Эффективный промпт-инжиниринг при обращении за психологической поддержкой к искусственному интеллекту

Фрейманис И.Ф., Шляпов И.В. Эффективный промпт-инжиниринг при обращении за психологической поддержкой к искусственному интеллекту // Вестник Пермского университета. Философия. Психология. Социология. 2026. Вып. 3. С. 419–430. EDN: NNLCJE

Received: 05.06.2026                                          Accepted: 07.07.2026

Эпоха стремительного технологического развития сопровождается тотальной цифровизацией всех сфер человеческого бытия, затрагивая телесность, коммуникацию и социальные практики [Комаров С.В., Внутских А.Ю., 2025].

Повсеместно внедряются новые цифровые технологии, такие как мобильная и визуальная связь, робототехника и искусственный интеллект (ИИ). Цель этих цифровых решений — улучшение качества жизни людей.

Вместе с этим актуализируется формирование новых исследовательских областей, таких как цифровая феноменология, онтология, психология, социология и аксиология. В этих условиях ключевым становится освоение навыков взаимодействия с цифровой инфраструктурой и языком интеллектуальных систем. Цифровое общество нуждается в разработке новых инструментов для эффективного взаимодействия с цифровыми средами и искусственным интеллектом [Комаров С.В., Внутских А.Ю., 2025].

Прикладная психология не остается в стороне от этого процесса. Интеграция цифровых технологий в психологическую практику по- степенно расширяется, предлагая новые возможности для диагностики, мониторинга и сопровождения. Особое место здесь занимает ИИ, в том числе большие языковые модели (Large Language Models, LLM) — тип ИИ, обученный на огромных массивах текстовых данных и способный генерировать, понимать и предсказывать естественный язык, имитируя человеческую коммуникацию [Ушаков Д.В., 2023]. Масштаб таких моделей (миллиарды параметров) позволяет им обрабатывать сложные языковые конструкции. Модели LLM демонстрируют элементы когнитивной эмпатии, распознавая эмоции и оказывая эмоционально поддерживающую помощь в различных контекстах. Поскольку социальные навыки являются неотъемлемой частью интеллекта, эти достижения приближают модели LLM к человекоподобному взаимодействию и расширяют их потенциальное применение в приложениях, требующих эмоционального интеллекта [Sorin V. et al., 2024]. Наиболее известными примерами являются ChatGPT, Gemini, DeepSeek, а также отечественные разработки GigaChat, Алиса и т. д.

Активное использование LLM в сфере психологической помощи обусловлено их уникальными характеристиками: круглосуточной доступностью, мгновенной отзывчивостью и отсутствием осуждения, что особенно важно в ситуации переживания психоэмоционального напряжения [Banerjee S. et al., 2024]. Все чаще пользователи обращаются к ИИ-системам за первичной помощью в совладании со стрессом, тревогой и другими трудностями [Ray A. et al., 2022].

Однако формирующаяся реальность порождает и новые вызовы. Одним из ключевых навыков становится умение точно формулировать запросы (промпты) при обращении к LLM. Промпт представляет собой формализованный набор инструкций, определяющий содержание, качество и релевантность ответа ИИ [Алексеева Л.Г., Алексеев П.С., 2024].

Задача конструирования эффективных промптов оказывается на пересечении двух актуальных тенденций — растущей потребности в психологической поддержке и стремительного внедрения ИИ-технологий, требующего от пользователя новой цифровой компетентности [Фрейманис И.Ф., Шляпов И.В., 2025].

В ситуации обращения за психологической помощью возникает противоречие. Состояния эмоциональной нестабильности, повышенной тревожности или когнитивной перегрузки (именно те ситуации, которые чаще всего становятся поводом для обращения за помощью) одновременно снижают способность пользователя к ясной, структурированной коммуникации. Таким образом, человек, остро нуждающийся в поддержке, в силу своего психологического состояния не может сформулировать точный запрос, что с высокой вероятностью приводит к получению нерелевантного, поверхностного или даже потенциально вредного ответа со стороны систем ИИ. Иными словами, проблема формулирования промпта заключается в том, что эффективность взаимодействия с ИИ критически зависит от способности пользователя точно и содержательно выразить свой запрос, а эта способность минимальна именно в момент острого стрессового состояния [Olla P. et al., 2024].

