موجّه تلخيص الأبحاث — استخراج الادعاءات والأدلة والتناقضات
الافتراضي 'لخّص هذا' ينتج ملخّصات فقرية مفقودة الجوهر تُضيع نقطة كل دراسة دقيقة. يستخرج هذا الموجّه كائناً منظّماً — الادعاءات ونوع الدليل وموقع المصدر وأي تناقضات عبر المستندات — يمكنك تصفّحه في 60 ثانية.
ستلخّص المستند(ات) أدناه. أخرج كجدول منظّم، لا كنثر. لكل ادعاء رئيسي في المصدر/المصادر، استخرج: - Claim: <جملة واحدة> - Evidence type: <empirical study / theoretical argument / expert opinion / anecdote / unsupported> - Source: <اسم المستند + صفحة أو قسم> - Strength: <strong / moderate / weak — بناءً على نوع الدليل وحجم العينة> - Caveats: <الحدود التي يعترف بها المصدر نفسه> بعد الجدول، أضف ثلاثة أقسام: 1. CONTRADICTIONS: اذكر المواضع التي تختلف فيها المستندات أو حيث يتعارض ادعاء مستند مع بيانات مستند آخر. 2. CONFIDENCE MAP: قيّم الموثوقية الإجمالية لكل ادعاء رئيسي — high (مصادر قوية متعددة تتفق)، medium (مصدر قوي واحد أو مصادر ضعيفة متعددة)، low (مصدر ضعيف وحيد أو ادعاء غير مدعوم). 3. WHAT'S MISSING: 3-5 أسئلة سيبقى لدى قارئ متيقّظ بعد قراءة هذه المستندات. علّم كل سؤال بـ 'addressable from these documents with more reading' أو 'requires external sources'. قواعد صارمة: - اقتبس أرقام الصفحات أو معرّفات الأقسام لكل ادعاء. إذا لم تستطع، فضع [page unknown]. - لا تركّب أبعد مما تقوله المستندات. إذا كان مستندان يلامسان موضوعاً لكنهما لا يقارنان مباشرةً، فقل ذلك — لا تختلق مقارنة. - ميّز 'يدّعي المستند X' عن 'X صحيح'. يبلّغ الملخّص عما ادُّعي، لا عما هو صحيح. المستند(ات): [الصق النص الكامل أو ارفع PDFs]
متى تستخدم هذا
- قراءة 5-10 أوراق لمراجعة أدبيات — مرّر كلاً منها عبر هذا الموجّه، ثم قارن خرائط الثقة لإيجاد التوافق والفجوات.
- تقييم تقرير صناعي حصلت عليه من مورّد — يكشف عمود القوة أين يكون التقرير مدفوعاً بالبيانات مقابل تسويقياً.
- التحقّق من مقال إخباري — قدّم المقال + الدراسة الأساسية؛ تظهر التناقضات فوراً.
نصائح حسب النموذج
- claude
- الأفضل في التمييز بين الادعاء ونوع الدليل. قاعدة 'do not synthesize' يحترمها Claude (Sonnet 4.6+) أكثر.
- perplexity
- قوي عندما يكون المستند على الويب المفتوح — يضيف Perplexity التحقّق من المصادر تلقائياً. أقل فائدة لملفات PDF الخاصة.
- chatgpt
- يعمل لكنه يميل إلى تليين حكم 'unsupported' إلى 'mentioned'. كن صريحاً: 'use "unsupported" when the document presents a claim without citing data, even if it sounds reasonable.'
مثال: ملخّص 3 أوراق عن إنتاجية العمل عن بُعد
| Claim | Evidence | Source | Strength | Caveats | |---|---|---|---|---| | العاملون عن بُعد يُبلّغون ذاتياً عن إنتاجية أعلى بنسبة 13% | استطلاع، n=2400 | Bloom 2024 p.7 | moderate | تحيّز التقرير الذاتي معترف به | | العمل عن بُعد يقلّل ابتكار الفريق | مقابلة نوعية، n=42 مديراً | Smith 2023 p.14 | weak | العينة منحازة للمديرين، لا للموظفين الأفراد | | الهجين (3 أيام) يتفوّق على العمل عن بُعد الكامل في الاحتفاظ | اختبار A/B في شركة واحدة | Chen 2025 p.22 | moderate | شركة واحدة، قد لا يعمّم | CONTRADICTIONS: - يُبلّغ Bloom 2024 عن مكسب إنتاجية؛ يلمح Smith 2023 إلى تراجع إنتاجية (عبر 'تقليل الابتكار'). يستخدم الاثنان تعريفي إنتاجية مختلفين — Bloom = الإنتاج لكل ساعة، Smith = الإنتاج الاستراتيجي. غير قابلين للمقارنة مباشرةً. CONFIDENCE MAP: - 'العمل عن بُعد يغيّر الإنتاجية' ← high (أثر واضح، الاتجاه محل جدل) - 'العمل عن بُعد يقلّل الابتكار' ← medium (دراسة واحدة، نوعية) - 'الهجين هو الأمثل' ← low (A/B واحد في شركة واحدة) WHAT'S MISSING: 1. الأثر على الموظفين المبتدئين تحديداً [requires external sources] 2. توزيع صناعة-بصناعة [addressable: لدى Bloom 2024 بيانات ملحق] 3. الأثر على نقل المعرفة / الإرشاد [requires external sources]
كيف يعمل
لماذا تفشل الملخّصات النثرية للأبحاث
يخلط ملخّص فقري كل ادعاء في مستوى السلطة نفسه. لا يستطيع القارئ التمييز ما إذا كان 'تظهر الدراسات أن…' مدعوماً باستطلاع وحيد ضعيف القوة أم بتحليل تلوي لأربعين تجربة. يرث الملخّص الافتراضي لـ LLM هذا العيب ويضخّمه — الادعاءات القوية والضعيفة تأخذ وزن النثر نفسه.
