Статья посвящена оценке эффективности сочетания адаптивных подсказок генеративных моделей и взаимного оценивания в формировании социолингвистической компетенции при обучении академическому письму студентов-лингвистов. В центре внимания находится социолингвистическая уместность письменного высказывания, понимаемая как соответствие жанру и адресату, соблюдение речевого этикета, обоснованный выбор регистра, степень категоричности и корректность выражения несогласия. Эмпирическую основу составила семестровая апробация гибридной модели обратной связи в очном курсе: экспериментальная группа (2 курс, уровень В2) работала с ИИ-подсказками и взаимным оцениванием по рубрике, контрольная группа (1 курс, уровень В1) выполняла те же задания без ИИ-подсказок. Для оценки изменений использованы пред- и посттестовые работы по 25-балльной шкале и анализ правок в версиях текстов. Установлено, что средний прирост суммарного результата составил 3,6 балла в экспериментальной группе и 1,4 балла в контрольной; по компоненту социолингвистической уместности прирост равнялся 1,2 и 0,4 балла соответственно. В экспериментальной группе около 40% правок относилось к уместности, а доля автоматически принимаемых ИИ-рекомендаций снизилась с 78% до 56%. Сопоставление YandexGPT и GigaChat показало более высокую долю рекомендаций, соответствующих рубрике, у YandexGPT (74% против 61%). Полученные данные подтверждают практическую целесообразность сочетания ИИ-подсказок и взаимного оценивания при обязательной критериальной рамке и преподавательской модерации. Перспективы дальнейших исследований связаны с расширением выборки, выравниванием уровней групп и проверкой устойчивости эффекта в разных жанрах академического письма.
The article examines the effectiveness of combining adaptive prompts produced by generative models with peer assessment in developing sociolinguistic competence in academic writing among linguistics students. The focus is on sociolinguistic appropriateness of written discourse, understood as alignment with genre and addressee, observance of academic etiquette, informed register choice, management of categorical statements, and appropriate expression of disagreement. The empirical basis was a semester-long implementation of a hybrid feedback model in a face-to-face course: the experimental group (Year 2, B2) worked with AI-generated prompts and rubric-based peer assessment, while the control group (Year 1, B1) completed the same tasks without AI prompts. Changes were assessed using pre- and post-tests on a 25-point scale and an analysis of revisions across text versions. The average gain in the total score reached 3.6 points in the experimental group and 1.4 points in the control group; for the sociolinguistic appropriateness component the gains were 1.2 and 0.4 points, respectively. In the experimental group, around 40% of revisions targeted appropriateness, and the share of automatically accepted AI suggestions decreased from 78% to 56%. A comparison of YandexGPT and GigaChat showed a higher proportion of rubric-aligned recommendations for YandexGPT (74% vs. 61%). The findings support the practical value of combining AI prompts with peer assessment when a clear criterion framework and instructor moderation are maintained. Further research should expand the sample, align group proficiency levels, and test the durability of the effect across academic writing genres.