Създаване на промптове за преподаватели: PARTS, CLEAR, REFINE и отговорно използване на AI

Plamen MILTENOFF

Generative AI can produce lesson plans, examples, explanations, rubrics, exercises, feedback, and research support within seconds. Yet the quality of those outputs depends heavily on educators and students’ skills to define the task, provide context, evaluate responses, and decide what to use.

In their article “Generative AI Prompt Engineering for Educators: Practical Strategies,” Jiyeon Park and Sam Choo propose the IDEA framework as a practical way to structure this process. Their central message is useful for anyone working with generative AI in education: effective prompting is not about finding one perfect sentence. It is a sequence of decisions involving context, clarity, iteration, verification, and responsibility.

The IDEA framework includes four stages.

1. Include the essential PARTS
The first step asks users to give the AI enough information to understand the task.

PARTS stands for:

Persona, identify the role or perspective.
Aim, define what you want to accomplish.
Recipients, describe the intended audience.
Theme, specify tone, style, boundaries, or restrictions.
Structure, define the desired output format.

This matters because prompts such as “Create a lesson on regression” leave too many decisions to the AI.
A more useful request would specify the students, their prior knowledge, the learning objective, time available, expected activities, and required output.
The lesson for educators is simple: good prompting begins with good task definition.

2. Develop CLEAR prompts

Park and Choo adapt the CLEAR framework to recommend prompts that are:

Concise,
Logical,
Explicit,
Adaptive,
Restrictive.

The purpose is not to make prompts longer. It is to make them easier for the AI system to interpret.

For complex tasks, educators can also divide the work into stages:

First, explain the concept.
Next, provide an example.
Then, create an activity.
Finally, develop questions for checking understanding.

This type of structure can make AI responses easier to evaluate and revise.

3. REFINE rather than accept the first response
One of the strongest ideas in the article is that prompt engineering is iterative.

The authors recommend:
Rephrasing key terms.
Experimenting with context and examples.
Creating feedback loops.
Asking inquiry questions.
Navigating through multiple iterations.
Evaluating and verifying outputs.
This changes the role of the user.

Instead of asking a question and accepting the answer, the educator becomes an active evaluator.

You might ask:

What assumptions did you make?
What information is missing?
Provide an alternative explanation.
What evidence supports this claim?
Compare two possible approaches.
Where might this answer be inaccurate?

This is where prompt engineering begins to connect with critical thinking and AI literacy.

4. Apply AI outputs with accountability

The final part of IDEA may be the most important.

Park and Choo emphasize that generative AI can produce inaccurate information, biased outputs, privacy problems, and unsuitable content. They therefore place human judgment at the end of the workflow.

Educators remain responsible for deciding whether an AI-generated lesson, explanation, assessment, recommendation, or research claim is appropriate.

The article also highlights privacy. In educational settings, detailed contextual prompts should not contain confidential student information.

An effective prompt is not automatically a responsible prompt.

What does this mean for AI literacy?

The IDEA framework provides a useful starting point, but its broader lesson extends beyond prompt writing.

AI literacy increasingly requires people to know how to:

– define a task clearly,
– provide relevant context,
– interact iteratively with AI,
– recognize limitations,
– verify evidence,
– protect sensitive information,
– and decide when AI output should or should not be used.

The skill is therefore moving from “How do I write a good prompt?” toward a more demanding question:

“How do I manage an AI-supported task while retaining human judgment?”

For faculty, this can influence lesson preparation, assessment design, feedback, research, and administrative work.

For students, it can influence how they study, write, analyze evidence, solve problems, and evaluate AI-generated information.

The article gives us a useful framework, but campus practice will determine whether these skills become part of everyday teaching and learning.

Faculty and students, what is your favorite approach to prompt engineering?

Do you use a framework such as PARTS, CLEAR, or another method? Do you prefer detailed prompts, iterative conversations, examples, role prompting, or another approach?

And a broader question for our campus:

How do you see AI literacy developing at the University this semester?

What kind of support would help you most, workshops, practical examples, consultations, discipline-specific sessions, prompt libraries, research support, assessment redesign, or opportunities to learn from colleagues?

Генеративния ИИ може за секунди да създава планове за занятия, примери, обяснения, рубрики, упражнения, обратна връзка и подкрепа за изследователска работа. Качеството на тези резултати обаче зависи в голяма степен от уменията на преподавателите и студентите да дефинират задачата, да предоставят контекст, да оценяват отговорите и да решават какво да използват.
В своята статия „Generative AI Prompt Engineering for Educators: Practical Strategies“ Jiyeon Park и Sam Choo предлагат рамката IDEA като практически начин за структуриране на този процес. Основното им послание е полезно за всеки, който работи с генеративен AI в образованието: ефективното промптиране не означава да открием едно съвършено изречение. То представлява последователност от решения, свързани с контекст, яснота, итерации, проверка и отговорност.