В контексте психологической помощи промпт из чисто технической инструкции превращается в терапевтическую коммуникации, становясь цифровым аналогом первоначального обращения клиента к специалисту. Это актуализирует формирование нового навыка, промпт-инжиниринга (промптинга), понимаемого как способность точно формулировать запросы к ИИ для эффективного решения сложных задач [Mesco B., 2023]. Промпт-инжиниринг не только позволяет задавать роли и контекст для модели, но и частично компенсирует необходимость ее ресурсоемкого дообучения, делая LLM универсальным и экономически эффективным инструментом для прикладных областей, включая психологическую помощь [Priyadarshana et al., 2024].

Однако подавляющее большинство существующих решений на основе LLM недостаточно устойчивы к вариативности формулировок пользовательских запросов, что требует дальнейшей типологизации промптов и изучения их лингвистических особенностей. Это обусловливает насущную необходимость в глубоком изучении лингвистических и струк- турных особенностей промптов, используемых при обращении за психологической помощью, что и является целью настоящего исследования.

Обзор исследований

Анализируя современные исследования, необходимо рассмотреть ключевые работы, посвященные составлению промптов при обращении за психологической помощью к ИИ.

Проблема применения больших языковых моделей (LLM) для психологической помощи в последние годы становится предметом активных дискуссий. Исследователи ставят непростой вопрос: «Можно ли всерьез использовать LLM для психологической помощи?»

В научной литературе выделяется несколько аспектов данной проблемы. Во-первых, восприятие пользователем эмпатичности и безопасности ответов ИИ [Lawrence et al., 2024]. Во-вторых, сравнительная эффективность ответов, генерируемых LLM и данных человеком-специалистом. Насколько ответы сопоставимы по качеству и терапевтической ценности [Brown et al., 2020]?

Одним из наиболее цитируемых исследований является работа Ayers J. и соавт. (2023). Исследователи провели сравнительный анализ ответов ChatGPT и врачей-практиков на реальные вопросы пациентов. Ответы LLM продемонстрировали статистически значимое превосходство по качеству и эмпатичности, по сравнению с короткими и формализированны-ми ответами врачей-терапевтов. Даная работа стала весомым аргументом в пользу пересмотра роли LLM в практической психологии. Диалоговые системы со встроенным LLM могут не только предоставлять точную информацию, но и играть значимую роль в психологической поддержке, демонстрируя высокий уровень имитируемой эмпатии. При этом авторы подчеркивают, что успешность диалога с LLM напрямую зависит от качества исходного промпта [Ayers J. et al., 2023].

Интерес представляет работа H. Aschbacher (2023), посвященная анализу механизмов генерации эмпатических ответов большими языковыми моделями (LLM). Исследователь протестировал несколько версий одного запроса, меняя его структурное оформле-422

ние и конкретность описания эмоционального состояния. Результаты продемонстрировали, что LLM (в частности, GPT-4) чаще генерируют эмпатичные и поддерживающие ответы в тех случаях, когда промпт содержит название чувств пользователя, например, «мне страшно», «я не знаю, что делать» и т. д. Напротив, нейтральные или абстрактные формулировки провоцировали генерацию более рациональных и эмоционально обедненных откликов. Полученные данные свидетельствуют о том, что LLM не распознают эмоции как таковые, а осуществляют вероятностный вывод на основе лингвистических маркеров. Таким образом, эффективность взаимодействия с LLM в рамках психологической помощи оказывается в значительной степени зависимой от способности пользователя вербально конструировать свой запрос [Aschbacher H., 2023].

Эксперимент Filienko и соавт. (2024) показал, что структура и ролевое задание в промпте критически влияют на качество отклика языковой модели в контексте психологической помощи. В рамках эксперимента исследователи протестировали четыре вида промптов к GPT-4: базовый (без указаний), промпт с ролевым заданием («Ты — психотерапевт»), структурированный промпт с этапами проблемноориентированной терапии (PST), а также их комбинацию. Наиболее терапевтически ценные и структурно выверенные ответы наблюдались при использовании структурированного промпта с ролевой установкой, где модель пошагово формировала отклик, от прояснения проблемы до предложения конкретных действий. Это подтверждает, что чем яснее структура обращения и чем точнее обозначена ролевая цель, тем выше шансы на получение релевантного, эмпатичного и практически полезного ответа. Эти выводы подтверждают необходимость продуманного промпт-дизайна при использовании LLM в обращениях за психологической помощью [Filienko et al., 2024].

