Теория и методика обучения и воспитания (по областям и уровням образования) | Мир педагогики и психологии №07 (120) Июль 2026

Диагностика базовых навыков промпт-инжиниринга у студентов-медиков

Шадрина Инна Александровна
ассистент кафедры медицинской физики, Амурская государственная медицинская академия, РФ, г. Благовещенск, e-mail: shadrina-bpk@mail.ru
Колмогорова Дарья Евгеньевна
ассистент кафедры медицинской физики, Амурская государственная медицинская академия, РФ, г. Благовещенск, e-mail: Kolmogorova2002@list.ru
Назимок Алина Максимовна
преподаватель, АНО ПОО ММ колледж цифровых технологий «Академия ТОП», РФ, г. Благовещенск, shadrina-al@mail.ru

Аннотация: В статье представлены результаты диагностики исходного уровня владения базовыми навыками промпт-инжиниринга у студентов-медиков. Цель исследования - выявить исходный уровень и апробировать шестиэтапную методику формирования навыков конструирования запросов к нейросетям. В исследовании приняли участие 604 студента. Результаты показали, что 90–95% студентов используют технику Zero-shot, что сопряжено с высоким риском диагностических ошибок. После обучения доля студентов, применяющих структурированные техники, возросла до 45–50%.
Ключевые слова: диагностика навыков, промпт-инжиниринг, студенты-медики, искусственный интеллект, генеративные нейросети.

Shadrina Inna Aleksandrovna
Assistant of the Department of Medical Physics, Amur State Medical Academy, Russia, Blagoveshchensk
Kolmogorova Daria Evgenievna
Assistant of the Department of Medical Physics, Amur State Medical Academy, Russia, Blagoveshchensk
Nazimok Alina Maksimovna
Teacher, ANO POO MM College of Digital Technologies "TOP Academy", Russia, Blagoveshchensk

Abstract: The article presents the results of diagnostics of the baseline level of prompt engineering skills among medical students. The aim of the study is to identify the baseline level and to test a six-stage methodology for developing skills in constructing queries to neural networks. The study involved 604 students. The results showed that 90–95% of students use the Zero-shot technique, which is associated with a high risk of diagnostic errors. After training, the proportion of students using structured techniques increased to 45–50%.
Keywords: skills diagnostics, prompt engineering, medical students, artificial intelligence, generative neural networks

Технологии искусственного интеллекта (ИИ) трансформируют все сферы жизни человека, включая систему образования.  Национальная стратегия развития искусственного интеллекта на период до 2030 года ставит перед вузами конкретную цель: интегрировать искусственный интеллект в учебные процессы и обеспечить системную подготовку профессионалов в этой области [5].

Внедрение технологий искусственного интеллекта в учреждения здравоохранения ставит перед системой высшего медицинского образования принципиально новую задачу. Выпускник медицинского вуза XXI века должен не просто знать анатомию и фармакологию, но и обладать:

- знаниями в области ИИ;

- навыками применения ИИ для решения профессиональных задач [1].

Первым шагом при работе с нейронными сетями и эффективного взаимодействия с интеллектуальными системами является промпт-инжиниринг.

Промпт-инжиниринг в медицинском образовании рассматривается как прикладная компетенция, объединяющая методы формализации клинического запроса для взаимодействия с генеративными нейросетями.

В контексте профессиональной деятельности врача эта компетенция включает:

1. Понимание архитектурных ограничений ИИ: врач осознаёт, что нейросеть не обладает сознанием и не осуществляет логический вывод в человеческом понимании, а генерирует текст на основе вероятностных распределений, выявленных в обучающей выборке. Сгенерированные ответы могут содержать фактические ошибки, вымышленные источники и неверные данные (так называемые «галлюцинации»). Поэтому запрос должен содержать четкие ограничения, формат ответа и ссылки на исходные данные, что минимизирует риск воспроизведения ложной информации.
2. Владение структурными техниками промпт-инжиниринга (Zero-shot, One-shot, Few-shot, Chain-of-Thought и др.).
3.  Клиническое структурирование запроса: промпт строится по канонам клинической задачи - жалобы, анамнез, объективный статус, дифференциальный ряд, вопрос.

