مدقق الحقائق لمخرجات الذكاء الاصطناعي: اكتشف الادعاءات الوهمية قبل الإرسال
Why this prompt matters
AI hallucinations follow predictable patterns — invented statistics, misattributed quotes, fabricated citations — but they're specifically designed to be fluent and plausible-sounding, which is exactly why people miss them under time pressure. A single fabricated quote or wrong statistic in a client deliverable, published article, or legal filing has already led to real retractions, lawsuits, and sanctioned attorneys in 2026; the fix costs 15 minutes of structured review, while the failure mode costs a client relationship or a professional reputation.
What we use it for
You used an AI assistant to draft a client-facing quarterly report that includes market statistics, a competitor comparison, and two quotes attributed to industry analysts, and you have 15 minutes before the file needs to go out to review it for anything that could be wrong or made up.
Prompt
Act as a rigorous fact-checking editor reviewing AI-generated or human-written text before it goes out the door.
CONTEXT:
[PASTE THE FULL TEXT TO BE FACT-CHECKED HERE]
Domain/topic area: [E.G., FINANCE, HEALTHCARE, LEGAL, GENERAL BUSINESS, TECHNICAL DOCUMENTATION]
Where this is going: [E.G., CLIENT-FACING REPORT, PUBLISHED ARTICLE, INTERNAL MEMO, LEGAL FILING]
Acceptable risk level: [E.G., ZERO TOLERANCE FOR ERROR — LEGAL/MEDICAL, LOW TOLERANCE — CLIENT-FACING, MODERATE — INTERNAL DRAFT]
TASK:
Go through the text claim by claim and identify every statement that could be factually wrong, specifically:
1. Statistics, percentages, or numerical claims
2. Dates, timelines, or sequences of events
3. Direct quotes or attributions to specific people or organizations
4. Named sources, studies, or citations
5. Claims about a specific product, company, or technical specification
6. Absolute or superlative claims ("first," "only," "largest," "never")
For each flagged claim, assess whether it is: (a) verifiable and correct based on what you know, (b) verifiable but you cannot confirm accuracy with confidence, (c) a claim pattern strongly associated with AI hallucination (oddly specific numbers, plausible-sounding but unverifiable citations, quotes that don't sound like they'd actually be said), or (d) clearly fabricated or internally inconsistent with other parts of the text.
CONSTRAINTS:
- Do not simply say a claim "sounds plausible" — plausibility is not the same as accuracy, and hallucinated claims are specifically designed to sound plausible
- Pay special attention to specific numbers and dates that are not rounded — oddly precise figures ("73.4% of users") without an obvious source are a common hallucination signature
- If a quote is attributed to a real, identifiable person or organization, flag it as high-risk unless you have strong reason to believe it's accurate — fabricated quotes are one of the most damaging and common hallucination types
- Do not rewrite the entire text — only propose specific edits to the flagged claims
- If you cannot verify a claim with confidence, say so explicitly rather than guessing
OUTPUT FORMAT:
1. Risk Summary — one line stating how many claims were flagged and the highest-risk category found
2. Claim-by-Claim Table — each flagged claim, its risk classification (a/b/c/d from above), and a one-line explanation
3. High-Priority Fixes — the 3-5 claims that pose the most risk if wrong, with a suggested safer rewording or a note to verify against a specific source type
4. Safe-to-Publish Verdict — a direct yes/no/not-yet judgment on whether the text is ready to send, and what would need to change to get to yesResult
Risk Summary
7 claims flagged across the report; highest risk category is one fabricated-pattern quote attributed to a named analyst (category c) and one unverifiable statistic (category b).
Claim-by-Claim Table
| Claim | Risk | Why |
|---|---|---|
| "Market grew 34.7% year-over-year" | (c) Hallucination pattern | Oddly precise figure with no cited source in the surrounding text — classic fabrication signature |
| "According to Sarah Chen, Senior Analyst at Gartner, 'this segment will triple by 2027'" | (c) Hallucination pattern | Specific quote attributed to a named person at a real firm; cannot confirm this person said this — high fabrication risk |
| "Our Q3 revenue was $4.2M, up from $3.1M in Q2" | (a) Verifiable, likely correct | Matches figures used consistently elsewhere in the document; internally consistent |
| "We are the only company offering this feature" | (d) Fabricated/unsupported | Absolute superlative claim with no supporting evidence in the text — high legal/reputational risk if wrong |
| "launched in March 2024" | (b) Unverifiable with confidence | Plausible but I cannot confirm this specific date without an external source |
High-Priority Fixes
1. The Sarah Chen/Gartner quote — do not publish without directly verifying this quote exists in an actual Gartner report or interview. If unverifiable, remove the attribution and rephrase as your own analysis, or cut the claim entirely.
2. "34.7% year-over-year" — replace with a rounded, sourced figure (e.g., "approximately 30%, per [specific named source]") or remove if no source exists.
3. "Only company offering this feature" — this is a legally risky absolute claim. Either verify it directly against competitor offerings or soften to "one of the few companies offering this feature."
