Recueillez une demande anti-fictionnelle. Renvoie JSON {"question": "...", "anti_fake_rules": "...", "red_flags": "..."}. question—question de recherche ; anti_fake_rules - 3 à 5 règles dans la demande qui réduisent la fiction (par exemple : marquer la confiance, séparer les faits des hypothèses, écrire « Je ne sais pas » au lieu d'une supposition) ; red_flags - 2-4 signes par lesquels vous soupçonnez une hallucination dans la réponse.
Mécanique : le réseau de neurones ne ment pas volontairement, il complète le texte le plus plausible. S’il n’y a pas assez de données, le plausible et le juste divergent : le résultat est une fabrication fluide – une étude inexistante, un chiffre inventé, une fausse citation. C'est particulièrement dangereux si le ton est confiant. Leviers dans la demande. Autorisez l’ignorance : « si vous n’êtes pas sûr, écrivez-le, ne l’inventez pas ». Niveaux séparés : « marquez où se trouve le fait avec la source et où se trouve votre hypothèse ». Exiger une vérifiabilité : des citations précises et des liens pouvant être ouverts. Technique d'insight : demandez au modèle d'évaluer sa propre confiance pour chaque énoncé clé (élevé/moyen/faible) et d'expliquer sur quoi il est basé. Une faible confiance est un signal d’alarme, regardez-y d’abord. La deuxième technique : poser une question de contrôle - demander un fait qui réfuterait la conclusion. Si le modèle ne le peut pas, la conclusion peut être élargie. Drapeaux rouges : nombres parfaits arrondis, références sans noms ni dates spécifiques, citations introuvables, réponse à une question précise sans un seul « dépend de ». Une erreur courante : se fier à un ton confiant. La confiance d'un mannequin ne dit rien sur le fait d'avoir raison.
Débloquez l’accès pour soumettre des solutions pour un examen instantané par l’IA.