Чтобы нейросеть проверила факты в тексте, дайте ей роль редактора-фактчекера и попросите не переписывать текст, а разметить каждое утверждение: подтверждено, требует источника или сомнительно. Ключ к результату — отдельный запрос на проверку, нумерация утверждений и явное требование запрашивать подтверждение, а не додумывать.
Почему проверку фактов нужно выносить в отдельный запрос
Модель плохо справляется, когда в одном запросе просят и отредактировать текст, и проверить его достоверность. Задачи конфликтуют: редактирование требует переписывать формулировки, а фактчекинг — сохранять каждое утверждение в исходном виде, чтобы его можно было оценить. В результате модель увлекается стилем, сокращает или переформулирует фразы, и часть проверяемых тезисов просто исчезает из ответа.
Есть и вторая причина. При смешивании инструкций модель хуже удерживает формат: вместо разметки по категориям она выдаёт общий комментарий в духе «текст в целом достоверен». Такой ответ бесполезен, потому что не показывает, где именно нужно искать подтверждение.
Проверка фактов — это отдельный проход по готовому тексту, а не часть редактуры. Сначала текст приводят в порядок, затем фиксируют его версию и уже её отдают на проверку. На этом этапе задача модели сужается: не улучшать, а оценивать каждое утверждение по отдельности.
Практический приём — прямо запретить изменения в запросе на проверку. Формулировка «не переписывай текст, работай с ним как с неизменяемым источником» помогает модели удержать исходные формулировки. Если правки всё же нужны, их выносят в отдельный запрос после того, как проверка завершена.
Разделение редактуры и проверки — не формальность: оно сохраняет сами утверждения, без которых фактчекинг теряет смысл.
Базовый промпт: роль, задача и формат ответа
Рабочий запрос на фактчекинг состоит из трёх частей: роль, задача и формат ответа. Роль задаёт установку — модель должна не улучшать текст, а проверять его. Задача описывает, что именно нужно сделать с каждым утверждением. Формат ответа фиксирует, как вернуть результат, чтобы его было удобно читать и сверять с исходником.
Роль формулируйте через профессию и ограничение: редактор-фактчекер, который не переписывает материал и не добавляет своих выводов. Ограничение важнее названия роли: без прямого запрета модель начнёт править стиль и дополнять текст. Задачу описывайте одним действием — проверить каждое утверждение и присвоить ему пометку.
Формат ответа задавайте явно: список с номерами, исходная формулировка, пометка и короткое обоснование. Ниже — готовая конструкция, которую можно подставить под свой текст.
Ты — редактор-фактчекер. Проверь утверждения в тексте ниже.
Не переписывай текст, не меняй стиль, не добавляй факты от себя.
Для каждого утверждения верни строку в формате:
[номер] | утверждение | пометка | обоснование
Пометки: подтверждено, требует источника, сомнительно.
Если для проверки не хватает данных, пиши «требует источника»
и укажи, какой именно источник нужен. Не додумывай.
Текст:
<вставьте текст>Такой запрос даёт предсказуемую структуру ответа: строки легко сравнивать между запусками и переносить в таблицу. Если модель отступает от формата, повторите требование к выводу отдельным сообщением — это работает надёжнее, чем усложнять исходную инструкцию.
Разбейте текст на утверждения перед проверкой
Как выглядит разметка утверждений
Первый шаг — попросить модель не проверять текст целиком, а сначала выписать из него проверяемые утверждения отдельным нумерованным списком. Так вы получаете опорный перечень, к которому потом удобно отсылать и модель, и себя при сверке.
Промпт на этом шаге строится из двух частей: что извлечь и как оформить.
- Попросите выделить из текста только фактические утверждения — то, что можно подтвердить или опровергнуть.
- Задайте формат: сквозная нумерация, каждое утверждение — отдельная строка, дословная формулировка из текста.
- Укажите, что оценку давать не нужно: на этом этапе модель только размечает, а не судит.
Нумерация даёт практическую выгоду. Проверка идёт по пунктам, и модель реже перескакивает через утверждения, а в ответе можно сослаться на номер вместо длинной цитаты. Если список вышел неполным, его проще дополнить точечно, чем перезапускать весь разбор.
