Как составить запрос для критического анализа

Чтобы заставить инструмент ИИ критически оценить логику вашего аргумента, необходимо явно назначить ему роль скептика и запретить резюмирование или шлифовку текста. Это достигается за счет использования структур запросов, которые вынуждают модель занять противоположную позицию, выявляя конкретные логические ошибки и необоснованные допущения, а не просто улучшая прозу.

Почему стандартные ответы неэффективны

Стандартные ответы ИИ склонны к согласию или резюмированию, поскольку базовые модели обучены быть полезными и разговорчивыми. Когда вы вставляете аргумент в окно чата без конкретных инструкций, инструмент переходит в режим сотрудничества. Он определяет главную мысль, перефразирует её для ясности и, возможно, предлагает незначительные стилистические улучшения. Такое поведение полезно для редактирования, но бесполезно для логики. Модель не знает, что вы хотите найти трещины в ваших рассуждениях; она предполагает, что вам нужно подтверждение или уточнение. В результате вывод часто отражает ваши собственные предубеждения, укрепляя аргумент, а не проверяя его. Чтобы получить критический анализ, необходимо переопределить эту стандартную установку на сотрудничество с помощью явных противоборствующих инструкций.

Структуры запросов для скептицизма

Чтобы вынудить скептическую позицию, используйте структуры запросов, определяющие конкретную противоположную роль. Вместо вопроса «Хорош ли этот аргумент?» попросите инструмент выступить в роли конкретного типа критика. Например, инструктируйте модель действовать как формальный логик, единственная задача которого — выявлять логические ошибки и пробелы в рассуждениях внутри вашего аргумента. Такая формулировка снимает давление необходимости быть вежливым или полезным в общем смысле. Вы также можете использовать запросы с ролевой игрой, которые назначают ИИ перспективу конкретного оппонента, например, рецензента, известного строгими стандартами, или философа, специализирующегося на эпистемологии.

Еще одна эффективная структура — подход «усиление аргумента, затем критика». Попросите инструмент сначала сформулировать максимально сильную версию вашего аргумента, а затем разобрать эту сильную версию. Это мешает ИИ атаковать слабую, карикатурную версию вашей мысли. Вы должны явно запретить модели делать резюме текста. Включите в запрос негативное ограничение, например: «Не делайте резюме аргумента. Не переписывайте текст. Выявляйте только логические слабости». Это заставляет вывод фокусироваться на структуре и валидности, а не на содержании или стиле.

Выделение ошибок и допущений

Техники выделения логических ошибок и необоснованных допущений требуют разложения аргумента на составляющие части. Не вставляйте длинное эссе и не просите критики всего текста целиком. Вместо этого изолируйте основную логическую структуру. Вы можете использовать QuillBot для перефразирования или суммирования вашего аргумента до его чистой логической основы, убирая риторические украшения. После получения этой упрощенной версии передайте ее ИИ с инструкцией выявить каждую посылку и заключение. Попросите инструмент перечислить каждую посылку и определить, подтверждена ли она доказательствами или просто утверждена.

Для выявления ошибок попросите ИИ проверить наличие конкретных распространенных ошибок, таких как утверждение консеквента, тавтология или non sequitur. Вы также можете попросить его выявить неявные допущения. Для каждого сделанного вами заключения спросите инструмент: «Что должно быть истинным, чтобы это заключение следовало из этих посылок?» Это выявляет скрытые допущения, которые вы могли упустить. Если вы работаете со сложными, многослойными аргументами, можно обратиться к расширенным возможностям мышления Claude для глубокого анализа структурных слабостей и неявных допущений, охватывающих несколько абзацев. Это позволяет модели отслеживать зависимости между удаленными частями вашего аргумента, которые простой линейный просмотр может пропустить.

Итерация критики

Чтобы повысить устойчивость аргумента, необходимо итеративно дорабатывать его на основе критики. Не считайте первую критику окончательной. Возьмите выявленные ИИ слабые стороны и переработайте аргумент, чтобы устранить их. Затем подайте исправленную версию обратно в инструмент с тем же критическим запросом. Попросите ИИ оценить новую версию. Повторяйте этот цикл, пока ИИ не перестанет находить существенные логические пробелы. Этот итеративный процесс проверяет прочность вашего аргумента под длительным давлением.

В ходе этой итерации можно использовать разные инструменты для разных этапов процесса. Если ваш аргумент опирается на фактические посылки, обратитесь к Perplexity, чтобы проверить логическую согласованность этих посылок с цитируемыми источниками, гарантируя обоснованность ваших фактических утверждений. Если ваш аргумент является частью более крупного документа или презентации, обратитесь к Microsoft Copilot, чтобы оценить логику непосредственно в рабочем процессе, что позволит увидеть, как аргумент функционирует в контексте. Если ваш аргумент включает мультимодальные элементы, такие как диаграммы или схемы, обратитесь к Gemini, чтобы оценить аргумент, представленный одновременно в текстовом, графическом или видеоформате. Если ваши заметки хранятся в базе данных, обратитесь к Notion AI, чтобы проанализировать сохраненные аргументы на предмет внутренних противоречий. Обратитесь к Grammarly, чтобы выявить структурные неоднозначности, снижающие точность аргумента, и убедиться, что ваши логические утверждения не искажаются из-за неясного синтаксиса.

При оценке результатов работы любого из этих инструментов ищите конкретику. Хорошая критика называет конкретную несостоятельную посылку и объясняет, почему она не поддерживает вывод. Плохая критика предлагает общие формулировки вроде «этот раздел слабый» или «нужно больше доказательств». Отбрасывайте размытые выводы или те, что просто перефразируют ваш собственный аргумент другими словами. Используйте критику, чтобы усилить свой аргумент, а не отказаться от него. Цель — создать аргумент, выдерживающий строгую проверку.