Следовательно, освоение промпт-инжиниринга расширяет инструментарий врача, интегрируя генеративные модели в процесс клинического принятия решений.

С 2024 года на кафедре «Медицинской физики» проводится исследование, целью которого является выявление у студентов исходного уровня владения базовыми навыками конструирования промптов.

В исследовании выдвигается гипотеза о том, что у студентов-медиков без предшествующей технической подготовки доминирует использование Zero-shot техник, что коррелирует с низкой диагностической точностью формулируемых запросов. Разработанная шестиэтапная методика обучения, основанная на последовательном освоении техник от Zero-shot к Chain-of-Thought и Role-Playing, позволяет сформировать у обучающихся навык структурированного клинического запроса, минимизирующий риск генерации нейросетью ложной информации.

Научная новизна работы заключается в адаптации общего инструментария промпт-инжиниринга к специфике клинического мышления и создании таксономии техник, ранжированных по уровню диагностической безопасности (от высокорисковых Zero-shot к низкорисковым CoT и Role-Playing). Предложенная методика систематизирует процесс обучения промпт-инжинирингу в медицинском вузе на основе клинических кейсов, а не абстрактных запросов.

В исследовании приняли участие студенты (за 2 учебных года):

- специальности «Педиатрия» в количестве 85 чел.;

- специальности «Лечебное дело» в количестве 519 чел.

В результате анализа литературы были определены базовые и профессиональные техники промпт-инжиниринга, при этом перечень техник динамичен и может изменяться по мере развития генеративных моделей.

Для выявления исходного уровня владения навыками составления промптов используется набор только базовых техник. Профессиональные техники используются для дальнейшего совершенствования компетенции по  промпт-инжирингу.

Процесс диагностики включает следующие этапы:

1) предоставление ситуации;

2) формулирование промпта к нейросети;

3) ознакомление с базовыми техниками  промпт-инжиниринга;

4) сопоставление и анализ созданных промптов;

5) систематизация промптов по базовым техникам;

6) изменение промптов по всем техникам на новой ситуации.

На первом этапе студентам предъявляется минимальная клиническая ситуация, содержащая следующие жалобы пациента:

«К вам обратился пациент со следующими жалобами: "При быстрой ходьбе или подъёме по лестнице возникает давящая боль в груди, отдающая в левую руку и челюсть. В покое боль проходит через 3–5 минут. Также беспокоит одышка".

На втором этапе студенты формулируют промпты к нейросети, используя исключительно собственный опыт и интуитивные представления о работе с ИИ, без предварительного ознакомления с техниками промпт-инжиниринга.

На третьем этапе осуществляется объяснение базовых техник  промпт-инжиниринга: содержание метода, пример промпта, ошибки [2].

К базовым техникам относятся:

1. Zero-shot - «Просто спросил».

Содержание метода: Нейросеть получает только вопрос и генерирует ответ на основе общего обучения. Модель полагается только на свои внутренние знания (веса нейросети) и выдает наиболее вероятный, но поверхностный ответ.

Пример промпта: «Что делать при болях в груди?»

В результате модель перечислит все возможные болезни (включая невралгию), так как в Zero-shot она опирается на общую статистику частоты запросов в интернете. Это несет высокий риск пропуска жизнеугрожающего состояния. Модель может галлюцинировать в узких темах.

Риск ошибки при использовании данной техники оценивается как критический (вероятность пропуска инфаркта миокарда).

2. Zero-shot + роль - «Кто отвечает?».

Содержание метода: Вы задаете личность (контекст мышления). Это сужает область поиска ответа и меняет стиль речи. Роль выступает фильтром для базы знаний модели [3].

