راهنمای پرامپت‌نویسی برای تحلیل انتقادی

برای اینکه به یک ابزار هوش مصنوعی دستور دهید منطق استدلال شما را نقد کند، باید صراحتاً نقش یک منتقد شکاک را به آن بسپارید و از خلاصه‌سازی یا ویرایش متن جلوگیری کنید. این کار را با استفاده از ساختارهای پرامپت انجام می‌دهید که مدل را مجبور می‌کنند موضع مخالفی اتخاذ کند و به جای بهبود صرف نثر، مغالطات منطقی و فرضیات بدون پشتوانه مشخص را جدا کند.

چرا پاسخ‌های پیش‌فرض ناکافی هستند

پاسخ‌های پیش‌فرض هوش مصنوعی معمولاً به سمت تأیید یا خلاصه‌سازی می‌روند، زیرا مدل‌های زیرساختی برای مفید بودن و مکالمه‌محور بودن آموزش دیده‌اند. وقتی متنی را بدون دستورالعمل‌های خاص در پنجره چت قرار می‌دهید، ابزار به حالت همکاری پیش‌فرض می‌رود. نکته اصلی را شناسایی می‌کند، آن را برای وضوح بیشتر بازنویسی می‌کند و شاید پیشنهادهای جزئی برای بهبود سبک ارائه دهد. این رفتار برای ویرایش مفید است اما برای تحلیل منطق بی‌فایده است. مدل نمی‌داند که شما می‌خواهید ترک‌های استدلال شما را پیدا کند؛ فرض می‌کند شما به دنبال تأیید یا اصلاح هستید. در نتیجه، خروجی اغلب بازتابی از سوگیری‌های خودتان است و استدلال را تقویت می‌کند به جای اینکه آن را به چالش بکشد. برای دریافت تحلیل انتقادی، باید این موضع همکاری پیش‌فرض را با دستورالعمل‌های صریح و مخالفانه لغو کنید.

ساختارهای پرامپت برای ایجاد شکاکیت

برای تحمیل یک موضع شکاکانه، از ساختارهای پرامپتی استفاده کنید که یک نقش مخالف و مشخص را تعریف می‌کنند. به جای پرسیدن «آیا این استدلال خوب است؟»، از ابزار بخواهید که نقش یک نوع خاص منتقد را ایفا کند. برای مثال، به مدل دستور دهید که نقش یک منطق‌دان رسمی را بازی کند که وظیفه منحصربه‌فرد او شناسایی مغالطات منطقی و شکاف‌های استدلالی در متن شماست. این چارچوب، فشار برای مؤدب یا مفید بودن به معنای عمومی را از بین می‌برد. همچنین می‌توانید از پرامپت‌های ایفای نقش استفاده کنید که دیدگاه یک مخالف خاص را به هوش مصنوعی بسپارند، مانند یک داور همتا که به استانداردهای سخت‌گیرانه معروف است یا فیلسوفی که در معرفت‌شناسی تخصص دارد.

ساختار مؤثر دیگر، رویکرد «تقویت استدلال و سپس نقد آن» است. از ابزار بخواهید ابتدا قوی‌ترین نسخه ممکن از استدلال شما را بیان کند و سپس آن نسخه قوی را به چالش بکشد. این کار از حمله هوش مصنوعی به نسخه ضعیف و سطحی از نکته شما جلوگیری می‌کند. باید صراحتاً به مدل اجازه دهید که متن را خلاصه نکند. یک قید منفی در درخواست خود بگنجانید، مانند: «استدلال را خلاصه نکن. متن را بازنویسی نکن. تنها نقاط ضعف منطقی را شناسایی کن.» این کار خروجی را بر ساختار و اعتبار متمرکز می‌کند، نه بر محتوا یا سبک.

جداسازی مغالطات و پیش‌فرض‌ها

تکنیک‌های جداسازی مغالطات منطقی و پیش‌فرض‌های بدون پشتوانه نیازمند تجزیه استدلال به اجزای تشکیل‌دهنده آن است. یک مقاله طولانی را کپی نکنید و درخواست نقد کلی آن را نداشته باشید. در عوض، ساختار منطقی اصلی را جدا کنید. می‌توانید از QuillBot برای بازنویسی یا خلاصه‌سازی استدلال خود به اسکلت منطقی خالص آن استفاده کنید و آرایه‌های بلاغی را حذف نمایید. پس از داشتن این نسخه ساده‌شده، آن را به همراه دستوراتی برای شناسایی هر مقدمه و نتیجه به هوش مصنوعی بدهید. از ابزار بخواهید هر مقدمه را فهرست کند و مشخص نماید که آیا با شواهد پشتیبانی می‌شود یا صرفاً ادعا شده است.