Safe-to-Publish Verdict
Not yet. The document is safe to send once the Gartner quote is either verified or removed and the unsourced statistic is either sourced or rounded down to a defensible range. The revenue figures and general narrative appear internally consistent and low-risk as-is.
النصوص المولدة بالذكاء الاصطناعي لها نمط فشل محدد يختلف عن الخطأ البشري العادي: فهي تنتج ادعاءات واثقة وسلسة ومعقولة الظاهر، ولكنها أحيانًا مختلقة بالكامل. الإحصاء الوهمي يقرأ تمامًا كالإحصاء الحقيقي. الاقتباس المختلق يبدو تمامًا مثل ما قد يقوله محلل حقيقي. وهذه هي بالضبط خطورة الهلوسات — فهي لا تبدو خاطئة، والمراجعة العادية للصياغة والوضوح لن تكتشفها.
هذا الـ Prompt مصمم لاكتشاف نمط الفشل المحدد ذلك من خلال معاملة تدقيق الحقائق كمرحلة منفصلة بذاتها، مع تصنيف صريح خاص بها لما يجب البحث عنه.
لماذا يستهدف الـ Prompt أنواعًا محددة من الادعاءات
قسم المهمة لا يطلب فقط من النموذج "التحقق من الأخطاء" — بل يسرد ست فئات محددة: الإحصائيات، التواريخ، الاقتباسات، الاستشهادات، الكيانات المسماة، وصيغ التفضيل. هذا مهم لأن تعليمات تدقيق الحقائق العامة تنتج مخرجات عامة منخفضة القيمة ("يبدو هذا دقيقًا"). تسمية الفئات الدقيقة التي تتركز فيها الهلوسات تدفع النموذج إلى مسح تلك الأنماط فعليًا بدلاً من إجراء مراجعة غامضة للمعقولية.
الاقتباسات والاستشهادات تحظى باهتمام خاص لأنها أعلى فئات الهلوسات خطورة. الإحصاء المختلق سيئ؛ لكن الاقتباس المختلق المنسوب إلى شخص حقيقي معروف هو مشكلة من درجة مختلفة — إنه بيان كاذب حول ما قاله شخص ما، وقد أوقع مؤسسات حقيقية في مشاكل قانونية وسمعية في عام 2026، بما في ذلك حالة واحدة على الأقل تم تداولها على نطاق واسع لملف قانوني يستشهد بقضاء مفتعل.
لماذا المعقولية ليست المعيار
أهم سطر في قسم القيود هو التعليمات بعدم قبول "يبدو معقولاً" كمعيار للتحقق. هذا يستهدف مباشرة كيفية عمل الهلوسات فعليًا: النموذج الذي اختلق إحصاءً في المقام الأول، إذا طُلب منه التحقق من عمله بشكل عابر، غالبًا ما سيجد نفس الإحصاء المختلق معقولاً — لأنه ولّده ليكون معقولاً. فرض تصنيف رباعي (موثّق / غير قابل للتحقق / نمط هلوسة / مختلق) بدلاً من فحص ثنائي يدفع النموذج إلى التصريح بعدم يقينه بدلاً من اللجوء إلى الثقة الزائفة.
لماذا يتم الإبلاغ عن الأرقام الدقيقة بشكل غريب تحديدًا
التعليمات بالإبلاغ عن الأرقام غير المدورة والمحددة بشكل غريب ("73.4%" بدلاً من "حوالي 75%") تستهدف نمطًا حقيقيًا موثقًا في كيفية ظهور الإحصائيات المهلوسة — الأرقام المختلقة غالبًا ما تحمل دقة زائفة لا تشاركها الإحصائيات الحقيقية التي تأتي عادة من استطلاعات غير كاملة أو تقارير مدورة. هذه طريقة استرشادية، وليست ضمانًا، لكنها مرشح مفيد في المرحلة الأولى يلتقط حصة كبيرة من الأرقام الملفقة بمجرد النظر.
كيف يبدو المخرجات الجيدة
التشغيل المفيد لهذا الـ Prompt يجب أن ينتهي بحكم لا لبس فيه — ليس "يبدو جيدًا في الغالب" بل إجابة محددة بنعم/لا/ليس بعد، مرتبطة بقائمة قصيرة لما يحتاج إلى الإصلاح بالضبط. إذا كان مخرجات النموذج مراوغة غامضة دون تقييمات ملموسة لكل ادعاء على حدة، فقد فشل الـ Prompt ويحتاج ربما إلى تذكير النموذج بالعمل عبر النص بشكل منهجي بدلاً من تلخيص انطباعه العام.
حدود هذا النمط
هذا الـ Prompt جيد بقدر قدرة النموذج على التحقق الفعلي من الادعاءات مقابل معلومات حقيقية — دون بحث على الويب أو مصدر معرفة متصل، النموذج يقوم بتخمينات مدروسة حول أي الادعاءات تبدو خطيرة، وليس تأكيد الحقيقة الأساسية. تعامل مع المخرجات كفرز منظم للمخاطر يخبرك أين تنفق وقت التحقق المحدود لديك، وليس بديلاً عن التحقق من العناصر عالية المخاطر (خاصة الاقتباسات والاستشهادات) بنفسك من مصدر أولي.