Пример промпта: «Ты - кардиолог. Пациент с болями в груди. Назначь лечение.»

В итоге будет получен ранжированный список опасностей и план действий.

Риск ошибки при использовании данной техники оценивается как средний.

3. One-shot - «Покажи шаблон, формат».

Содержание метода: Вы даете один готовый пример того, как должен выглядеть ответ, а затем просите сделать аналогично, что позволяет получать структурированные ответы, пригодные, например, для заполнения электронной карты.

Пример промпта:

Пример: «Пациент с головной болью. Локализация: затылок. Триггер: стресс. Длительность: 2 часа. Вердикт: Гипертония».

Теперь разбери этот случай строго по этому формату: «При быстрой ходьбе давящая боль за грудиной, иррадиация в руку и челюсть, проходит за 5 минут».

В итоге модель не объяснила, почему это стенокардия и не указала на наличие одышки - она просто переформатировала текст, так как пример научил ее только структуре, а не логике.

Риск ошибки при использовании данной техники оценивается как высокий (нет логики).

4. Few-shot  - «Улови закономерность».

Содержание метода: Вы даете от 2 до 5 разнообразных примеров, чтобы ИИ научился отличать степень срочности, а не просто называть болезни.  Это «обучение на лету». Модель улавливает паттерн (закономерность) не по одному случаю, а по нескольким вариациям.

Пример промпта: Даем 3 примера, чтобы ИИ понял главный критерий - связь с нагрузкой.

Пример 1: «Боль колющая, усиливается при повороте туловища, не зависит от ходьбы → Вердикт: Остеохондроз».

Пример 2: «Боль жгучая, возникает через час после еды, в положении лежа → Вердикт: ГЭРБ».

Пример 3: «Боль давящая, возникает при ходьбе, проходит через 5 минут в покое → Вердикт: Стенокардия».

Задание: «Оцени новый случай: давящая боль за грудиной, иррадиация в челюсть, возникает при подъеме по лестнице, в покое проходит».

В итоге ИИ обучился на примерах отличать сердечную боль от мышечной и желудочной. Модель аргументирует ответ, опираясь на паттерн, а не на перечисление.

Риск ошибки: низкий (научился на примерах).

5. Chain-of-Thought, CoT  - Цепочка рассуждений.

Содержание метода: модель имитирует пошаговое рассуждение, однако врачу важно помнить, что это - эвристический алгоритм, а не истинная логика. CoT позволяет снизить вероятность «галлюцинаций» за счет внешней проверки каждого шага, но не заменяет клиническое мышление специалиста. Это заставляет ИИ разбивать сложную задачу на атомарные шаги. В промпте задается требование не формулировать диагноз немедленно и пройти по клиническому протоколу.

Пример промпта: «Не ставь диагноз сразу! Выполни клинический протокол оценки болей в груди по шагам:

Шаг 1: Оцени характер боли (давящая, жгучая, колющая)?

Шаг 2: Оцени связь с нагрузкой (есть ли провокация)?

Шаг 3: Оцени динамику (сколько длится, что купирует)?

Шаг 4: Оцени иррадиацию (куда отдает)?

Шаг 5: Только после шагов 1–4 напиши предварительный диагноз и перечень недостающих данных».

В итоге модель исключила нерелевантные данные и запросила недостающие. Это снижает риск необоснованного назначения терапии - он не назначает лекарства, не зная возраста и холестерина.

Риск ошибки: очень низкий.

Ключевое преимущество техники: позволяет снизить количество логических ошибок.

6. Role-Playing + CoT (Ролевая игра + Цепочка мыслей).

Содержание метода:  Вы просите модель думать в логике конкретного эксперта и одновременно записывать шаги этого мышления. Модель «наделяется» ролью узкопрофильного эксперта и проверяет себя на каждом шаге. Это позволяет минимизировать риск галлюцинаций в сложных случаях.