برای شناسایی مغالطات، از هوش مصنوعی بخواهید خطاهای رایج خاصی مانند «تأیید لازمه»، «مصادره به مطلوب» یا «نتیجه نامربوط» را بررسی کند. همچنین می‌توانید از آن بخواهید پیش‌فرض‌های بیان‌نشده را شناسایی کند. برای هر نتیجه‌ای که می‌گیرید، از ابزار بپرسید: «چه چیزی باید درست باشد تا این نتیجه از این مقدمات پیروی کند؟» این کار پیش‌فرض‌های پنهانی را که ممکن است نادیده گرفته باشید، آشکار می‌سازد. اگر با استدلال‌های پیچیده و چندلایه کار می‌کنید، می‌توانید از قابلیت‌های تفکر گسترده Claude برای تحلیل عمیق نقاط ضعف ساختاری و پیش‌فرض‌های بیان‌نشده‌ای که بر چندین پاراگراف گسترده شده‌اند، بهره ببرید. این امر به مدل اجازه می‌دهد وابستگی‌ها بین بخش‌های دور از هم استدلال شما را ردیابی کند که یک مرور خطی ساده ممکن است آن‌ها را نادیده بگیرد.

تکرار و بهبود نقد

برای افزایش استحکام استدلال، باید فرآیند نقد را تکرار کنید. نقد اولیه را نهایی تلقی نکنید. نقاط ضعفی که هوش مصنوعی شناسایی کرده را بردارید و استدلال خود را برای رفع آن‌ها اصلاح کنید. سپس استدلال اصلاح‌شده را با همان پرامپت شکاکانه دوباره به ابزار بدهید. از هوش مصنوعی بخواهید نسخه جدید را نقد کند. این چرخه را تکرار کنید تا زمانی که هوش مصنوعی دیگر نتواند شکاف‌های منطقی قابل‌توجهی را شناسایی کند. این فرآیند تکراری، دوام استدلال شما را تحت فشار مداوم می‌سنجد.

در طول این تکرار، ممکن است برای مراحل مختلف فرآیند از ابزارهای متفاوتی استفاده کنید. اگر استدلال شما بر پیش‌فرض‌های واقعی استوار است، می‌توانید از Perplexity برای بررسی سازگاری منطقی آن پیش‌فرض‌ها با منابع ارجاع‌شده استفاده کنید تا از استوار بودن ادعاهای واقعی خود اطمینان حاصل کنید. اگر استدلال شما در یک سند یا ارائه بزرگ‌تر گنجانده شده است، می‌توانید از Microsoft Copilot برای نقد منطق مستقیماً در جریان کار استفاده کنید تا ببینید استدلال چگونه در زمینه عمل می‌کند. اگر استدلال شما شامل عناصر چندوجهی مانند نمودارها یا شماتیک‌ها است، می‌توانید از Gemini برای نقد استدلال به صورت همزمان در قالب‌های متنی، تصویری یا ویدیویی استفاده کنید. اگر یادداشت‌های شما در یک پایگاه داده ذخیره شده‌اند، می‌توانید از Notion AI برای تحلیل استدلال‌های ذخیره‌شده از نظر ناسازگاری‌های درونی استفاده کنید. همچنین می‌توانید از Grammarly برای شناسایی ابهامات ساختاری که دقت استدلال را کاهش می‌دهند استفاده کنید تا اطمینان حاصل شود که ادعاهای منطقی شما با نحو نامشخص مخدوش نمی‌شوند.

هنگام قضاوت خروجی هر یک از این ابزارها، به دنبال جزئیات دقیق باشید. یک نقد خوب، پیش‌فرض دقیقاً ناموفق را نام می‌برد و توضیح می‌دهد که چرا آن از نتیجه پشتیبانی نمی‌کند. یک نقد ضعیف، کلی‌گویی‌های مبهمی مانند «این بخش ضعیف است» یا «شما به شواهد بیشتری نیاز دارید» ارائه می‌دهد. خروجی‌هایی که مبهم هستند یا صرفاً استدلال شما را با کلمات دیگر بازگو می‌کنند، دور بریزید. از نقد برای تقویت استدلال خود استفاده کنید، نه برای رها کردن آن. هدف، تولید استدلالی است که از پس بررسی دقیق برآید.