نگاشت‌گر تناقض منابع: تحقیقات متناقض را به تصویری روشن از آنچه واقعاً شناخته‌شده است تبدیل کنید
چرا این پرامپت اهمیت دارد
Teams facing conflicting research typically do one of two costly things: cherry-pick the single study that confirms the decision they already wanted to make, or present an unhelpful it's complicated summary that gives leadership nothing to act on. Both lead to bad calls — either a six-figure tooling rollout based on cherry-picked data that later gets reversed, or weeks of stalled decision-making while stakeholders argue past each other because nobody has actually mapped where the sources agree, where they genuinely conflict, and why.
ما از آن برای چه استفاده می‌کنیم
A product manager at a mid-size software company has been asked by leadership to recommend whether to expand AI coding assistant licenses from a 20-person pilot team to all 400 engineers. They have pulled five research reports and internal surveys that reach opposite conclusions about whether the tools actually help experienced developers, and need to brief the VP of Engineering by Friday without just picking whichever study confirms what leadership wants to hear.
پرامپت
Role: Act as a rigorous research analyst whose specialty is synthesizing conflicting sources without flattening genuine disagreement into false consensus. Context: I am researching the following question: [YOUR RESEARCH QUESTION]. Below are summaries, abstracts, or excerpts from [NUMBER] sources, each labeled with a source name and date: [SOURCE 1 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [SOURCE 2 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [SOURCE 3 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [ADD MORE SOURCES AS NEEDED, 3-8 TOTAL WORKS BEST] Task: Read all sources carefully and produce a structured synthesis in four parts: 1. CONSENSUS — claims that at least 2/3 of sources agree on, with source citations for each claim. 2. DIRECT CONTRADICTIONS — specific pairs or groups of sources that disagree, stated precisely (not vaguely), with a note on whether the disagreement is about facts, methodology, definitions, or interpretation. 3. CONFIDENCE-GRADED SYNTHESIS — your best current-state summary of what is actually known, with each claim tagged [HIGH CONFIDENCE], [CONTESTED], or [SPECULATIVE] based on how many independent sources support it and how strong their evidence is. 4. OPEN QUESTIONS — what none of the sources address, or what would need to be true to resolve the contradictions in section 2. Constraints: - Do not average conflicting claims into a mushy middle position that no source actually holds — if Source A says X and Source B says the opposite of X, state that clearly, do not invent a compromise position. - Every claim must cite which source(s) support it. No unattributed claims. - If a source is clearly lower-quality (anecdotal, single case study, no methodology given) versus another that has clear methodology, note the quality difference — do not treat all sources as equally authoritative by default. - Flag your own uncertainty explicitly rather than projecting false confidence. Output format: Use the four numbered sections above as headers. Under each, use bullet points with inline source citations in parentheses. Keep the whole output under 600 words — the goal is clarity, not exhaustiveness.
نتیجه
1. CONSENSUS
- AI coding assistants measurably speed up small, well-defined tasks: boilerplate generation, syntax lookup, and test scaffolding (TechCorp Internal Study 2026, DevSurvey Q2 2026, Stack Overflow Developer Report 2026).
- Adoption is now near-universal among professional developers — over 80% report using an AI coding tool at least weekly (DevSurvey Q2 2026, GitHub Octoverse 2026).
2. DIRECT CONTRADICTIONS
- Net productivity effect for experienced developers: METR's randomized controlled trial (July 2026) found experienced open-source contributors were 19% SLOWER on real tasks when using AI assistants, despite believing they were faster. TechCorp's internal study claims a 35% velocity increase for the same seniority band. This is a methodology conflict, not just a disagreement: METR used a blinded RCT with actual time tracking; TechCorp used self-reported estimates and ticket-closure counts, which the METR paper specifically flags as unreliable for this exact reason.
- Code review burden: DevSurvey reports 62% of senior engineers say AI-generated code increases their review workload; GitHub's Octoverse report claims review time per PR has stayed flat. These may not actually conflict — Octoverse measures aggregate time, DevSurvey measures perceived cognitive load, which are different metrics being talked past each other.
3. CONFIDENCE-GRADED SYNTHESIS
- [HIGH CONFIDENCE] AI tools speed up junior developers and well-scoped, low-ambiguity tasks.
- [CONTESTED] Whether AI tools speed up or slow down experienced developers on complex, real-world tasks — the only randomized controlled evidence (METR) says slower; self-reported industry surveys say faster, but self-report is a known-weak methodology for this specific question.
- [SPECULATIVE] Long-term skill atrophy effects — no source has data past 12 months of tool use.
4. OPEN QUESTIONS
- No source separates productivity effects by codebase size or legacy-code complexity — this is likely a major confound.