В рамках обзора исследований, выполненного Sorin и соавт. (2024), было выявлено, что LLM (в частности ChatGPT-3.5) демонстрирует высокий уровень эмпатии, по мнению пользователей.

Например, ChatGPT-3.5 оценивался по ответам на вопросы пользователей социальных сетей, ответы ChatGPT были предпочтительнее ответов людей в 78,6 % случаев. В других исследованиях ответы LLM получали субъективные оценки экспертов по шкале «эмпатия». В одном исследовании сообщалось о среднем балле 1,84–1,9 из возможных 2 баллов. В другом исследовании, оценивающем чат-боты на основе ChatGPT, сообщалось о средней оценке в 3,43 из возможных 4 баллов.

В другом исследовании оценивались ChatGPT и GPT-4 по вопросам мягких навыков в рамках Единого медицинского лицензионного экзамена США, где GPT-4 ответил правильно на 90 % вопросов. Были отмечены ограничения, включая повторяющееся использование эмпатических фраз, трудности с выполнением первоначальных инструкций, чрезмерно длинные ответы, чувствительность к подсказкам и в целом субъективные показатели оценки, зависящие от опыта оценщика.

Вместе с тем авторы отмечают существенные ограничения: склонность к шаблонному выражению эмпатии в ответах LLM, выраженную чувствительность к семантическим и синтаксическим особенностям промпта, зависимость ответа от структурно-лингвистических характеристик запроса (промпта) [Sorin V. et al., 2024].

В работе Wang S. с соавт. (2025) рассматривалось влияние формулировки промпта на эм-патичность и уместность ответов LLM. Авторы тестировали различные промпты, меняя их шаблоны (присвоение LLM роли психолога, включение описания эмоций, структура запроса), и фиксировали изменения ответов модели. Так, эмоционально нагруженные запросы, например, «я чувствую себя одиноко», «мне страшно», приводили к более эмпатичным и развернутым ответам модели, чем нейтральные промпты. Результаты исследования показывают, что качество ответа LLM во многом зависит от лингвистических особенностей промпта, что, в свою очередь, подчеркивает значимость промпт-инжиниринга [Wang S. et al.,2025].

Также в работе Wang S. с соавт. (2025) говорится о том, что одного только качественного пропмта может быть недостаточно. Рекоменду- ется гибридный подход, совмещающий эффективный промпт и донастройку (fine-tuning) модели для нужд эмпатической поддержки. Finetuning — это процесс дополнительного обучения уже готовой языковой LLM-модели на специализированных данных, чтобы адаптировать ее под конкретную задачу. Результаты показали, что сочетание этих двух техник – хороший промпт и дообучение — позволяет достичь наилучших результатов в диалогах, направленных на эмпатическую поддержку пользователя [Wang S. et al.,2025]. Таким образом, при создании LLM-моделей, адаптированных для оказания психологической помощи, необходим комплексный подход при совместном участии разработчиков и психологов.

Данные результаты обусловливают необходимость дальнейшего изучения лингвистических и структурных особенностей эффективных промптов, используемых для обращения за психологической помощью.

Вышеперечисленные исследования подтверждают возрастающий интерес к использованию LLM к задачам психологической помощи. Пользователи могут воспринимать ответы LLM как более эмпатичные и структурированные по сравнению с ответами людей-специалистов. Но при этом остаются вопросы надежности и безопасности.

Рассмотренные нами исследования демонстрируют, что грамотно сконструированные промпты могут повышать эффективность ответов LLM при обращении пользователей за психологической помощью.

Особую эффективность демонстрируют ролевые промпты (LLM присваивается роль психолога) и эмоциональные промпты, содержащие описание психологического состояния пользователей и четкий контекст ситуации.

Однако существующие исследования чаще носят обзорный или методологический характер и только начинают формировать эмпирическую базу. Наименее изученным аспектом взаимодействия с ИИ остается лингвистическая структура промпта, являющаяся ключевым предиктором качества ответа. Наше исследование направлено на устранение этого пробела. В настоящем исследовании ставится задача изучить опосредующую роль формулировки промпта во взаимодействии «человек — ИИ» в рамках психологической помощи. Основной фокус направлен на анализ того, каким образом лингвистические особенности запроса детерминируют релевантность, эмпатичность и практическую полезность ответа языковой модели, влияют на субъективную оценку пользователем полученной помощи и последующее эмоциональное состояние.