Рамката IDEA включва четири етапа.

1. Включете основните PARTS
Първата стъпка изисква потребителите да предоставят на AI достатъчно информация, за да разбере задачата.
PARTS означава:
Persona, определете ролята или гледната точка.
Aim, дефинирайте какво искате да постигнете.
Recipients, опишете целевата аудитория.
Theme, посочете тон, стил, граници или ограничения.
Structure, определете желания формат на резултата.
Това е важно, защото промптове като „Създай урок за регресионен анализ“ оставят твърде много решения на AI.
По-полезната заявка би уточнила кои са студентите, какви предварителни знания имат, каква е учебната цел, с какво време разполагат, какви дейности се очакват и какъв трябва да бъде крайният резултат.
Изводът за преподавателите е ясен: доброто промптиране започва с добро дефиниране на задачата.

2. Разработвайте CLEAR промптове
Park и Choo адаптират рамката CLEAR и препоръчват промптовете да бъдат:
Concise,
Logical,
Explicit,
Adaptive,
Restrictive.
Целта не е промптовете да стават по-дълги. Целта е AI системата да може по-лесно да ги интерпретира.
При сложни задачи преподавателите могат също да разделят работата на етапи:
Първо, обясни концепцията.
След това, дай пример.
После, създай учебна дейност.
Накрая, разработи въпроси за проверка на разбирането.
Подобна структура може да направи AI отговорите по-лесни за оценяване и редактиране.

3. REFINE вместо приемане на първия отговор
Една от най-силните идеи в статията е, че инженерингът на промптове е итеративен процес.
Авторите препоръчват:
Преформулиране на ключови термини.
Експериментиране с контекст и примери.
Създаване на цикли за обратна връзка.
Задаване на изследователски въпроси.
Преминаване през множество итерации.
Оценяване и проверка на резултатите.
Това променя ролята на потребителя.
Вместо да зададе въпрос и да приеме отговора, преподавателят се превръща в активен оценител.
Може да попитате:
Какви допускания направи?
Каква информация липсва?
Предложи алтернативно обяснение.
Какви доказателства подкрепят това твърдение?
Сравни два възможни подхода.
Къде този отговор може да бъде неточен?
Тук инженерингът на промптове започва да се свързва с критичното мислене и AI грамотността.

4. Прилагайте AI резултатите с отговорност
Последната част на IDEA може да се окаже най-важната.
Park и Choo подчертават, че генеративният AI може да създава неточна информация, пристрастни резултати, проблеми с поверителността и неподходящо съдържание. Затова те поставят човешката преценка в края на работния процес.
Преподавателите запазват отговорността да решат дали даден AI генериран урок, обяснение, оценъчна задача, препоръка или изследователско твърдение е подходящо.
Статията поставя акцент и върху поверителността. В образователна среда подробните контекстуални промптове не трябва да съдържат поверителна информация за студенти.
Ефективният промпт не е автоматично отговорен промпт.

Какво означава това за AI грамотността?

Рамката IDEA предлага полезна отправна точка, но по-широкият ѝ урок надхвърля писането на промптове.
AI грамотността все повече изисква хората да знаят как да:
– дефинират ясно задачата,
– предоставят релевантен контекст,
– взаимодействат итеративно с AI,
– разпознават ограниченията,
– проверяват доказателствата,
– защитават чувствителната информация,
– и решават кога AI резултатът трябва или не трябва да бъде използван.
Следователно умението се измества от въпроса „Как да напиша добър промпт?“ към по-взискателния въпрос:
„Как да управлявам задача с подкрепата на AI, като запазя човешката преценка?“
За преподавателите това може да повлияе върху подготовката на занятия, дизайна на оценяването, обратната връзка, научноизследователската и административната работа.
За студентите това може да повлияе върху начина, по който учат, пишат, анализират доказателства, решават проблеми и оценяват генерирана от AI информация.
Статията ни предлага полезна рамка, но практиките в университета ще определят дали тези умения ще се превърнат в част от ежедневното преподаване и учене.

Преподаватели и студенти, кой е вашият предпочитан подход към инженерството на промптове?
Използвате ли рамка като PARTS, CLEAR или друг метод? Предпочитате ли подробни промптове, итеративни разговори, примери, задаване на роля или друг подход?
И един по-широк въпрос към нашата университетска общност:
Как виждате развитието на AI грамотността в университета през този семестър?

Какъв тип подкрепа би ви помогнала най-много, обучения, практически примери, консултации, дисциплинарно ориентирани сесии, библиотеки с промптове, подкрепа за научни изследвания, редизайн на оценяването или възможности за обмен на опит с колеги?