Промпт-гайд 📚 Гайды

7 промптов для научных исследований и обзора литературы

Готовые шаблоны для обзора литературы, разбора статьи, методологии, draft статьи, peer review, грантовой заявки и работы с большим корпусом текстов. Под Perplexity, Claude (длинный контекст), ChatGPT.

🎯 7 промптов

Учёный с ИИ — это про скорость, не про качество выводов. Литературный обзор, который занимал 2 недели — теперь занимает 2 дня. Разбор 50 статей на предмет паттернов — теперь полдня. Но финальные интерпретации, методологические решения, аргументация в discussion — это всё ещё ваша голова. ИИ — мощный ассистент, не соавтор.

Внутри — 7 шаблонов: систематический обзор литературы, deep-разбор отдельной статьи, дизайн методологии, черновик статьи, peer review, грантовая заявка, работа с корпусом текстов (qualitative analysis).

Этическое предупреждение: **большинство журналов требуют декларации использования ИИ**. Если статья написана с помощью LLM — это нужно указать (обычно в Acknowledgments или Methods). ИИ как соавтор не признаётся (Nature, Science, JAMA политика). ИИ как инструмент — да, обязательно с указанием. Скрытие использования — научная нечестность.

1

📚 Систематический обзор литературы

Помоги составить план систематического обзора по теме «[ТЕМА_ИССЛЕДОВАНИЯ]».

Контекст:
Дисциплина: [биомедицина / психология / образование / экономика / etc].
Цель обзора: [что хочу узнать / синтезировать].
Целевой результат: [статья-обзор / глава диссертации / собственное планирование исследования].
Период публикаций: [за какие годы].

Помоги собрать структуру:
1) Research Questions — 3–5 чётких вопросов, на которые обзор должен отвечать.
2) Поисковая стратегия:
   - Базы данных (PubMed / Scopus / Web of Science / Google Scholar).
   - Ключевые слова и их синонимы (с Boolean-операторами).
   - Inclusion criteria (что включаем).
   - Exclusion criteria (что отбрасываем).
3) Методология анализа:
   - Quality assessment (как оценивать качество исследований — PRISMA / GRADE / etc).
   - Data extraction (какие поля извлекать из каждой статьи).
   - Synthesis approach (narrative / meta-analysis).
4) Ожидаемые challenges:
   - Heterogeneity исследований.
   - Publication bias.
   - Risk of bias.
5) Шаблон для извлечения данных — таблица с колонками: автор, год, дизайн, выборка, методы, главные результаты, ограничения.

Не предлагай конкретные статьи — это я найду в БД сам. Нужна структура и методология.
Если поможешь по PRISMA — отметь, какие пункты flow diagram заполнить.
💡 Примечание

PRISMA (Preferred Reporting Items for Systematic Reviews) — стандарт для обзоров в биомедицине, без следования которому статью не примут в большинство журналов. Для других дисциплин есть свои стандарты (PICO, MOOSE, etc). Просьба прописать flow diagram — экономит день ручной работы и сразу даёт material для методологии в публикации.

2

🔬 Deep-разбор научной статьи

Разбери научную статью для критической оценки.

Статья:
```
[ВСТАВЬ_PDF_ИЛИ_ТЕКСТ]
```

Что хочу понять:
1) Главная гипотеза / research question.
2) Дизайн исследования — рандомизация, контроль, blinding (если применимо), размер выборки и его обоснование.
3) Методы — какие статистические тесты использованы, корректно ли (без p-hacking, multiple comparisons).
4) Результаты — что заявлено, соответствуют ли цифры в тексте таблицам и графикам.
5) Discussion — обоснованы ли выводы результатами или есть «прыжки»?
6) Ограничения — какие признаны автором, какие НЕ признаны (но они есть).
7) Конфликты интересов — есть ли финансирование, которое могло повлиять.

Формат вывода:
По каждому из 7 пунктов — короткий вердикт (strong / acceptable / weak / concerning) и пояснение.
В конце — общая оценка статьи и ответ на вопрос: «Применимы ли результаты к моей ситуации [укажи контекст]?».

Не верь автору на слово — проверь логику. Если что-то непонятно или подозрительно — отметь.
Не выдумывай критику — если статья хорошая, так и скажи.
💡 Примечание

Раздел «ограничения, не признанные автором» — самый ценный в критическом разборе. Большинство статей честно перечисляют 1-2 ограничения, но избегают неудобных (маленькая выборка для громких выводов, удобный выбор подгрупп, selective outcome reporting). Свежий взгляд ИИ хорошо ловит эти пропуски, что критично для peer review и для решения «применимо ли это к моей практике».

3

🧪 Дизайн методологии исследования

Помоги спроектировать методологию эмпирического исследования.