Исследование

Исследование проходило в марте 2025 года. Группа студентов, будущих психологов, получила задание обратиться к ИИ за психологической поддержкой и впоследствии оценить субъективную полезность ответов LLM. Обращаться рекомендовалось к моделям общефункционального назначения: ChatGPT, Алиса, Giga-Chat, DeepSeek.

В качестве объекта исследования мы рассматриваем практики взаимодействия пользователей с LLM-моделями в контексте получения психологической поддержки. В фокусе внимания находятся реальные кейсы использования LLM студентами для самопомощи при эмоциональных, экзистенциальных и тревожных состояниях.

Предметом исследования являются формулировки пользовательских промптов, направленных на получение психологической помощи от языковых моделей, включая их структуру, цель, контекст и типологические особенности.

Исследование выполнено в рамках качественного подхода. Основными методами обработки данных выступили контент-анализ текстов промптов и соотнесение их с субъективной пользовательской оценкой ответов LLM.

Исследовательскую базу составили 52 анонимизированных отчета в свободной форме, подготовленных студентами, о взаимодействии с LLM в ситуациях, связанных с запросами на психологическую поддержку.

Отчеты рекомендовалось заполнять по следующей структуре:

– укажите конкретную ИИ-модель, к которой вы обратились;

– сформулируйте промпт для обращения к ИИ-модели, поставьте перед моделью задачу для работы в качестве психолога;

– оцените работу ИИ-модели в качестве психолога от 1 до 5 баллов, где 1 — плохо, 5 — отлично, ответ обоснуйте;

– оцените эффективность помощи предложенной ИИ (опишите, как поменялось ваше эмоциональное состояние, какие выводы сделаны).

Таким образом, пользователи описывали свои запросы к ИИ (промпт), реакцию модели и собственное восприятие отклика, а также оценивали помощь в интервальной шкале от 1 до 5.

Процедура исследования включала несколько этапов.

На первом этапе, для обеспечения сопоставимости данных, исследовательская группа структурировала отчеты по единому шаблону. Вмешательство касалось только формата представления информации. Содержание запросов (промпты), ответов LLM и пользовательских реакций сохранялось без изменений. Такой формат позволил привести данные к обрабатываемому виду без искажения смысла. В результате данные были сведены в единую таблицу: модель LLM, промпт, ответ LLM, пользовательская оценка по шкале от 1 до 5, текстовой самоотчет об эмоциональном состоянии и полезности. Субъективная оценка ответов LLM после обращения за психологической помощью фиксировалась в отчетах как в описательной, так и в шкальной форме. Эти данные в дальнейшем использовались для проверки выводов о связи между типом промпта и эффективностью ответов LLM.

На втором этапе была проведена независимая категоризация всех (52) промптов. Использовалось открытое, тематическое кодирование, основанное на заранее сформулированных признаках (таблица 1). Под кодированием мы понимаем процесс присвоения качественным данным категориальных признаков. Кодирование проводилось вручную, двумя экспертами с психологическим образованием. Расхождения в кодировке (менее 7 % случаев) разрешались через дискуссию.

Признак	Тип данных	Примеры значений / уровней
Тип промпта	Категориальный	Тревожный, экзистенциальный, информационный, запрос помощи, расплывчатый
Наличие роли	Бинарный	Да / Нет например: «Ты — психолог»)
Формулировка цели	Категориальный	Прямая / Не указана / Имплицитная
Степень конкретности	Шкала 1–3)	1 – очень конкретный, 2 – средний, 3 – абстрактный
Тональность запроса	Категориальный	Нейтральная / Тревожная / Безнадежная / Активная
Эмоциональные маркеры	Текст / Список	«усталость», «паника», «одиночество» и т. д.
Структура	Категориальный	Вопрос / Утверждение / Ролевая инструкция
Ожидаемое действие от ИИ	Категориальный	Поддержка / Диагностика / Утешение / Решение проблемы
Субъективный результат	Шкала 1–5) и текст	По шкале: помогло – не помогло / Описание изменений

Кодировочные признаки для анализа промпта Coding features for prompt analysis

На третьем этапе для каждой выделенной категории (например, ролевые промпты или без роли; конкретные или абстрактные) было подсчитано среднее арифметическое субъективных оценок пользователей (по шкале от 1 до 5). Эти количественные показатели использовались исключительно как дескриптивные (описательные) маркеры для выявления общих трендов в выборке. Статистическая проверка не проводилась, поскольку это не предусмотрено качественным дизайном исследования.