- None of the sources track outcomes past initial code merge (bug rates 3-6 months later are unmeasured).
- Resolving the TechCorp vs. METR contradiction would require TechCorp to re-run their study with blinded time tracking instead of self-report.
بیشتر پرامپت‌های ترکیب تحقیقات، بی‌سروصدا کاری غیرصادقانه انجام می‌دهند: وقتی منابع با هم اختلاف‌نظر دارند، این اختلاف را در یک موضع میانی نرم و پر از احتیاط ادغام می‌کنند که هیچ منبع واقعی‌ای آن را نمی‌پذیرد. نگاشت‌گر تناقض منابع طوری طراحی شده که این میان‌بر را نپذیرد.
چرا میانگین‌گیری از اختلاف‌نظر، بدتر از بی‌فایده بودن است
اگر منبع A بگوید یک تغییر، عملکرد را ۳۵٪ افزایش می‌دهد و مطالعهٔ کنترل‌شدهٔ منبع B بگوید همان تغییر، عملکرد را ۱۹٪ کاهش می‌دهد، ترکیب صادقانه، میانگین این دو نیست. این یک هشدار است: این منابع دربارهٔ جهت واقعی اثر با هم اختلاف دارند، و دلیلش این است — معمولاً یک تفاوت روش‌شناختی، نه صرفاً نویز آماری. مدلی که این را به «مطمئن نیستیم، اما شاید یک اثر مثبت خفیف وجود داشته باشد» صاف و ساده می‌کند، مفیدترین اطلاعات کل تحقیق را دور انداخته است: اینکه خودِ اختلاف‌نظر، یک نشانهٔ تشخیصی است.
چرا این ساختار چهاربخشی وجود دارد
اجماع در ابتدا می‌آید چون پایهٔ اصلی است — چیزی که اکثر منابع واقعاً بر سر آن توافق دارند، فارغ از اختلاف‌های پرسروصداتری که روی آن قرار گرفته‌اند. تناقض‌های مستقیم در مرحلهٔ دوم می‌آیند و کار اصلی را انجام می‌دهند: مدل را وادار می‌کنند جفت‌های مشخصی از منابع و ادعاهای معین را نام ببرد، به‌جای اشاره‌ای مبهم به «یافته‌های متفاوت». بخش ترکیبِ درجه‌بندی‌شده بر اساس اطمینان، جایی است که این پرامپت ارزش خود را برای تصمیم‌گیرندگان اثبات می‌کند — برچسب زدن ادعاها با اطمینان بالا، مناقشه‌برانگیز یا گمانه‌زنی، به خواننده چیزی می‌دهد که واقعاً می‌تواند بر اساس آن عمل کند، نه دیواری از نثر محتاطانه. سؤالات باز نیز حلقه را می‌بندد، با نام بردن از آنچه باید درست باشد تا تناقض‌ها حل شوند — که یک ترکیب یک‌باره را به یک نقشهٔ راه پژوهشی تبدیل می‌کند.
این پرامپت کجا به کار می‌آید
این پرامپت دقیقاً برای موقعیتی طراحی شده که بیشتر گزارش‌های تحقیقاتی در آن شکست می‌خورند: چند منبع معتبر به‌نظر دارید که با هم توافق ندارند، و باید کسی را توجیه کنید که قرار است بر اساس خلاصهٔ شما تصمیمی واقعی بگیرد. این پرامپت برای هوش رقابتی (مقایسهٔ گزارش‌های تحلیلگران دربارهٔ یک بازار)، مرورهای ادبیات دانشگاهی (مقایسهٔ یافته‌های مطالعات دربارهٔ یک پرسش پژوهشی)، تصمیم‌های محصول (مقایسهٔ تحقیقات کاربری که به جهت‌های متفاوت اشاره دارند)، و تحلیل سیاست‌گذاری (مقایسهٔ گزارش‌های اندیشکده‌ها با نتیجه‌گیری‌های متفاوت) کاربرد دارد.
عادتی که این پرامپت برای شکستن آن طراحی شده
سوگیری تأییدی در ترکیب تحقیقات، به‌ندرت شبیه ناصادقی آشکار است — بیشتر شبیه این است که ناخودآگاه کمی وزن بیشتری به منبعی بدهید که با باور پیشین شما هم‌خوان است، و از منبعی که هم‌خوان نیست به‌سرعت بگذرید. الزام به داشتن بخشی صریح برای تناقض‌های مستقیم با جفت‌های نام‌بردهٔ منابع، انجام ناخواسته و پنهانیِ این نوع گزینش‌گری را بسیار دشوارتر می‌کند، چون پرامپت شما را ملزم می‌کند پیش از اجازهٔ رفتن به سمت ترکیب، اختلاف‌نظر را به‌روشنی بیان کنید.