批判的分析を行うためのプロンプト作成方法

AIツールに論証の論理を批評させるには、懐疑的な役割を明示的に割り当て、テキストの要約や推敲を行わないよう指示する必要があります。これを実現するには、モデルに対立的な立場を取らせ、単なる文章の改善ではなく、具体的な論理的誤謬や裏付けのない前提を特定させるようなプロンプト構造を用います。

Why Default Responses Fail

デフォルトのAI応答は、基盤となるモデルが有用かつ会話的なものになるよう訓練されているため、同意または要約に傾きがちです。具体的な指示なしにチャットウィンドウに論点を貼り付けると、ツールは協調モードにデフォルトします。主なポイントを特定し、明確にするために言い換え、場合によっては軽微なスタイル上の改善を提案します。この挙動は編集には有用ですが、論理には無用です。モデルは、あなたが推論の隙間を見つけたいことを知りません。承認または洗練を求めていると想定します。その結果、出力はしばしばあなたのバイアスを反映し、論点を検証するのではなく強化します。批判的分析を得るには、このデフォルトの協調姿勢を明示的な対立的指示で上書きする必要があります。

懐疑のためのプロンプト構成

懐疑的な立場を強制するには、具体的な対立する役割を定義するプロンプト構造を使用します。「この論証は良いか？」と尋ねる代わりに、特定のタイプの批評家としてツールに行動させます。例えば、モデルに対し、あなたの論証内の論理的誤謬と推論のギャップを特定することを唯一の任務とする形式論理学者として行動するよう指示します。この枠組みにより、一般的な意味での丁寧さや有用性を求める圧力が取り除かれます。厳格な基準で知られる査読者や認識論を専門とする哲学者など、特定の対立者の視点をAIに割り当てるロールプレイプロンプトを使用することもできます。

もう一つの効果的な構成は、「スチールマン化してから批判する」というアプローチです。まずツールに対して、あなたの主張の最も強いバージョンを明確に表現させ、次にその最も強いバージョンを解体させます。これにより、AIがあなたの主張の弱い、藁人形のようなバージョンを攻撃することを防ぎます。モデルに対してテキストを要約しないよう明示的に禁止する必要があります。プロンプトに「主張を要約しないこと。テキストを書き直さないこと。論理的な弱点のみを特定すること」といった否定的な制約を含めます。これにより、出力は内容やスタイルではなく、構造と妥当性に焦点を当てるようになります。

誤謬と前提の分離

論理的誤謬と根拠のない前提を分離するためのテクニックには、主張を構成要素に分解することが必要です。長いエッセイを貼り付けて全体の批判を求めるのではなく、核心的な論理構造を分離します。QuillBotを使用して、修辞的な装飾を取り除き、主張を素朴な論理骨格にパラフレーズまたは要約することができます。この簡素化されたバージョンができたら、すべての前提と結論を特定するよう指示してAIに入力します。ツールに対して各前提をリストアップし、それが証拠によって支持されているのか、単に主張されているだけなのかを判断させます。

誤謬を特定するために、後件肯定、循環論証、非推論といった特定の一般的なエラーを確認するようAIに依頼します。また、明示されていない前提を特定することも依頼できます。導き出したすべての結論について、ツールに「これらの前提からこの結論が導かれるために何が真でなければならないか」と問いかけます。これにより、見落としがちな隠された前提が浮き彫りになります。複雑で多層的な主張を扱う場合は、Claudeの拡張思考機能を活用して、複数のパラグラフにまたがる構造的な弱点や明示されていない前提を深く分析します。これにより、単純な線形スキャンでは見逃される可能性のある、主張内の遠隔部分間の依存関係をモデルが追跡できるようになります。

批判の反復

論証の堅牢性を高めるには、批評を繰り返す必要がある。最初の批評を最終的なものと見なさないこと。AIが指摘した弱点を受け入れ、それに対応する形で論証を修正する。その後、同じ懐疑的なプロンプトで修正後の論証をツールに再入力し、新しいバージョンに対する批評を求める。AIが重要な論理的ギャップを指摘できなくなるまで、このサイクルを繰り返す。この反復的なプロセスにより、持続的な圧力下での論証の耐久性が検証される。

この反復作業では、プロセスの段階に応じて異なるツールを使用してもよい。論証が事実的な前提に依存している場合、Perplexity を使用して引用された情報源に対してこれらの前提の論理的整合性を検証し、事実的な主張が確かな根拠に基づいていることを確認できる。論証がより大きなドキュメントやプレゼンテーションに組み込まれている場合、Microsoft Copilot を使用してワークフロー内で直接論理を批評し、文脈の中で論証がどのように機能するかを確認できる。論証にグラフや図表などのマルチモーダル要素が含まれる場合、Gemini を使用してテキスト、画像、動画形式で同時に提示された論証を批評できる。ノートがデータベースに保存されている場合、Notion AI を使用して保存された論証の内部的な不一致を分析できる。Grammarly を使用して、論証の精度を低下させる構造的な曖昧さを特定し、論理的な主張が不明瞭な構文によって曖昧にならないようにする。

これらのツールの出力を評価する際は、具体性を重視する。優れた批評は、失敗している前提を具体的に特定し、それがなぜ結論を支えないのかを説明する。一方、粗悪な批評は「このセクションは弱い」や「もっと証拠が必要だ」といった曖昧な一般論にとどまる。曖昧な出力や、自分の論証を別の言葉で言い換えているだけの出力は捨てること。批評は論証を捨てるためではなく、強化するために使う。目標は、厳格な検証に耐えうる論証を生み出すことである。