Промпт-инжиниринг как ключевая компетенция в образовании: сущность, особенности и подходы к оцениванию

   В условиях активного развития генеративного искусственного интеллекта (ГенИИ) промпт-инжиниринг становится ключевой компетенцией для эффективного взаимодействия с большими языковыми моделями в образовательном контексте. Однако отсутствие единого понимания сущности, структуры и инструментов оценивания этой компетенции затрудняет его интеграцию в образовательный процесс.

   Цель исследования заключается в том, чтобы систематизировать знания о промпт-инжиниринге как о ключевой компетенции в образовании, определить его особенности и подходы к оцениванию.

   В работе проведён скопинговый обзор (scoping review) более 60 источников, включая рецензируемые научные статьи, материалы международных конференций, документацию технологических компаний и т. д. Поиск осуществлялся в базах данных Google Scholar, ERIC, КиберЛенинка и др. за период 2020–2025 гг. В результате исследования было выявлено, что промпт-инжиниринг является междисциплинарной компетенцией, интегрирующей знания, умения и установки для эффективного взаимодействия с ГенИИ. В работе описаны техники промпт-инжиниринга (Zero-shot, few-shot, Chain-of-Thought, Tree-of-Thought, ReAct, Self-Consistency и др.) и систематизированы по двум осям: по уровню предварительной информации и по способу логического построения промпта. Проанализирована эволюция промпт-инжиниринга на основе зарубежных и российских исследований и практик. Предложена операциональная модель компетенции, основанная на таксономии Блума – Андерсона, с разбивкой по шести когнитивным уровням (запоминание, понимание, применение, анализ, оценка и создание) и трём измерениям (знания, умения, установки).

1. Сысоев П.В. Компетенция современного педагога в области искусственного интеллекта: структура и содержание // Высшее образование в России. – 2025. – Т. 34, № 6. – С. 58–79. DOI: 10.31992/0869-3617-2025-34-6-58-79.

2. Federiakin D., Molerov D., Zlatkin-Troitschanskaia O., Maur A. Prompt engineering as a new 21^st century skill // Frontiers in Education. – 2024. – Vol. 9. – Article no. 1366434. – DOI: 10.3389/feduc.2024.1366434.

3. Chen E., Wang D., Xu L., Cao Ch., Fang X. et al. A systematic review on prompt engineering in large language models for K 12 STEM education // arXiv preprint arXiv: 2410.11123. – 2024. – DOI: 10.48550/arXiv.2410.11123.

4. Qian Y. Prompt engineering in education : A systematic review of approaches and educational applications // Journal of Educational Computing Research. – 2025. – Vol. 63, no. 7-8. – P. 1782–1818. – DOI: 10.1177/07356331251365189.

5. Лукинский И.С., Горшенева И.А. Промпт-инжиниринг в образовательном процессе и научной деятельности, или К вопросу о необходимости обучения работе с искусственным интеллектом // Психология и педагогика служебной деятельности. – 2024. – № 4. – С. 148–154. – DOI: 10.24412/2658-638X-2024-4-148-154.

6. Vu A., Oppenlaender J. Prompt Engineer: Analyzing Skill Requirements in the AI Job Market // arXiv preprint arXiv: 2506.00058. – 2025. – DOI: 10.48550/arXiv.2506.00058.

7. Arksey H., O’malley L. Scoping studies: towards a methodological framework // International journal of social research methodology. – 2005. – Vol. 8, no. 1. – P. 19-32. DOI: 10.1080/1364557032000119616

8. Tricco A.C., Lillie E., Zarin W., O’Brien K.K., Colquhoun H. et al. PRISMA extension for scoping reviews (PRISMA ScR): checklist and explanation // Annals of Internal Medicine. – 2018. – Vol. 169‚ no. 7. – P. 467–473. – DOI: 10.7326/M18-0850.

9. Geroimenko V. Key Concepts in Prompt Engineering // The Essential Guide to Prompt Engineering: Key Principles, Techniques, Challenges, and Security Risks. – Cham : Springer Nature Switzerland, 2025. – P. 1–16. – DOI: 10.1007/978-3-031-86206-9_1.

10. Cain W. Prompting change: Exploring prompt engineering in large language model AI and its potential to transform education // Tech-Trends. – 2024. – Vol. 68, no. 1. – P. 47–57. – DOI: 10.1007/s11528-023-00896-0.

11. Шнайдер П.А., Чернышева А.В., Никифоров А.Д., Говоров А.И., Хлопотов М.В. Исследование эффективности промпт-инжиниринга и квантованных LLM в создании структуры академических курсов // Компьютерные инструменты в образовании. – 2024. – № 1. – С. 32–44. – DOI: 10.32603/2071-2340-2024-1-32-44.

12. Schulhoff S., Ilie M., Balepur N., Kahadze K., Liu A. et al. The prompt report: a systematic survey of prompt engineering techniques // arXiv preprint arXiv: 2406.06608. – 2024. – DOI: 10.48550/arXiv.2406.06608.

13. Giray L. Prompt engineering with ChatGPT: A guide for academic writers // Annals of Biomedical Engineering. – 2023. – Vol. 51, no. 12. – P. 2629–2633. – DOI: 10.1007/s10439-023-03272-4.

14. Hatch S.G., Goodman Z.T., Vowels L., Hatch H.D. Brown A.L. et al. When ELIZA meets therapists: A Turing test for the heart and mind // PLOS Mental Health. – 2025. – Vol. 2, no. 2. – Article no. e0000145. – DOI: 10.1371/journal.pmen.0000145.

15. Chen B., Zhang Zh., Langrenй N., Zhu Sh. Unleashing the potential of prompt engineering for large language models // Patterns. – 2025. – Vol. 6, no. 6. – Article no. 101260. – DOI: 10.1016/j.patter.2025.101260.

16. Reynolds L., McDonell K. Prompt programming for large language models: Beyond the few shot paradigm // Extended abstracts of the 2021 CHI conference on human factors in computing systems (CHI EA ‘21). – 2021. – Article no. 314. – P. 1–7. – DOI: 10.1145/3411763.3451760.

17. Ковалевский А.В. Модель коммуникации с искусственным интеллектом ДРУГ как методологический подход к составлению и оценке промптов // Научные и технические библиотеки. – 2025. – № 7. – С. 142–163. – DOI: 10.33186/1027-3689-2025-7-142-163.

18. Li X. L., Liang P. Prefix-tuning: Optimizing continuous prompts for generation // arXiv preprint arXiv: 2101.00190. – 2021. – DOI: 10.48550/arXiv.2101.00190.

19. Yao S., Zhao J., Yu D., Du N., Shafran I. et al. ReAct: Synergizing reasoning and acting in language models // arXiv. – 2022. – DOI: 10.48550/arXiv.2210.03629.

20. Sahoo P., Singh A.K., Saha S., Jain V., Mondal S. et al. A systematic survey of prompt engineering in large language models: Techniques and applications // arXiv preprint arXiv: 2402.07927. – 2024. – DOI: 10.48550/arXiv.2402.07927.

21. Wang X., Wei J., Schuurmans D., Le Q., Chi E., Narang S. et al. Self Consistency Improves Chain of Thought Reasoning in Language Models // arXiv. –2022. – DOI: 10.48550/arXiv.2203.11171.

22. Yao S., Yu D., Zhao J., Shafran I., Griffiths T.L. et al. Tree of Thoughts: Deliberate problem solving with large language models // arXiv. –2023. – DOI: 10.48550/arXiv.2305.10601.

23. Lo L.S. The CLEAR path: A framework for enhancing information literacy through prompt engineering // The Journal of Academic Librarianship. – 2023. – Vol. 49, no. 4. – Article no. 102720. – DOI: 10.1016/j.acalib.2023.102720.

24. Knoth N., Tolzin A., Janson A., Leimeister J.M. AI literacy and its implications for prompt engineering strategies // Computers and Education: Artificial Intelligence. – 2024. – Vol. 6. – Article no. 100225. – DOI: 10.1016/j.caeai.2024.100225.

25. Chiu T.K.F., Ahmad Z., Ismailov M., Sanusi I.T. What are artificial intelligence literacy and competency? A comprehensive framework to support them // Computers and Education Open. – 2024. – Vol. 6. – Article no. 100171. – DOI: 10.1016/j.caeo.2024.100171.

26. Yaacoub A., Assaghir Z., Da-Rugna J. Light-weight Prompt Engineering for Cognitive Alignment in Educational AI: A OneClickQuiz Case Study // arXiv preprint arXiv: 2510.03374. – 2025. – DOI: 10.48550/arXiv.2510.03374.

27. Long D., Magerko B. What is AI literacy? Competencies and design considerations // Proceedings of the 2020 CHI conference on human factors in computing systems. – 2020. – P. 1–16. – DOI: 10.1145/3313831.33767.

28. Cukurova M., et al. AI competency framework for teachers. – UNESCO Publishing, 2024. – 52 p. – DOI: 10.54675/ZJTE2084.

29. Mills K. et al. AI Literacy: A Framework to Understand, Evaluate, and Use Emerging Technology. Digital Promise, 2024. – DOI: 10.51388/20.500.12265/218.

30. Gibreel O., Arpaci I. Development and validation of the prompt engineering competence scale (PECS) //Information Development. – 2025. – DOI: 10.1177/02666669251336455.