На четвертом этапе, с использованием языковой модели GPT-5, которая применялось в качестве вспомогательного аналитического инструмента для выявления закономерностей, проводилось сопоставление полученных средних балов с содержательным анализом текстов пользовательских отчетов по графе «об эмоциональном состоянии и полезности». Внимание уделялось тому, как различные форматы промпта соотносятся с характером полученного ответа LLM и субъективным пользовательским восприятием полезности этих ответов. Такой подход позволил нам зафиксировать не только характеристики ответов LLM, но и субъективную оценку его эффективности, значимости и эмоционального воздействия.

Конечной целью нашего исследования стало выявление значимых элементов промпта, способствующих получению содержательных, по- лезных и поддерживающих ответов от LLM, в ситуации обращения за психологической помощью. Финальная интерпретация данных выполнялась экспертной группой вручную на основе сопоставления результатов машинного анализа и собственных выводов. Данная методология позволила провести двойной анализ (автоматизированный и экспертный), а также обеспечить надежность и воспроизводимость результатов при дальнейшем расширении выборки.

В начале исследования ожидалось, что анализ пользовательских промптов позволит выявить устойчивые паттерны формулировок, способствующих получению более релевантных, поддерживающих и полезных ответов от LLM-моделей в психологически значимых ситуациях. Предполагалось, что наличие четкой роли (например, «Ты — психолог»), указание цели запроса и эмоциональная конкретизация состояния пользователя коррелируют с более высокой субъективной оценкой эффективности отклика. Кроме того, гипотетически, модели лучше справляются с конкретными и диагностически направленными запросами, чем с абстрактными и экзистенциальными. Также проверялось предположение, что промпты с тревожными маркерами вызывают адаптивную реакцию модели — либо через эмпатичный ответ, либо через мягкое перенаправление.

Результаты позволяют выделить признаки так называемого «эффективного промпта» в задачах цифровой самопомощи.

Обсуждение

В рамках настоящего исследования эмпирическим путем были идентифицированы ключевые лингвистические параметры текстовых запросов (промптов), детерминирующие субъективное восприятие полезности ответов искусственного интеллекта в сфере психологической помощи.

Анализ отчетов показал, что пользователи в целом склонны оценивать ответы ИИ как полезные (средний балл 3.77 из 5).

Также было установлено, что в выборке преобладали обращения, связанные с запросом о «помощи» (28 случаев), и запросы, отражающие «тревожное состояние» (12 случаев).

Качественный анализ эмоциональной составляющей показал высокую частоту упоминания негативных аффективных состояний, среди которых доминируют выгорание, стресс, усталость, страх и психоэмоциональное напряжение.

Результаты исследования свидетельствуют о существенном влиянии структурных и стилистических характеристик промпта на его эффективность. Прямое формулирование цели запроса ассоциировалось с более высокими оценками результата по сравнению с косвенными формулировками. Конкретные промпты продемонстрировали существенно более высокую эффективность, чем абстрактные.

Что касается стилистических особенностей, тревожная тональность сообщения показала несколько более высокий результат, чем нейтральная и активная, в то время как тональность безнадежности была наименее эффективной.

Назначение искусственному интеллекту роли эксперта-психолога не привело к приросту эффективности.

По результатам исследования можно сформулировать следующие выводы:

– субъективная оценка полезности ответов, сгенерированных большой языковой моделью (LLM), является высокой;

– ключевым фактором, детерминирующим качество ответа LLM, выступает четкая формулировка цели и достаточная конкретность запроса;

– назначение модели роли эксперта (посредством инструкции «Ты — психолог») не оказывает статистически значимого влияния на воспринимаемую полезность ее ответов;

– запросы, характеризующиеся тревожной тональностью, при условии их правильной структурной организации (четкость, конкретность), могут получать оценки выше среднего, в то же время тональность безнадежности является негативным фактором, значимо снижающим субъективную оценку полезности ответа.

Таким образом, можно вывести рекомендации к «идеальному промпту».

Роль (вторично): пример «Ты психолог-консультант по краткосрочной поддержке».

Цель (обязательно, явно): пример «Цель — понять причины моей реакции и получить краткий план на 3 шага».

Контекст (конкретно): пример «Ситуация (экзамен через 5 дней / конфликт с X / симптомы панические атаки 2 раза/нед.)».

Тон/ограничения: пример «Без диагнозов, без медицинских советов, этично, кратко, структурно».

