Parameters
| Parameter | Type | Required | Description |
|---|
| INLINECODE0 | string | Yes | 待分析的具体观点或主张(如"糖会导致儿童亢奋") |
| INLINECODE1 |
object | No | 观点来源信息,包含
author(作者)、
credentials(资质)、
affiliation(所属机构)、
potential_interests(潜在利益) |
|
evidence_available | array | No | 当前可获取的支持性证据列表(轶事、统计数据、实验结果等) |
|
domain | string | No | 观点所属领域(医学/心理学/社会学/政策等),用于选择专业视角 |
Execution Steps
Step 1: 权威溯源与利益审查 (Source & Interest Verification)
- - 核查提出者是否具备相关领域的实际专业资质(非自封专家)
- 识别利益冲突:是否存在政治资本、经济利益或媒体曝光动机?
- 输出标记:
source_credibility (high/medium/low), conflict_of_interest (boolean)
Step 2: 主张合理性校准 (Claim Plausibility Calibration)
- - 应用"卡尔·萨根原则":不寻常的主张需要不寻常的证据
- 评估与现有科学共识的兼容性,警惕"突破/革命"式宣传
- 质疑"快速解决复杂问题"的承诺(如简单方法解决青少年犯罪)
- 输出标记:
claim_plausibility (plausible/suspicious/extreme), evidence_barrier (high/low)
Step 3: 证据质量分级 (Evidence Hierarchy Evaluation)
- - 区分轶事证据(个人证词、精心挑选的案例)与实证证据(可重复实验、大样本研究)
- 检查是否存在"将适合少数人的事物推断为适合所有人"的风险
- 输出标记:
evidence_type (anecdotal/correlational/experimental), generalizability_risk (high/medium/low)
Step 4: 认知偏差识别 (Cognitive Bias Detection)
- - 情感偏差:是否存在绝望、恐惧等强烈情绪影响判断?(如绝望父母 grab any straw)
- 证实性偏差:是否只记住支持信念的证据而忽略反证?(如占星术信徒的选择性记忆)
- 期望偏差:观察者是否因预期而看到"想看到的结果"?(如预期糖导致亢奋而高估活跃程度)
- 输出标记:
detected_biases (array: [emotionalbias, confirmationbias, expectancy_bias])
Step 5: 逻辑谬误规避 (Logical Fallacy Avoidance)
- - 相关-因果谬误检查:是否将时间先后或统计关联等同于因果关系?
- 考虑第三变量解释(C变量):是否存在同时影响A和B的隐藏因素?
- 警惕"常识替代科学"(如"物以类聚"与"异性相吸"的矛盾常识)
- 输出标记:
causal_validity (valid/suspected_fallacy), third_variables (array)
Step 6: 多元视角整合 (Multi-perspective Integration)
-
生物/心理视角:遗传、神经机制、人格特质(如糖代谢对大脑的影响)
-
社会/情境视角:环境压力、群体规范、文化背景(如聚会氛围对儿童行为的影响)
-
经济/系统视角:成本收益、结构性因素、激励机制
- - 输出标记:
perspectives_considered (array), complexity_level (simple/complex)
Output Format
```json
{
"analysis_summary": {
"overall_trustworthiness": "low/medium/high",
"key_risks": ["利益冲突", "相关-因果谬误", "情感偏差"],
"recommended
action": "reject/suspendjudgment/accept
withcaution"
},
"detailed_assessment": {
"source": {"credibility": "...", "conflicts": "..."},
"claim": {"plausibility": "...", "required
evidencelevel": "..."},
"evidence": {"quality": "...", "generalizability": "..."},
"biases": ["emotional
bias", "confirmationbias"],
"logic": {"causal
validity": "...", "alternativeexplanations": ["..."]},
"perspectives": ["biological", "social", "economic"]
}
}
参数
| 参数名 | 类型 | 必填 | 描述 |
|---|
| claim | string | 是 | 待分析的具体观点或主张(如糖会导致儿童亢奋) |
| sourceinfo |
object | 否 | 观点来源信息,包含author(作者)、credentials(资质)、affiliation(所属机构)、potentialinterests(潜在利益) |
| evidence_available | array | 否 | 当前可获取的支持性证据列表(轶事、统计数据、实验结果等) |
| domain | string | 否 | 观点所属领域(医学/心理学/社会学/政策等),用于选择专业视角 |
执行步骤
步骤1:权威溯源与利益审查
- - 核查提出者是否具备相关领域的实际专业资质(非自封专家)
- 识别利益冲突:是否存在政治资本、经济利益或媒体曝光动机?
- 输出标记: sourcecredibility (high/medium/low), conflictof_interest (boolean)
步骤2:主张合理性校准
- - 应用卡尔·萨根原则:不寻常的主张需要不寻常的证据
- 评估与现有科学共识的兼容性,警惕突破/革命式宣传
- 质疑快速解决复杂问题的承诺(如简单方法解决青少年犯罪)
- 输出标记: claimplausibility (plausible/suspicious/extreme), evidencebarrier (high/low)
步骤3:证据质量分级
- - 区分轶事证据(个人证词、精心挑选的案例)与实证证据(可重复实验、大样本研究)
- 检查是否存在将适合少数人的事物推断为适合所有人的风险
- 输出标记: evidencetype (anecdotal/correlational/experimental), generalizabilityrisk (high/medium/low)
步骤4:认知偏差识别
- - 情感偏差:是否存在绝望、恐惧等强烈情绪影响判断?(如绝望父母抓住任何救命稻草)
- 证实性偏差:是否只记住支持信念的证据而忽略反证?(如占星术信徒的选择性记忆)
- 期望偏差:观察者是否因预期而看到想看到的结果?(如预期糖导致亢奋而高估活跃程度)
- 输出标记: detectedbiases (array: [emotionalbias, confirmationbias, expectancybias])
步骤5:逻辑谬误规避
- - 相关-因果谬误检查:是否将时间先后或统计关联等同于因果关系?
- 考虑第三变量解释(C变量):是否存在同时影响A和B的隐藏因素?
- 警惕常识替代科学(如物以类聚与异性相吸的矛盾常识)
- 输出标记: causalvalidity (valid/suspectedfallacy), third_variables (array)
步骤6:多元视角整合
-
生物/心理视角:遗传、神经机制、人格特质(如糖代谢对大脑的影响)
-
社会/情境视角:环境压力、群体规范、文化背景(如聚会氛围对儿童行为的影响)
-
经济/系统视角:成本收益、结构性因素、激励机制
- - 输出标记: perspectivesconsidered (array), complexitylevel (simple/complex)
输出格式
json
{
analysis_summary: {
overall_trustworthiness: low/medium/high,
key_risks: [利益冲突, 相关-因果谬误, 情感偏差],
recommended
action: reject/suspendjudgment/accept
withcaution
},
detailed_assessment: {
source: {credibility: ..., conflicts: ...},
claim: {plausibility: ..., required
evidencelevel: ...},
evidence: {quality: ..., generalizability: ...},
biases: [emotional
bias, confirmationbias],
logic: {causal
validity: ..., alternativeexplanations: [...]},
perspectives: [biological, social, economic]
}
}