Мы можем попросить ИИ посмотреть на случай глазами нескольких специалистов, а потом синтезировать итоговую маршрутизацию пациента. Это позволяет получить готовый клинический план.

Пример промпта:

«Ты - заведующий кардиологическим отделением. Проведи экспертный разбор случая:

1. (Роль кардиолога + CoT): Оцени типичность ангинозного статуса по шкале SCORE.
2. (Роль фармаколога + CoT): Можно ли провести пробу с нитроглицерином для подтверждения? Какие риски?
3. (Роль функционального диагноста + CoT): Какой нагрузочный тест назначишь (ВЭМ или стресс-ЭхоКГ), учитывая одышку?
4. (Синтез): Напиши маршрут пациента на ближайшие 72 часа».

В итоге ИИ, играя роль кардиолога, по шагам доказывает, что давящая боль с иррадиацией в челюсть при нагрузке – это ишемия миокарда, и выдает четкий план дообследования, а не финальный диагноз без анализов.

Риск ошибки: минимальный.

На четвертом этапе осуществляется сопоставление и анализ созданных промптов.

Студентам предлагается самостоятельно сопоставить свои исходные запросы с эталонными промптами, построенными с использованием изученных техник. В процессе анализа акцентируется внимание на следующих аспектах:

• логическое мышление - соответствуют ли элементы промпта структуре клинической задачи (жалобы → анамнез → статус → дифференциальный диагноз), выстроена ли причинно-следственная связь между симптомами и предполагаемым диагнозом;
• критическое мышление - выявление избыточных, недостающих или некорректно сформулированных элементов запроса, оценка достоверности и релевантности полученных от нейросети ответов, распознавание потенциальных «галлюцинаций» и логических противоречий [4];
• осознание дефицита данных - способность студента идентифицировать, каких клинических параметров не хватает для постановки обоснованного вопроса к нейросети, и умение сформулировать уточняющие запросы.

Данный этап служит инструментом развития клинического мышления, поскольку приучает будущего врача проверять каждый шаг рассуждения - как собственного, так и алгоритмического (нейросетевого). Формирование навыков критической оценки информации и логического структурирования запроса является необходимым условием безопасного и эффективного использования генеративных нейросетей в медицинской диагностике.

На пятом этапе проводится систематизация промптов по базовым техникам на основе наличия или отсутствия ключевых элементов.

Результаты исследования.

Из 85 студентов специальности «Педиатрия»:

- использовали технику Zero-shot – 95 %;

- использовали технику Zero-shot + роль – 5 %.

Из 519 студентов специальности «Лечебное дело»:

- использовали технику Zero-shot – 90 %;

- использовали технику Zero-shot + роль – 10 %.

На шестом этапе студентам выдается новая ситуация и они формируют промпты по всем техникам в отдельных запросах и анализируют работу нейросети.

Результаты:

Из 85 студентов специальности «Педиатрия»:

- использовали технику Zero-shot + роль - 30 %;

- использовали технику One-shot  - 20 %;

- использовали технику Few-shot - 20 %;

- использовали технику Chain-of-Thought, CoT - 15 %;

- использовали технику Role-Playing + CoT - 15 %.

Из 519 студентов специальности «Лечебное дело»:

- использовали технику Zero-shot + роль - 5 %.

- использовали технику One-shot - 10 %;

- использовали технику Few-shot - 35 %;

- использовали технику Chain-of-Thought, CoT - 20 %;

- использовали технику Role-Playing + CoT - 30 %.

Следует отметить, что использование сложных техник (Role-Playing + CoT) на этапе освоения не означает их полного владения - студенты применяли предложенные шаблоны, но глубина понимания требует дальнейшего закрепления.

Полученные результаты подтверждают выдвинутую гипотезу о доминировании Zero-shot техник у студентов без предшествующей технической подготовки (90–95% на начальном этапе). После ознакомления с базовыми техниками доля студентов, применивших структурированные подходы (CoT и Role-Playing), значительно возросла, что свидетельствует об эффективности предложенной шестиэтапной методики.