Research question: [конкретно].
Дисциплина: [psychology / education / marketing / etc].
Гипотеза (если есть): [конкретно].
Тип исследования желаемый: [экспериментальный / quasi-экспериментальный / observational / qualitative].
Доступные ресурсы: [бюджет, время, доступ к участникам].

Что нужно проработать:
1) Дизайн исследования — best fit под research question и доступные ресурсы.
2) Выборка:
   - Целевая популяция.
   - Метод набора (random / convenience / stratified).
   - Размер выборки с power analysis (для каких эффектов достаточно).
3) Переменные:
   - Независимые (manipulated / measured).
   - Зависимые (operationalization).
   - Контрольные.
4) Инструменты:
   - Валидированные шкалы (если есть, со ссылкой на reliability).
   - Если нужны новые — обоснование пилотажа.
5) Процедура — пошагово, что делает участник в эксперименте.
6) Этические соображения — что запросить у IRB / ethics board.
7) Анализ — какие тесты под какие гипотезы.

Альтернативные дизайны: предложи 1–2 альтернативы с trade-off (точность vs ресурсы / internal validity vs external validity).

Если research question неясный или не falsifiable — скажи прямо. Лучше переформулировать сейчас.
💡 Примечание

Power analysis — критичный пункт, который часто пропускается. Без обоснования размера выборки исследование рискует недостаточной мощностью (не найдёт эффект, даже если он есть) или избыточной (тратит ресурсы на лишних участников). Альтернативные дизайны — потому что «правильного» дизайна не существует, есть оптимальный под ограничения.

4

📝 Draft научной статьи

Помоги собрать черновик научной статьи на основе результатов исследования.

Тема: [одна фраза].
Целевой журнал: [название + примерный impact / scope].
Тип статьи: [empirical research / review / methods paper / case report].

Главные результаты исследования:
[3–5 главных findings с цифрами].

Структура (IMRaD — Introduction, Methods, Results, Discussion):

Introduction (300–500 слов):
1) Контекст и значимость проблемы.
2) Что известно (краткий обзор литературы).
3) Gap — чего не хватает в понимании.
4) Цель и hypothesis.

Methods (400–600 слов):
Дизайн / выборка / процедура / анализ — кратко, но достаточно для replication.

Results (400–800 слов):
Только цифры, без интерпретации. Таблицы и графики referenced.

Discussion (500–800 слов):
1) Главные findings и их значение.
2) Соотношение с предыдущими работами.
3) Mechanisms / возможные объяснения.
4) Ограничения исследования.
5) Implications для практики и будущих исследований.
6) Conclusion (1 параграф).

Принципы:
Объём по разделам — гайдлайн журнала.
Цитирования — указывай где нужно (но конкретные ссылки я добавлю сам — не выдумывай).
Нейтральный академический тон — без «потрясающих результатов» и «революционных находок».
Ограничения — обязательно и честно. Это принципиально для научной репутации.

Не выдумывай результаты, ссылки, цифры. Используй только то, что я предоставил.
💡 Примечание

Запрет «не выдумывай ссылки» — критично. LLM любят генерировать правдоподобные цитирования, которых не существует ('Smith et al., 2021' — статьи нет). Это серьёзная репутационная проблема в академии. Пометить «здесь нужна ссылка» лучше, чем выдумать.

5

👁️ Peer review статьи

Сделай draft peer review для журнала [название].

Статья на ревью:
```
[ВСТАВЬ_СТАТЬЮ]
```

Цель моего ревью: [accept / minor revision / major revision / reject — но я приму решение сам после анализа].

Структура peer review:

1) Summary (для редактора, 100–200 слов): о чём статья, главные выводы, моё общее впечатление.

2) Major comments (нумерованный список):
   - Принципиальные вопросы по методологии.
   - Проблемы с интерпретацией результатов.
   - Нерешённые ключевые вопросы.
   - Серьёзные ограничения, которые нужно обсудить.
Каждый пункт — конкретный, с указанием на страницу/строку.

3) Minor comments:
   - Опечатки, грамматика.
   - Уточнения формулировок.
   - Дополнительные ссылки, которые желательны.
   - Улучшения структуры или ясности изложения.

4) Constructive feedback:
   - Что хорошо в статье (ОБЯЗАТЕЛЬНО — это часть научной этики).
   - Что можно улучшить — конкретные предложения, не общие.

Принципы peer review:
Конструктивно, не унижающе.
Конкретно, не «нужно переписать».
По сути, не по стилю (если только стиль не мешает пониманию).
Объективно — оценивай по научным критериям, не по личной симпатии к подходу.
Если статья за пределами твоей экспертизы — скажи редактору, не пытайся «как-то».