Ожидаемое действие: пример «Сначала короткий рефрейм (1–2 предложения), затем 3 шага, затем вопросы для уточнения».

Пример на основе рекомендаций:

«Ты психолог-консультант по краткосрочной поддержке. Цель: понять, что усиливает мою тревогу, и получить 3 конкретных шага. Ситуация: через 5 дней экзамен, откладываю подготовку, пульс учащается по вечерам. Формат ответа: короткий рефрейм, 3 шага, 3 уточняющих вопроса. Без диагнозов и медицинских советов».

Выводы

Проведенное исследование позволило выявить ключевые факторы, влияющие на эффективность взаимодействия пользователей с крупными языковыми моделями (LLM) в контексте запросов, связанных с психологической помощью. Полученные результаты не только согласуются с существующими международными исследованиями в области промт-инжиниринга, но и конкретизируют применимость этих принципов в специфической области запросов о психологическом здоровье.

Практическая значимость работы заключается в разработке доказательных рекомендаций по конструированию эффективных промптов для психологической поддержки. Предложенная модель «идеального промпта», акцентирующая обязательность цели, конкретики контекста и желаемого формата ответа (при второстепенной ролевой инструкции), представляет собой готовый инструмент для обучения цифровой грамотности.

Таким образом, в рамках образовательных программ, направленных на развитие навыков взаимодействия с ИИ, целесообразно акцентировать обучение корректной постановке цели и детализации запроса, рассматривая ролевые инструкции в качестве вспомогательного, а не основного инструмента оптимизации.

Перспективы дальнейших исследований видятся в следующих направлениях: проверка выявленных закономерностей на более крупных и репрезентативных выборках; глубокий качественный анализ содержания ответов LLM на промпты разного типа для выявления не только субъективной оценки, но и объективных параметров качества (эмпатия, безопасность, практическая применимость); исследование эффективности комбинации ролевых инструкций с различными уровнями структурной детализации для разных типов запросов (кризисные, повседневные, информационные); разработка и валидация специализированных промпт-шаблонов и образовательных программ, направленных на развитие навыков безопасного и эффективного запроса психологической поддержки от ИИ.

Данное исследование вносит вклад в формирование доказательной базы для этичного и эффективного использования технологий ИИ в сфере психологического здоровья, подчеркивая критическую важность качества запроса пользователя как ключевого фактора успешного взаимодействия с системами ИИ.

Ограничения исследования

При интерпретации результатов настоящего исследования необходимо учитывать ряд ограничений.

Качественный дизайн и отсутствие статистического вывода. Исследование выполнено в рамках качественной парадигмы, поэтому все количественные показатели (средние оценки) носят исключительно описательный характер. Статистическая проверка гипотез и расчет критериев значимости не проводились, что не позволяет распространять выявленные тенденции на генеральную совокупность пользователей LLM. Полученные данные следует рассматривать как пилотажное исследование, требующее подтверждения на больших выборках с применением соответствующих статистических процедур.

Субъективность оценок. Все оценки эффективности ответов LLM основаны исключительно на самоотчетах студентов и их субъективном восприятии полезности. В исследовании не использовались объективные психофизиологические или поведенческие показатели, которые могли бы подтвердить реальное изменение эмоционального состояния. Самоотчеты могли быть подвержены влиянию социальной желательности, эффекта новизны (первый опыт общения с ИИ) или текущего настроения респондентов.

Ситуативный и временно́й контекст. Сбор данных проводился в марте 2025 года, и все взаимодействия с LLM были инициированы участниками в рамках учебного задания, а не в естественной жизненной ситуации острого психологического кризиса. Это могло повлиять на характер запросов и глубину вовлеченности респондентов, снижая валидность результатов. Кроме того, за прошедшее время алгоритмы и доступность моделей LLM могли измениться, что следует учитывать при сравнении с будущими исследованиями.

Ограниченный набор LLM-моделей. В работе использовались только общефункциональные модели (ChatGPT, Алиса, Giga-Chat, DeepSeek). Выводы не могут быть распространены на специализированные психотерапевтические чат-боты или модели с расширенными настройками эмпатии, а также на будущие версии тех же моделей.

Единая процедура сбора данных. Несмотря на предложенную структуру отчетов, студенты предоставляли информацию в свободной форме, что приводило к вариативности в детализации описаний. Хотя мы структурировали данные постфактум, возможны потери части значимой информации или искажения при интерпретации исследователями.