Что считать проверяемым утверждением
Граница между фактом и мнением размыта, поэтому критерий стоит задать прямо в запросе. Иначе модель начнёт помечать оценки и общие рассуждения, и полезных пунктов станет меньше.
- Проверяемое: числа, даты, имена, названия, должности, причинно-следственные связи, ссылки на события и документы.
- Непроверяемое: оценочные суждения, прогнозы, риторические обороты, общие советы без конкретики.
- Пограничное: обобщения вроде «большинство компаний» — их лучше вынести в список отдельно, с пометкой, что нужен источник.
Отдельно попросите сохранять исходные формулировки: при пересказе смысл меняется, и проверка начинает относиться уже к другому утверждению. Нумерация до проверки — это то, что превращает разбор в управляемый список.
Три категории пометок: подтверждено, требует источника, сомнительно
Шкала достоверности работает только тогда, когда у каждой категории есть чёткий критерий отнесения. Иначе модель начнёт путать «требует источника» и «сомнительно», а редактор будет разбирать пометки дольше, чем проверять текст вручную. Попросите нейросеть раскрашивать утверждения по трём категориям и коротко пояснять выбор.
| Категория | Когда ставить | Что писать в пояснении |
|---|---|---|
| Подтверждено | Факт общеизвестен или не вызывает споров у специалистов | Короткая отсылка к типу знания: закон, определение, устойчивая практика |
| Требует источника | Утверждение конкретно: цифра, дата, название, результат исследования | Какой именно источник нужен: отчёт, публикация, официальный документ |
| Сомнительно | Формулировка категорична, противоречит известным данным или выглядит преувеличением | Что именно смущает: масштаб, причинно-следственная связь, абсолютность |
Просите модель помечать каждое утверждение ровно одной категорией — так шкала остаётся рабочей. Если формулировка тянет сразу на две, пусть нейросеть выбирает более строгую: сомнительное важнее, чем просто требующее источника.
Отдельно оговорите, что «подтверждено» — не синоним «верно». Это значит лишь, что утверждение не требует внешней проверки в рамках редактуры. Всё, что содержит числа, имена и даты, по умолчанию попадает в «требует источника», даже если выглядит правдоподобно.
Попросите сохранять исходные формулировки при разметке: переписанное утверждение теряет привязку к тексту, и редактор не найдёт его при сверке. Раскраска должна идти по авторским фразам, а не по пересказу модели.
Как заставить нейросеть запрашивать подтверждение, а не додумывать
Модель по умолчанию склонна заполнять пробелы правдоподобными деталями: дописывать даты, числа, имена, которых нет в исходном тексте. Чтобы этого не происходило, задайте поведение при нехватке данных прямо в запросе — не как пожелание, а как правило.
Работают короткие императивные формулировки, встроенные в инструкцию:
- «Если для утверждения не хватает данных, не угадывай — напиши, чего именно не хватает».
- «Не дополняй текст новыми фактами, именами, датами и цифрами — работай только с тем, что есть».
- «Если сомневаешься — задай уточняющий вопрос вместо ответа».
- «Отмечай не только то, что подтверждено, но и то, что проверить невозможно».
- «Не меняй формулировки проверяемых утверждений».
Смысл этих требований — перевести модель из режима генерации в режим аудита. Когда нейросеть проверяет факты, её задача — фиксировать состояние знания о каждом утверждении, а не восстанавливать недостающие сведения. Формулировка «укажи, чего не хватает» полезна тем, что даёт модели легальный выход: вместо выдуманного ответа она возвращает запрос на уточнение.
Это отличается от работы с источниками. Там вы просите указать, где подтверждается утверждение; здесь вы задаёте, как вести себя, когда подтверждения нет вовсе. Первое касается ссылок, второе — дисциплины ответа.
Проверить, что правило сработало, просто: в ответе должны появляться пометки о нехватке данных, а не новые подробности, которых не было в исходном тексте.
Проверка результатов: что делать с пометками модели
Ответ модели — это черновик фактчекера, а не вердикт. Уверенный тон, аккуратные формулировки и отсутствие оговорок ничего не доказывают: языковая модель с равной лёгкостью выдаёт и верное утверждение, и правдоподобную выдумку. Поэтому читайте ответ как список вопросов к себе, а не как готовое заключение.
В первую очередь ручной проверки требуют пометки «подтверждено». Модель могла опереться на устаревшие данные, перепутать похожие сущности или просто согласиться с формулировкой из текста. Сверяйте такие пункты с первоисточником: официальным документом, статистикой, публикацией исследования. Если источник не находится быстро, помечайте утверждение как непроверенное, каким бы убедительным оно ни выглядело.
Категория «требует источника» — рабочая зона автора: здесь модель честно показывает, чего ей не хватает. «Сомнительно» сигнализирует о внутренних противоречиях, устаревших цифрах или смешении факта с мнением. Отдельно просмотрите утверждения, которых в исходном тексте не было: модель могла добавить их «по смыслу».
Порядок действий после получения ответа:
- Сопоставьте нумерацию пометок с исходными утверждениями — не потерялось ли что-то.
- Проверьте все «подтверждено» по первоисточникам, а не по вторичным пересказам.
- Для «требует источника» найдите подтверждение или переформулируйте утверждение.
- «Сомнительное» либо удалите, либо смягчите до проверяемого вида.
- Выпишите добавленные моделью факты и решите, нужны ли они тексту.
- Перечитайте текст целиком: проверенные по отдельности утверждения могут противоречить друг другу.
Отмечайте, какие типы ошибок повторяются: это подскажет, что уточнить в самом промпте при следующем прогоне.
Частые ошибки в запросах на фактчекинг
Большинство неудачных запросов на проверку фактов проваливаются не из-за слабости модели, а из-за формулировки. Модель отвечает ровно так, как её спросили, и расплывчатая просьба даёт расплывчатый результат.
- «Проверь всё» без критериев. Модель не знает, что считать фактом, а что — мнением, оценкой или стилистическим приёмом. Без рамки она либо проверяет всё подряд, либо выбирает случайные фрагменты.
- Смешивание с редактурой. Просьба «проверь и заодно поправь стиль» заставляет модель переписывать текст, и проверить уже нечего: утверждения меняются по ходу работы. Проверка и правка — разные задачи, и запускать их нужно по отдельности.
- Доверие к категоричным ответам. Уверенный тон модели не означает достоверности. Если ответ звучит как «это факт», это ещё не подтверждение — источник всё равно нужен.
- Отсутствие фиксированной версии. Когда текст правится параллельно с проверкой, пометки теряют привязку к конкретным формулировкам. Проверять нужно зафиксированный фрагмент, а не движущийся черновик.
- Просьба «найти ошибки» вместо проверки. Такая формулировка подталкивает модель придумывать недочёты там, где их нет, — лишь бы выполнить задание.
Каждый из этих промахов лечится уточнением: что именно проверять, в каком виде дать ответ и что делать с сомнительными местами. Чем конкретнее рамка, тем меньше в ответе догадок.
Частые вопросы
Может ли нейросеть сама подтвердить факт без моего участия?
Нет. Модель может указать, где утверждение выглядит сомнительным, и предположить, какой источник нужен, но окончательное подтверждение требует обращения к первоисточнику. Ответ нейросети — это карта для проверки, а не сама проверка.
Что делать, если нейросеть уверенно называет факт верным, а я сомневаюсь?
Уверенный тон модели не равен достоверности. Попросите её указать, на какие данные она опирается, и отдельно проверьте утверждение по первоисточнику. Если источник не находится, считайте утверждение неподтверждённым.
Можно ли проверить факты в тексте на иностранном языке?
Да, большинство моделей работают с несколькими языками. Уточните в запросе язык текста и попросите давать пометки на русском, чтобы ответ было удобнее читать.
Сколько утверждений за раз давать нейросети на проверку?
Лучше разбивать длинный текст на части по 10–15 утверждений. Так модель реже пропускает пункты и не смешивает пометки между фрагментами.
Подойдёт ли один и тот же промпт для разных типов текста?
Базовая конструкция — да, но категории пометок стоит адаптировать. Для новостей важна дата и источник, для инструкций — актуальность шагов, для маркетинговых текстов — формулировки, которые звучат как факт, но им не являются.
Как понять, что нейросеть пропустила сомнительное утверждение?
Сравните список утверждений, который модель выделила, с исходным текстом. Если проверяемое утверждение не попало в список, добавьте его вручную и попросите проверить отдельно.