Запрет: личные нападки, сарказм, требование цитирования собственных работ автора (это unethical), эссе про «как нужно было делать» вместо конкретных правок.
💡 Примечание

Раздел «что хорошо» — научная этика, которую часто игнорируют ревьюеры. Critique без признания сильных сторон — это не peer review, это разнос. Авторы статьи должны видеть, что вы внимательно прочитали и что-то отметили положительно, иначе они не доверят вашей critique. Запрет на требование цитировать собственные работы — это форма академического саморекламирования, недопустимая по этике COPE.

6

💰 Грантовая заявка

Помоги собрать структуру грантовой заявки.

Грант: [название фонда + программа].
Объём финансирования: [сумма].
Срок проекта: [месяцев].
Тематика моего исследования: [конкретно].
Команда: [кто и что делает].

Главные критерии оценки заявки (если знаешь специфику фонда — учти):
Научная новизна.
Релевантность приоритетам фонда.
Реалистичность плана.
Квалификация команды.
Impact и распространение результатов.

Структура заявки:

1) Аннотация (1 страница) — проблема, цель, методы, ожидаемые результаты, impact.
2) Background и обоснование:
   - State of the art в этой области.
   - Гэп, который заполнит проект.
   - Почему именно сейчас (timing).
3) Цели и задачи:
   - Главная цель (одна).
   - Конкретные задачи (3–5).
   - Measurable outcomes.
4) Методы и план работ:
   - Подробное описание методологии.
   - Timeline по месяцам (Gantt chart).
   - Milestones и deliverables.
5) Ожидаемые результаты и impact:
   - Научный impact (публикации, конференции).
   - Практический impact (для society / industry).
   - Долгосрочные перспективы.
6) Команда:
   - Главный исследователь (зачем именно я).
   - Соисполнители и их роли.
   - Институциональная база.
7) Бюджет и его обоснование:
   - Зарплаты, оборудование, расходники, поездки.
   - Каждая статья оправдана пользой проекта.

Принципы:
Конкретность важнее «масштабности».
Результаты — measurable, не «улучшим понимание».
Реалистичный timeline (с запасом 20% на непредвиденное).
Бюджет — обоснован, не максимизирован.

Запрет: «революционные», «переворачивающие», «впервые в истории» — фонды это видят как amateurism, экспертиза оценивается по конкретике.
💡 Примечание

Чёрный список «революционных» и подобных слов — потому что опытные эксперты в фондах автоматически понижают балл за такой язык. Серьёзные заявки пишутся скромно: «improve understanding», «extend prior work», «address limitations of existing approaches». Громкие слова — сигнал, что заявитель не понимает state of the art.

7

🔍 Qualitative analysis корпуса текстов

Помоги проанализировать корпус качественных данных (интервью / ответы из опроса / тексты).

Контекст:
Тип данных: [интервью / focus groups / open-ended responses / social media posts].
Объём: [число случаев / примерное количество слов].
Research question: [конкретно].
Подход к анализу: [thematic analysis / grounded theory / discourse analysis / content analysis].

Корпус:
```
[ВСТАВЬ_ДАННЫЕ_ИЛИ_СЭМПЛ]
```

Этапы анализа:

1) Initial coding:
   - Прочитай весь корпус.
   - Выдели codes — короткие ярлыки для повторяющихся идей, паттернов, эмоций.
   - Выведи список codes с примерами цитат для каждого.

2) Themes:
   - Сгруппируй codes в themes (более высокий уровень абстракции).
   - Для каждой темы — название, описание, репрезентативные цитаты (2–3 на тему).

3) Сравнения и противоречия:
   - Где разные респонденты согласны.
   - Где не согласны.
   - Outliers — необычные случаи и их значение.

4) Связь с теорией:
   - С какими существующими концепциями перекликаются themes.
   - Что новое (если есть).

5) Limitations:
   - Bias данных (как собирали — самовыборка / snowball / etc).
   - Ограничения интерпретации.

Формат вывода:
Codebook — таблица с колонками: code, definition, example quote, frequency.
Theme map — иерархия codes → subthemes → themes.
Narrative summary — короткое резюме с цитатами.

Не выдумывай цитаты — используй только текст из корпуса.
Не делай статистических выводов из качественных данных (объём sample не для генерализации).
Сохраняй контекст цитат — не выдёргивай слова из контекста, который меняет смысл.
💡 Примечание

Запрет «не делай статистических выводов из качественных данных» — критично. Качественный анализ не про «70% сказали X», а про «вот какие смыслы и опыты встречаются». Если из 20 интервью 14 упомянули X — это не «70% поддерживают», это «X — повторяющаяся тема». Подмена качества количеством — классическая методологическая ошибка.