الاستخراج المنظّم (جدول + خريطة ثقة) يحفظ السلطة التفاضلية للادعاءات. يمكنك التصفّح وترى فوراً أن النتيجة الرئيسية تستند إلى أدلة قوية بينما الادعاء الثانوي افتتاحية في جوهره. هذا هو الفرق بين المُطّلع وذي الثقة الزائفة.
أصعب قاعدة: التمييز بين الادعاء والحقيقة
تنزلق الملخّصات الافتراضية من 'يقول المستند X إن Y' إلى 'Y صحيح' دون تعليم الانتقال. قاعدة 'distinguish claim from truth' صريحة لأن النماذج تفشل افتراضياً فيها. عندما تصمد القاعدة، تقرأ الملخّص وتعرف بالضبط أي تأكيدات هي للمستند، لا افتتاحيات النموذج.
إذا انتهك النموذج هذه القاعدة (يذكر X كحقيقة بينما المستند ادّعاه فقط)، فرد بـ 'rephrase to attribute every claim to its source'. بعد تصحيح واحد، يميل Claude إلى الحفاظ على الإسناد لبقية المستند.
سير عمل عبر المستندات
لمراجعات الأدبيات، مرّر كل ورقة فردياً أولاً — حدود سياق النموذج والجودة كلاهما يستفيدان من مستند واحد في كل مرة. ثم في تمريرة ثانية، الصق فقط الجداول الناتجة واسأل: 'حدّد نقاط التوافق، نقاط الاختلاف، والادعاء الوحيد الأقوى.' هذا أسرع بكثير من تقديم كل الأوراق دفعة واحدة.
ابنِ قاعدة 'confidence-decay': أي ادعاء يظهر في مصدر واحد فقط يُخفَّض تلقائياً مستوى واحد عند دمجه في ملخّص متعدّد المصادر. هذا يجبر المراجعة المدمجة على وزن النتائج المُكرَّرة أعلى من الجديدة-لكن-المعزولة، وهو ما يطابق الممارسة الأكاديمية الجيدة.
الأسئلة الشائعة
›هل يعمل لملفات PDF طويلة جداً؟
يتعامل Claude مع PDFs من 200K token في تمريرة واحدة؛ ChatGPT/GPT-5 يتعاملان مع 128K. للأطول، قسّم حسب الفصل ولخّص كلاً، ثم لخّص الملخّصات. يبقي التنسيق المنظّم الجودة متّسقة عبر التمريرات.
›هل يمكنه اقتباس اقتباسات محددة؟
نعم — أضف 'For each claim, include a 5-15 word quoted snippet of the original phrasing' إلى الموجّه. مفيد عندما تهم الصياغة (مستندات قانونية، مواصفات تقنية).
›ماذا لو لم يكن لدى المستند أرقام صفحات واضحة (مقال ويب)؟
استخدم عناوين الأقسام أو أرقام الفقرات بدلاً من ذلك. تتيح 'page or section' في الموجّه هذا. لمقالات الويب، فهرس الفقرة ('para 5') يعمل جيداً.
›كيف يقارن هذا باستخدام NotebookLM؟
NotebookLM يتعامل تلقائياً مع رفع المستندات والاستشهادات لكنه ينتج ملخّصات سردية افتراضياً. ينتج هذا الموجّه مخرجاً منظّماً مستخرَجاً أفضل للمقارنة المنهجية. استخدم كليهما: NotebookLM للاستكشاف بأسلوب الدردشة، وهذا الموجّه للملخّصات اكتب-مرة-تصفّح-مرات.
›لماذا فرض قسم 'what's missing'؟
لأن كل ملخّص بحثي ينبغي أن يتركك بمتابعات صريحة، لا بانطباع كاذب بالاكتمال. يكشف قسم 'what's missing' أيضاً عندما لا يستطيع المستند الإجابة عن سؤالك جوهرياً — مفيد قبل قضاء مزيد من الوقت في قراءته.
›هل يعمل في أبحاث غير الإنجليزية؟
نعم — يتعامل Claude و GPT-5 مع النثر الأكاديمي الياباني / الصيني / الألماني / الفرنسي جيداً. يبقى المخرج المنظّم بلغة موجّهك؛ يمكن أن تختلف لغة المصدر.
›كيف أتجنّب أرقام صفحات مهلوسة؟
إذا أعطى النموذج رقم صفحة، افحص واحداً أو اثنين. إذا كانت خطأ، أضف 'If you cannot verify a page number, mark it [page unknown] — never guess.' إلى الموجّه.
›هل يمكنني استخدام هذا لنصوص البودكاست؟
نعم — استبدل 'page' بـ 'timestamp' ويعمل الباقي. استخراج الادعاء المنظّم أكثر فائدة للبودكاست، حيث تطفو الادعاءات حول نثر أطول بلا علامات واضحة.
حاسبات ذات صلة
مطالبات ذات صلة
آخر تحديث: