रिसर्च सारांश प्रॉम्प्ट — दावे, साक्ष्य, और विरोधाभास निकालें
डिफ़ॉल्ट 'इसका सारांश दें' lossy पैराग्राफ-शैली सारांश उत्पन्न करता है जो हर सूक्ष्म अध्ययन का बिंदु खो देता है। यह प्रॉम्प्ट एक संरचित object निकालता है — दावे, साक्ष्य प्रकार, स्रोत स्थान, और दस्तावेज़ों में कोई भी विरोधाभास — जिसे आप 60 सेकंड में स्कैन कर सकते हैं।
आप नीचे दिए गए दस्तावेज़(ों) का सारांश देंगे। प्रोज़ नहीं, संरचित तालिका के रूप में आउटपुट करें। स्रोत(ों) में प्रत्येक प्रमुख दावे के लिए, निकालें: - Claim: <एकल वाक्य> - Evidence type: <empirical study / theoretical argument / expert opinion / anecdote / unsupported> - Source: <दस्तावेज़ नाम + पृष्ठ या सेक्शन> - Strength: <strong / moderate / weak — साक्ष्य प्रकार और नमूना आकार के आधार पर> - Caveats: <स्रोत स्वयं जो सीमाएं स्वीकार करता है> तालिका के बाद, तीन सेक्शन जोड़ें: 1. CONTRADICTIONS: उन स्थानों को सूचीबद्ध करें जहां दस्तावेज़ असहमत हैं या जहां एक दस्तावेज़ का दावा दूसरे के डेटा से टकराता है। 2. CONFIDENCE MAP: प्रत्येक प्रमुख दावे की समग्र विश्वसनीयता को रेट करें — high (कई मज़बूत स्रोत सहमत), medium (एक मज़बूत स्रोत या कई कमज़ोर स्रोत), low (एकल कमज़ोर स्रोत या असमर्थित कथन)। 3. WHAT'S MISSING: 3-5 प्रश्न जो एक सावधान पाठक के पास इन दस्तावेज़ों को पढ़ने के बाद भी होंगे। प्रत्येक को 'addressable from these documents with more reading' या 'requires external sources' के रूप में चिह्नित करें। सख्त नियम: - प्रत्येक दावे के लिए पृष्ठ संख्या या सेक्शन पहचानकर्ता उद्धृत करें। यदि आप नहीं कर सकते, तो [page unknown] चिह्नित करें। - दस्तावेज़ जो कहते हैं उससे आगे संश्लेषण न करें। यदि दो दस्तावेज़ किसी विषय को छूते हैं लेकिन सीधे तुलना नहीं करते, तो ऐसा कहें — तुलना न गढ़ें। - 'दस्तावेज़ X का दावा करता है' को 'X सच है' से अलग करें। सारांश रिपोर्ट करता है कि क्या दावा किया गया था, क्या सही है यह नहीं। दस्तावेज़(s): [पूरा टेक्स्ट पेस्ट करें या PDF अपलोड करें]
इसे कब उपयोग करें
- साहित्य समीक्षा के लिए 5-10 पेपर पढ़ना — प्रत्येक को इस प्रॉम्प्ट से चलाएं, फिर सहमति और अंतराल खोजने के लिए confidence maps की तुलना करें।
- किसी विक्रेता से प्राप्त उद्योग रिपोर्ट का मूल्यांकन — strength कॉलम उजागर करता है कि रिपोर्ट कहां data-driven है बनाम marketing।
- एक समाचार लेख की क्रॉस-जांच — लेख + अंतर्निहित अध्ययन फ़ीड करें; विरोधाभास तुरंत सामने आते हैं।
मॉडल टिप्स
- claude
- दावे को साक्ष्य प्रकार से अलग करने में सर्वश्रेष्ठ। 'do not synthesize' नियम Claude (Sonnet 4.6+) द्वारा सबसे अधिक सम्मानित है।
- perplexity
- जब दस्तावेज़ खुले वेब पर हो तो मज़बूत — Perplexity स्वचालित रूप से स्रोत सत्यापन जोड़ता है। निजी PDF के लिए कम उपयोगी।
- chatgpt
- काम करता है लेकिन 'unsupported' फैसले को 'mentioned' तक नरम करने की प्रवृत्ति। स्पष्ट रहें: 'use "unsupported" when the document presents a claim without citing data, even if it sounds reasonable.'
उदाहरण: रिमोट वर्क उत्पादकता पर 3-पेपर सारांश
| Claim | Evidence | Source | Strength | Caveats |
|---|---|---|---|---|
| रिमोट कार्यकर्ता 13% अधिक उत्पादकता की स्व-रिपोर्ट करते हैं | survey, n=2400 | Bloom 2024 p.7 | moderate | self-report bias acknowledged |
| रिमोट कार्य टीम नवाचार को कम करता है | qualitative interview, n=42 managers | Smith 2023 p.14 | weak | sample skewed to managers, not ICs |
| Hybrid (3-day) retention पर full-remote से बेहतर प्रदर्शन करता है | A/B test at one company | Chen 2025 p.22 | moderate | single firm, may not generalize |
CONTRADICTIONS:
- Bloom 2024 उत्पादकता लाभ की रिपोर्ट करता है; Smith 2023 उत्पादकता गिरावट का संकेत देता है ('कम नवाचार' के माध्यम से)। दोनों अलग-अलग उत्पादकता परिभाषाओं का उपयोग करते हैं — Bloom = output per hour, Smith = strategic output। सीधे तुलनीय नहीं।
CONFIDENCE MAP:
- 'रिमोट कार्य उत्पादकता बदलता है' → high (स्पष्ट प्रभाव, दिशा पर बहस)
- 'रिमोट कार्य नवाचार को कम करता है' → medium (एक अध्ययन, गुणात्मक)
- 'Hybrid इष्टतम है' → low (एक फर्म पर एक A/B)
WHAT'S MISSING:
1. विशेष रूप से जूनियर कर्मचारियों पर प्रभाव [requires external sources]
2. उद्योग-दर-उद्योग breakdown [addressable: Bloom 2024 के पास परिशिष्ट डेटा है]
3. ज्ञान हस्तांतरण / मेंटरशिप पर प्रभाव [requires external sources]यह कैसे काम करता है
क्यों गद्य सारांश रिसर्च के लिए विफल होते हैं
एक पैराग्राफ सारांश हर दावे को एक ही प्राधिकरण स्तर में मिला देता है। पाठक नहीं बता सकता कि 'अध्ययन दिखाते हैं कि…' एक underpowered सर्वेक्षण द्वारा समर्थित है या चालीस परीक्षणों के meta-analysis द्वारा। डिफ़ॉल्ट LLM सारांश इस दोष को विरासत में लेता है और इसे बढ़ाता है — मज़बूत और कमज़ोर दावों को समान गद्य भार मिलता है।
संरचित निष्कर्षण (तालिका + confidence map) दावों के विभेदी प्राधिकरण को संरक्षित करता है। आप स्कैन कर सकते हैं और तुरंत देख सकते हैं कि headline खोज ठोस साक्ष्य पर टिकी है जबकि द्वितीयक दावा अनिवार्य रूप से एक संपादकीय है। यह सूचित और झूठे आत्मविश्वासी के बीच का अंतर है।
सबसे कठिन नियम: दावे को सच से अलग करना
डिफ़ॉल्ट summarizers 'दस्तावेज़ X कहता है Y' से 'Y सच है' तक संक्रमण को फ्लैग किए बिना खिसक जाते हैं। 'distinguish claim from truth' नियम स्पष्ट है क्योंकि मॉडल इस पर डिफ़ॉल्ट-विफल होते हैं। जब नियम कायम रहता है, तो आप सारांश पढ़ते हैं और ठीक से जानते हैं कि कौन से कथन दस्तावेज़ के हैं, मॉडल के संपादकीय नहीं।
यदि मॉडल इस नियम का उल्लंघन करता है (जब दस्तावेज़ ने केवल दावा किया था तो X को तथ्य के रूप में बताता है), तो 'हर दावे को उसके स्रोत के लिए विशेषता देने के लिए reformulate करें' के साथ जवाब दें। एक सुधार के बाद Claude दस्तावेज़ के बाकी हिस्सों के लिए विशेषता बनाए रखता है।
क्रॉस-दस्तावेज़ वर्कफ़्लो
साहित्य समीक्षाओं के लिए, पहले प्रत्येक पेपर को व्यक्तिगत रूप से चलाएं — मॉडल संदर्भ सीमाएं और गुणवत्ता दोनों one-doc-at-a-time से लाभान्वित होते हैं। फिर दूसरे पास में, केवल परिणामी तालिकाओं को पेस्ट करें और पूछें: 'सहमति के बिंदुओं, असहमति के बिंदुओं, और सबसे मज़बूत एकल दावे की पहचान करें।' यह सभी पेपरों को एक shot में फ़ीड करने से कहीं तेज़ है।
एक 'confidence-decay' नियम बनाएं: कोई भी दावा जो केवल एक स्रोत में दिखाई देता है, बहु-स्रोत सारांश में एकीकृत होने पर स्वचालित रूप से एक स्तर डाउनग्रेड हो जाता है। यह एकीकृत समीक्षा को नवीन-लेकिन-पृथक खोजों की तुलना में दोहराई गई खोजों को अधिक महत्व देने के लिए मजबूर करता है, जो अच्छे अकादमिक अभ्यास से मेल खाता है।
अक्सर पूछे जाने वाले प्रश्न
›क्या यह बहुत लंबी PDF के लिए काम करता है?
Claude एक shot में 200K-token PDF संभालता है; ChatGPT/GPT-5 128K संभालते हैं। लंबे के लिए, अध्याय द्वारा विभाजित करें और प्रत्येक का सारांश दें, फिर सारांशों का सारांश दें। संरचित प्रारूप पासों में गुणवत्ता को सुसंगत रखता है।
›क्या यह विशिष्ट उद्धरण उद्धृत कर सकता है?
हां — प्रॉम्प्ट में 'प्रत्येक दावे के लिए, मूल वाक्यांश का 5-15 शब्द उद्धृत स्निपेट शामिल करें' जोड़ें। उपयोगी जब शब्दांकन मायने रखता है (कानूनी दस्तावेज़, तकनीकी विनिर्देश)।
›क्या होगा यदि दस्तावेज़ में स्पष्ट पृष्ठ संख्या नहीं है (वेब लेख)?
इसके बजाय सेक्शन शीर्षक या पैराग्राफ संख्या का उपयोग करें। प्रॉम्प्ट का 'पृष्ठ या सेक्शन' इसकी अनुमति देता है। वेब लेखों के लिए, paragraph index ('para 5') ठीक काम करता है।
›यह NotebookLM का उपयोग करने से कैसे तुलना करता है?
NotebookLM दस्तावेज़ अपलोड और citations को स्वचालित रूप से संभालता है लेकिन डिफ़ॉल्ट रूप से narrative सारांश उत्पन्न करता है। यह प्रॉम्प्ट संरचित-निष्कर्ष आउटपुट उत्पन्न करता है जो व्यवस्थित तुलना के लिए बेहतर है। दोनों का उपयोग करें: chat-शैली अन्वेषण के लिए NotebookLM, write-once-skim-many सारांशों के लिए यह प्रॉम्प्ट।
›'what's missing' सेक्शन को क्यों मजबूर करें?
क्योंकि हर रिसर्च सारांश को आपको स्पष्ट follow-ups के साथ छोड़ना चाहिए, पूर्णता की झूठी छाप नहीं। 'what's missing' सेक्शन यह भी बताता है कि जब दस्तावेज़ मौलिक रूप से आपके प्रश्न का उत्तर नहीं दे सकता — इसे पढ़ने में अधिक समय बिताने से पहले उपयोगी।
›क्या यह गैर-अंग्रेज़ी रिसर्च में काम करता है?
हां — Claude और GPT-5 जापानी / चीनी / जर्मन / फ्रेंच अकादमिक गद्य को अच्छी तरह संभालते हैं। संरचित आउटपुट आपकी प्रॉम्प्ट भाषा में रहता है; स्रोत भाषा भिन्न हो सकती है।
›मैं hallucinated पृष्ठ संख्याओं से कैसे बचूं?
यदि मॉडल पृष्ठ संख्या देता है, तो एक या दो स्पॉट-चेक करें। यदि वे गलत हैं, तो प्रॉम्प्ट में 'If you cannot verify a page number, mark it [page unknown] — never guess.' जोड़ें।
›क्या मैं इसे पॉडकास्ट ट्रांसक्रिप्ट के लिए उपयोग कर सकता हूं?
हां — 'पृष्ठ' को 'timestamp' से बदलें और बाकी काम करता है। संरचित-दावा निष्कर्षण पॉडकास्ट के लिए और भी उपयोगी है, जहां दावे स्पष्ट markers के बिना लंबे गद्य के चारों ओर तैरते हैं।
संबंधित कैलकुलेटर
संबंधित प्रॉम्प्ट
अंतिम बार अपडेट किया गया: