Вы просите ChatGPT или Llama решить нестандартную задачу, а модель выдаёт банальный ответ? Возможно, проблема не в модели, а в том, как вы формулируете промпт. Исследователь из Турции предложил метод, который заставляет LLM переключаться между аналитическим и эмоциональным мышлением — и результаты впечатляют.
Distance-Engagement Oscillation (DEO) — это метод промптинга, основанный на теории перцептивного рефрейминга (Perceptual Reframing Theory, PRT). Рефрейминг — это способность посмотреть на проблему под другим углом, сменив «рамку» восприятия. DEO заставляет языковую модель чередовать два когнитивных режима: аналитическую дистанцию (анализ проблемы со стороны) и эмоциональное вовлечение (проживание проблемы изнутри). Автор метода — Гёкхан Гёкмен из Технического университета Бурсы.
Результаты эксперимента на трёх open-source LLM показали: DEO-промптинг повышает качество креативного мышления модели на 40–55% по сравнению с обычными промптами. Эффект подтверждён тремя независимыми оценщиками с размером эффекта Cohen's d от 1.29 до 1.63 («очень большой»).
Главное:
— DEO-промптинг улучшает креативное мышление LLM на 40–55% (Cohen's d = 1.29–1.63)
— Предсказанный порядок DEO > Distance > Engagement ≥ Vanilla подтвердился во всех 9 комбинациях модель×оценщик (p < .001)
— Метод работает без дообучения — только через структуру промпта
— Тестировалось на Llama 3.3 70B, Qwen3 32B и Llama 4 Scout
— Код и данные открыты на GitHub под лицензией CC BY 4.0
Как работает DEO-промптинг
В основе метода лежит Perceptual Reframing Theory (PRT) — теория, объединяющая исследования из области инсайтов, самодистанцирования, теории уровней конструирования и психотерапии. PRT описывает девять когнитивных путей, которыми люди переключают восприятие при решении творческих задач.
DEO использует четыре шага, чередуя аналитическую дистанцию и эмоциональное вовлечение:
- ANALYSE (дистанция) — модель анализирует проблему со стороны, выявляя скрытые допущения и рамки мышления
- FEEL (вовлечение) — модель «проживает» проблему, подключая эмпатию и эмоциональный контекст
- REFRAME (дистанция) — модель формулирует альтернативные интерпретации на основе обоих режимов
- ENVISION (вовлечение) — модель представляет конкретную реализацию нового решения
Ключевая идея: ни дистанция, ни вовлечение по отдельности не дают максимального эффекта. Именно чередование между ними создаёт качественный сдвиг в мышлении модели.
Дизайн эксперимента
Исследование включало два анализа с общим объёмом в 13 500 вызовов генерации:
Анализ 1: промпты с рефреймингом vs обычные промпты
- 50 оригинальных задач из 8 категорий когнитивных ловушек: якорение, ложная бинарность, функциональная фиксированность, фрейминговая ловушка, нарративный замок, нулевая сумма, эффект Эйнштеллунга, многоходовые задачи
- 3 open-source LLM: Llama 3.3 70B, Qwen3 32B, Llama 4 Scout 17B-16E
- 5 запусков на каждое условие (temperature 0.7) с усреднением
- 3 независимых оценщика: самооценка модели + Claude Sonnet 4 + GPT-4.1 (все слепые к условию)
- 5 критериев оценки: разнообразие фреймов, выявление допущений, новизна решения, ревизия предпосылок, корректность
Анализ 2: четыре условия DEO
Для 20 задач с чистыми путями дистанции сравнивались четыре условия:
- Vanilla — обычный промпт без дополнительной структуры
- Distance-only — только аналитическая дистанция
- Engagement-only — только эмоциональное вовлечение
- DEO — полная осцилляция между дистанцией и вовлечением
Результаты
Предсказанный теорией порядок DEO > Distance > Engagement ≥ Vanilla подтвердился во всех 9 комбинациях модель × оценщик (все Friedman p < .001).
Анализ 1: рефрейминг значимо лучше обычных промптов
Средние баллы по 5-балльной шкале рефрейминга:
- Llama 3.3 70B — vanilla: 2.84, рефрейминг: 3.99 (Δ = +1.15, d = 1.29)
- Qwen3 32B — vanilla: 2.86, рефрейминг: 4.00 (Δ = +1.14, d = 1.56)
- Llama 4 Scout — vanilla: 2.82, рефрейминг: 3.98 (Δ = +1.16, d = 1.42)
Все 9 пар модель × оценщик показали статистическую значимость на уровне p < .001. При этом корректность ответов не снизилась — напротив, также значимо выросла.
Анализ 2: осцилляция эффективнее любого режима по отдельности
Средние баллы по четырём условиям (оценщик OpenAI, Llama 3.3 70B):
- Vanilla: 2.37
- Engagement-only: 2.92
- Distance-only: 3.61
- DEO: 4.06
Дистанция значительно превосходит вовлечение во всех 9 случаях — это подтверждает гипотезу PRT о том, что увидеть фрейм мышления сложнее, чем прочувствовать проблему. DEO добавляет значимое улучшение поверх дистанции в 4 из 9 случаев (d = 0.40–1.06).
Какие задачи выигрывают больше всего
Максимальный эффект DEO наблюдается на задачах с нарративным замком (narrative lock-in) — когда модель застревает в одной истории или интерпретации. Здесь прирост достигает Δ = +2.14, d = 3.23. На втором месте — задачи с фрейминговой ловушкой и эффектом Эйнштеллунга (фиксация на привычном методе решения).
Девять путей рефрейминга PRT
Теория PRT выделяет девять когнитивных путей, которые используются как промпт-стратегии:
- Name the Frame — назвать скрытую рамку мышления (Δ до +1.60)
- Decompose to Generic — разложить задачу на абстрактные компоненты
- Distant Analogy — применить аналогию из другой области (Δ до +1.64)
- Incubate & Reset — сделать паузу и вернуться к задаче заново
- Invert — перевернуть задачу наоборот (Δ до +1.38)
- Premise Reflection — поставить под сомнение исходные предпосылки (Δ до +1.56)
- Surprise as Signal — использовать удивление как сигнал для рефрейминга (Δ до +1.87)
- Confidence Calibration — калибровать уверенность в ответе
- Step Outside — посмотреть на задачу глазами другого человека (Δ до +1.34)
Самые эффективные пути: Name the Frame, Distant Analogy и Surprise as Signal. Все три связаны с дистанцией — способностью модели "увидеть" рамку, в которой она мыслит.
Как попробовать DEO самому
Репозиторий включает slash-команду /reframe для Claude Code. Она применяет четырёхшаговую осцилляцию DEO к любой задаче:
Claude пройдёт четыре этапа — ANALYSE, FEEL, REFRAME, ENVISION — и выдаст рефреймированный ответ с альтернативными интерпретациями проблемы.
Для воспроизведения полного эксперимента:
Полный эксперимент (3 модели, 4 условия, 5 запусков, 3 оценщика) обходится примерно в $15–20.
FAQ
Что такое DEO-промптинг?
DEO (Distance-Engagement Oscillation) — это метод промптинга, в котором языковая модель чередует аналитический режим (дистанция) и эмоциональный режим (вовлечение). Такое чередование помогает модели выйти за рамки привычного мышления и находить более креативные решения. Метод основан на теории перцептивного рефрейминга (PRT) из когнитивной психологии.
На каких моделях работает DEO?
В исследовании метод тестировался на трёх open-source моделях: Llama 3.3 70B, Qwen3 32B и Llama 4 Scout 17B-16E. Эффект был стабильно значимым на всех трёх. Поскольку DEO работает на уровне промпта (zero-shot, без дообучения), он применим к любой LLM, способной следовать структурированным инструкциям.
Чем DEO отличается от Chain-of-Thought?
Chain-of-Thought заставляет модель рассуждать пошагово в одном когнитивном режиме. DEO добавляет переключение между режимами — от анализа к эмпатии и обратно. Это помогает модели не просто "думать дольше", а "думать иначе", выявляя скрытые предпосылки и рамки мышления, которые блокируют креативные решения.
Снижается ли корректность ответов при использовании DEO?
Нет. В эксперименте корректность ответов значимо выросла во всех 9 комбинациях модель × оценщик (p < .001). DEO не жертвует точностью ради креативности — оба показателя улучшаются одновременно.
Можно ли использовать DEO в продакшене?
Код и данные открыты под лицензией CC BY 4.0. Метод не требует дообучения или специальной инфраструктуры — достаточно модифицировать системный промпт. Четырёхшаговая структура ANALYSE–FEEL–REFRAME–ENVISION легко интегрируется в любой пайплайн.
Выводы
Аналитическая дистанция показывает модели, что рамка мышления существует. Эмоциональное вовлечение делает сдвиг восприятия устойчивым. Именно осцилляция между ними даёт максимальный эффект.
Исследование Гёкмена — первый эмпирический тест механизма DEO и одна из немногих работ, применяющих когнитивную психологию рефрейминга к промпт-инжинирингу. Результаты показывают, что структура промпта важнее, чем размер модели: правильно организованное чередование дистанции и вовлечения даёт стабильный и воспроизводимый прирост креативного мышления LLM.
Полный код эксперимента, 307 JSON-файлов с ответами моделей и статистический анализ доступны в репозитории на GitHub. Препринт статьи опубликован на Zenodo (DOI: 10.5281/zenodo.19252225).
Попробуйте DEO-промптинг на своих задачах — возможно, ваша LLM способна на большее, чем вы думаете.