Обращает на себя внимание различие в результатах между студентами специальностей «Педиатрия» и «Лечебное дело». Обучающиеся по специальности «Лечебное дело» продемонстрировали более высокую долю использования сложных техник (CoT и Role-Playing) на заключительном этапе. Это может быть связано с различиями в учебных программах, исходным уровнем клинической подготовки или уровнем логического и критического мышления при работе с ИИ, что требует дополнительного изучения.

Вместе с тем, результаты показывают, что даже после обучения часть студентов продолжает использовать Zero-shot техники, что указывает на необходимость не только ознакомления с шаблонами, но и целенаправленного развития критического мышления, реализованного на этапе сопоставительного анализа. Данный вывод согласуется с работами, подчеркивающими важность метакогнитивных навыков при работе с ИИ [2].

Ограничения исследования связаны с использованием только текстовых генеративных моделей (класс LLM) и не распространяется на системы анализа медицинских изображений (компьютерное зрение). Кроме того, результаты зависят от конкретной версии языковой модели, что требует регулярной актуализации учебных материалов.

Выводы:

1. Применение Zero-shot техник при формулировании диагностических запросов к генеративным нейросетям сопряжено с высоким риском пропуска жизнеугрожающих состояний вследствие отсутствия специфичности ответов.
2. Наиболее эффективной стратегией взаимодействия с ИИ в клиническом контексте является комбинация техник Role-Playing и Chain-of-Thought, позволяющая моделировать экспертный уровень рассуждений и последовательно проверять каждый этап логического вывода.
3. Разработанная методика обучения показывает, что за 4 академических часа возможно сформировать у студентов базовый уровень компетенции в области промпт-инжиниринга, достаточный для безопасного использования ИИ в учебных и ограниченных клинических целях.
4. Использование студентами сложных техник промптинга на этапе освоения  промпт-инжиниринга не всегда означает глубокое понимание логики ИИ, что требует дальнейшего развития метакогнитивных навыков.
5. Овладение техниками конструирования запросов является не только индивидуальной задачей пользователя, но и системной проблемой современного медицинского образования, требующей включения соответствующих модулей в учебные программы.

1. Бихатова Э.Т., Иванчук О.В., Плащевая Е.В., Мералиева Э.Я. Методика обучения будущих врачей основам искусственного интеллекта // Мир науки. Педагогика и психология: научный журнал. 2025. № 2. С. 2-3. Режим доступа: https://www.elibrary.ru/item.asp?id=82645530 (Дата обращения: 20.06.2026)
2. Давлатова М.А., Сперанская М.В. Промпт-инжиниринг как ключевая компетенция в образовании: сущность, особенности и подходы к оцениванию // Высшее образование в России: научный журнал. 2025. № 2. С. 63–64. Режим доступа: https://www.elibrary.ru/item.asp?id=89072366 (Дата обращения: 25.06.2026)
3. Орлова М.Г Основы взаимодействия с LLM // Информационные технологии. Проблемы и решения: научный журнал. 2025. № 3(32). С. 9-15. Режим доступа: https://www.elibrary.ru/item.asp?id=86814994 (Дата обращения: 20.06.2026)
4. Шадрина И.А., Колмогорова Д.Е., Назимок А.М. Python как инструмент развития интеллектуальных способностей студентов-медиков // Мир педагогики и психологии: международный научно-практический журнал. 2025. № 06 (107). С. 345-346. Режим доступа: https://scipress.ru/pedagogy/articles/python-kak-instrument-razvitiya-intellektualnykh-sposobnostej-studentov-medikov.html (Дата обращения: 20.06.2026)

Список источников
5. Указ Президента Российской Федерации от 10.10.2019 г. № 490 "О развитии искусственного интеллекта в Российской Федерации". - URL: http://www.kremlin.ru/acts/bank/44731 (дата обращения: 10.06.2026).