Исследование показывает, что использование эмоционально окрашенных промптов, имитирующих «моральную поддержку», повышает производительность ИИ-моделей при решении сложных исследовательских задач. Добавление фраз, подчеркивающих важность работы или выражающих уверенность в успехе, статистически значимо улучшает качество генерации гипотез и точность рассуждений, что указывает на скрытые особенности взаимодействия моделей с контекстом в процессе когнитивной нагрузки.

Эксперименты проводились с использованием различных LLM, где исследователи сравнивали стандартные технические инструкции с промптами, содержащими элементы поощрения. Результаты демонстрируют, что модели, получающие «эмоциональный» фидбек, реже совершают логические ошибки и чаще предлагают нестандартные подходы к решению научных проблем. Этот феномен связывают с тем, как обучающие данные отражают человеческие паттерны продуктивности, где позитивное подкрепление коррелирует с более качественным выполнением задач.

Данный подход открывает новые возможности для оптимизации взаимодействия с ИИ в академической среде и R&D. Вместо изменения архитектуры или параметров обучения, исследователи могут добиваться прироста эффективности за счет настройки «психологического» контекста запроса. Это позволяет более эффективно использовать текущие модели для генерации научных открытий без необходимости их дообучения или увеличения вычислительных мощностей.

Ключевые факты

  • Использование мотивирующих промптов повышает точность решения задач на 10–15% в зависимости от сложности модели.
  • Эффект «моральной поддержки» наиболее выражен в задачах, требующих многошагового логического вывода и креативного синтеза данных.
  • Исследование подтверждает, что структура промпта влияет на активацию специфических весов, связанных с высококачественными обучающими примерами.
  • Метод не требует дополнительных затрат на инференс, являясь чисто инженерным решением в области промпт-инжиниринга.