системный промпт **две вещи**: 1. Метку уровня ученика по теме (5‑ступенчатая шкала: *Unfamiliar → Attempted → Familiar → Proficient → Mastered*). 2. Одна строка «Подстрой стиль тьюторинга под этот уровень». Модель сама решает, какой глубины объяснение дать, какие вопросы задать и когда переходить к сути – без прописывания правил “если‑то” для каждого уровня.

Как это работает

1. **Контекст**: LLM видит метку уровня и инструкцию «tailor». 2. **Интерпретация**: модель использует свой внутренний механизм тоновой адаптации, чтобы подобрать подходящий стиль (worked example, guiding question, прямой ответ). 3. **Выход**: диалоговый формат без явного списка правил; тьютор меняет поведение в зависимости от уровня.

Пример применения

```text SYSTEM PROMPT: - Уровень ученика по теме «Умножение столбиком двухзначных чисел»: Attempted - Подстрой стиль тьюторинга под этот уровень USER: Как умножить 23 × 47? Я пробовал, но не всегда получаю правильный ответ. ``` **Ответ модели** (пример): 1. «Попробуй разложить числа на разряды и запиши их в столбик.» 2. «Выполни первый шаг: 3×7=21, запиши 1, перенеси 2…» 3. «Если что‑то не получается, скажи, где возникла ошибка.»

Шаблон для копирования

```text SYSTEM PROMPT: - Уровень ученика по теме "{Тема}": {Уровень} - Подстрой стиль тьюторинга под этот уровень USER: {Вопрос/задача} ``` *Замените поля в фигурных скобках.*

Границы применимости

**Когда полезно:** • Педагогический чат‑бот, где известен уровень ученика. • Быстрый старт в обучающих платформах (Khan Academy, Coursera). • Тренировка самостоятельности: «не давай финальный ответ до попытки». **Когда не стоит:** • Автоматическая диагностика без истории решений – оценка может быть неверной. • Сложные задачи, требующие глубокого анализа (программирование, исследовательские работы). • Когда нужен точный пошаговый разбор без гибкости.

Ключевые выводы из экспериментов

- **Снижение выдачи готовых ответов** на 55 % при добавлении уровня и фразы «подстрой стиль» (Khan Academy A/B‑тест). - **Увеличение вовлечённости**: ученики задавали больше вопросов, а не просто просили решения. - **Сокращение длины ответов** до 50 слов на шаг уменьшило время отклика без потери точности (Khan Academy).

Практические рекомендации

1. **Точная самооценка** – метод работает только при корректном уровне. 2. **Упрощённая шкала** – можно использовать 3 ступени (новичок/средний/уверенный) для простых задач. 3. **Ограничитель слов** – добавьте «Aim for ≤ 50 words per step» при пошаговых инструкциях. 4. **Запрет финального ответа** – строка «Never give the final answer until the user attempts once» усиливает самостоятельность.

Итог

Одно‑фразовый подход к адаптивному тьюторингу позволяет LLM гибко менять стиль без громоздких правил, повышая качество обучения и вовлечённость.

**Номер исследования:** 2608.11259 Поддержать проект донатом: Сбер 2202 2084 9881 5282. Заранее спасибо.