Лингвокогнитивный анализ пользовательских интенций в коммуникации с LLM (на основе таксономии Блума)
В статье представлены результаты автоматической классификации 999 естественных запросов пользователей к ИИ-ассистенту Google Bard с использованием локальной языковой модели в соответствии с пересмотренной таксономией Блума. Анализ охватывает два измерения: категории когнитивных процессов и уровни знаний. Цель исследования – определить когнитивные процессы и типы знаний, применяемых при формулировании запросов к генеративным ИИ-системам, а также оценить надежность применения пересмотренной таксономии Блума для автоматической классификации таких запросов. Для классификации использовалась локальная языковая модель GPT OSS. Модель возвращала три параметра: категорию когнитивного процесса, уровень знания и оценку уверенности. Результаты показывают доминирование низших когнитивных процессов: REMEMBER (39,5 %) и CREATE (21,8 %), тогда как ANALYZE составляет лишь 2,9 %. По уровням знаний преобладают запросы фактического (FACTUAL – 44,4 %) и процедурного (PROCEDURAL – 29,9 %) характера. Метакогнитивные запросы составляют лишь 1,7 % от общего числа, что свидетельствует о практически неразвитой нише взаимодействия «Человек–ИИ» в области рефлексии и самопознания. Проведенное исследование демонстрирует успешную применимость пересмотренной таксономии Блума для систематической классификации промптов к LLM, выявляя четкие закономерности: современный пользователь использует большие языковые модели как гибридный инструмент – одновременно как справочник для извлечения фактов и как процедурный генератор решений, но практически не задействует их для метакогнитивного анализа. Дополнительно полученные распределения когнитивных процессов и уровней знаний интерпретируются как эмпирическая модель типичных задач, решаемых пользователями при работе с языковыми моделями, что позволяет сформулировать требования к архитектуре и функционалу системы управления терминологией в условиях генеративного ИИ.
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
Дятлова, Е. Н. (2022), «Теоретическое обоснование и разработка уровней сформированности социально-гуманитарных знаний обучающихся общеобразовательной школы», Человек. Наука. Социум, 4-2, 8-32. EDN: RQELLZ
Dyatlova, E. N. (2022), “Theoretical justification and development of levels of attainment in social sciences and humanities knowledge among pupils in general education schools”, Human. Science. Socium, 4-2, 8-32 (in Russ.). EDN: RQELLZ
Коваленко, Е. С. и Кузуб, Н. М. (2020), «Использование таксономии Блума для повышения качества профессиональной подготовки студентов педагогического вуза», Казанский педагогический журнал, 1, 90-96. EDN: GYCAWX
Kovalenko, E. S. and Kuzub, N. M. (2020), “Using Bloom's Taxonomy to Improve the Quality of Professional Training of Pedagogical University Students”, Kazan Pedagogical Journal, 1, 90-96 (in Russ.). EDN: GYCAWX
Кораванец, Н. В. (2025), Потенциал аспектов таксономии Блума–Андерсона как ресурс преобразования образовательной деятельности каждого учителя и Гимназии в целом: методическое пособие, Красноярская Мариинская женская гимназия-интернат, Красноярск.
Koravanets, N. V. (2025), The Potential of Bloom-Anderson Taxonomy Aspects as a Resource for Transforming the Educational Activities of Each Teacher and the Grammar School as a Whole: A Methodological Manual, Krasnoyarsk Mariinsky Women's Boarding School, Krasnoyarsk
Anderson, L. W. and Krathwohl, D. R. (eds.) (2001), A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Longman, New York, USA.
Bootu, L., Mahato, A., Sriwastav, S. K., Miriyala, R. and Bali, D. (2025), “Automated analysis of exam questions based on Bloom's Taxonomy”, Proc. 2nd Int. Conf. on Intelligent Systems for Cybersecurity (ISCS), Gurugram, India, 1–5. DOI: 10.1109/ISCS69371.2025.11385935
Rivera-Reyes, P., Pérez, L. C. and Delahunty, T. (2018), “Assessing the demand of problems in an undergraduate electrical engineering course”, Proc. IEEE Frontiers in Education Conference (FIE), San Jose, CA, USA, 1–8. DOI: 10.1109/FIE.2018.8659058
Trippas, J. (2026), BIDD-1k: Bard Intelligence and Dialogue Dataset [Online], GitHub, available at: https://github.com/JTrippas/BIDD-1k (Accessed 17.01.2026).
Zhang, Y., Lin, Y., Khan, A. and Wan, H. (2025), “Large Language Model Prompt Datasets: An In-depth Analysis and Insights”, arXiv:2510.09316 [cs.LG] [Online], available at: https://arxiv.org/abs/2510.09316 (Accessed 17.01.2026).