Фактчекинг через ИИ полезен не потому, что модель «знает правду», а потому, что помогает разложить текст на проверяемые утверждения, найти слабые места и не забыть про дату, первоисточник и степень уверенности. Ниже — 10 рабочих промптов для редакции. Каждый ответ ИИ нужно проверять человеком: качество зависит от модели, доступа к данным, формулировки запроса и свежести источников.
Как пользоваться этим набором
Скопируйте промпт, подставьте переменные и требуйте от модели разделять факты, предположения и редакторские выводы. Если инструмент умеет ходить в веб, просите ссылки и дату обращения. Если не умеет — используйте его только для подготовки чек-листа проверки, а не как источник истины.
Таблица выбора промпта
| Задача | Что проверить | Промпт |
|---|---|---|
| Разобрать текст | Claims и риски | 1 |
| Найти первоисточник | Кто сообщил первым | 2 |
| Проверить дату | Актуальность и контекст | 3 |
| Оценить доказательства | Сила источников | 4 |
| Сверить цитату | Точность слов | 5 |
| Проверить цифры | Методика и база | 6 |
| Найти конфликт данных | Разные версии | 7 |
| Оформить пометку | Что сказать читателю | 8 |
| Проверить перевод | Смысл и термины | 9 |
| Финальный прогон | Готовность к публикации | 10 |
Топ-10 промптов
Промпт 1
Когда использовать: перед началом проверки материала, чтобы выделить все проверяемые утверждения.
Разбери текст на отдельные claims. Для каждого укажи: тип факта, что именно нужно проверить, возможный первоисточник, риск ошибки, степень уверенности от 0 до 100 и редакторскую пометку. Текст: {текст}
Переменные: {текст}, {тема}, {страна}. Ожидаемый вывод: таблица claims с приоритетом проверки. Проверка качества: каждое утверждение должно быть проверяемым, а не общим мнением. Частая ошибка: модель смешивает факт и интерпретацию.
Промпт 2
Когда использовать: если в тексте есть ссылка на исследование, заявление, закон, отчёт или статистику без точного источника.
Найди вероятный первоисточник для утверждения: {claim}. Не используй пересказы как окончательное подтверждение. Верни возможные первоисточники, дату публикации, автора или организацию, ссылку, что именно подтверждается и что не подтверждается.
Переменные: {claim}, {язык}, {период}. Ожидаемый вывод: список первоисточников и ограничений. Проверка качества: ссылка должна вести к исходному документу или официальной странице. Частая ошибка: выдача новостного пересказа за первоисточник.
Промпт 3
Когда использовать: для событий, должностей, цен, рейтингов и норм, которые могли измениться.
Проверь временную актуальность утверждения: {claim}. Укажи дату события, дату источника, дату последнего обновления, на какую дату утверждение корректно, и нужна ли формулировка «по состоянию на {дата}».
Переменные: {claim}, {дата публикации}, {регион}. Ожидаемый вывод: временная карта факта. Проверка качества: модель должна различать дату публикации и дату события. Частая ошибка: игнорирование обновлений после выхода источника.
Промпт 4
Когда использовать: когда источников несколько и нужно понять, какие сильнее.
Оцени доказательную силу источников по claim: {claim}. Раздели источники на первичные, вторичные и справочные. Для каждого поставь уровень доверия, причину, возможный конфликт интересов и итоговую степень уверенности.
Переменные: {claim}, {список ссылок}. Ожидаемый вывод: ранжирование источников. Проверка качества: официальность не должна автоматически означать полноту. Частая ошибка: завышение уверенности при одном источнике.
Промпт 5
Когда использовать: при проверке прямой речи, переводных цитат и высказываний из соцсетей.
Проверь цитату: «{цитата}». Найди исходное место публикации или выступления, сравни точный текст, контекст до и после, дату, язык оригинала и допустимость сокращения. Дай редакторскую пометку.
Переменные: {цитата}, {персона}, {дата}. Ожидаемый вывод: статус цитаты: точная, сокращённая, спорная или не подтверждена. Проверка качества: должна быть ссылка на запись, стенограмму или оригинальный пост. Частая ошибка: подтверждение цитаты по сайтам с подборками.
Промпт 6
Когда использовать: для процентов, темпов роста, численности аудитории, бюджетов и сравнений.
Проверь числовое утверждение: {claim}. Укажи исходные данные, метод расчёта, единицы измерения, период, базу сравнения, возможное округление и альтернативную трактовку. Если расчёт нужен, покажи формулу.
Переменные: {claim}, {таблица данных}, {валюта}. Ожидаемый вывод: проверенный расчёт и комментарий к методике. Проверка качества: сумма, процент и период должны совпадать. Частая ошибка: сравнение номинальных и реальных значений без оговорки.
Промпт 7
Когда использовать: когда разные источники дают разные цифры или версии событий.
Сравни противоречащие источники по теме: {тема}. Для каждого источника укажи claim, дату, метод получения данных, что могло вызвать расхождение, какой вариант безопасно использовать в тексте и какую оговорку добавить.
Переменные: {тема}, {источник 1}, {источник 2}, {источник 3}. Ожидаемый вывод: карта расхождений. Проверка качества: объяснение должно опираться на методику, а не на симпатию к источнику. Частая ошибка: выбор самой свежей версии без анализа.
Промпт 8
Когда использовать: когда факт нельзя подтвердить полностью, но материал всё равно нужен.
Сформулируй редакторскую пометку к claim: {claim}. Укажи, что подтверждено, что не найдено, какие источники проверены, степень уверенности, безопасную формулировку для публикации и вариант, который лучше не использовать.
Переменные: {claim}, {проверенные источники}, {дедлайн}. Ожидаемый вывод: короткая пометка для редактора и версия для читателя. Проверка качества: пометка не должна прятать неопределённость. Частая ошибка: превращение сомнительного факта в уверенное утверждение.
Промпт 9
Когда использовать: при работе с иностранными документами, исследованиями и заявлениями.
Проверь перевод и смысл утверждения. Оригинал: {оригинальный текст}. Перевод: {перевод}. Найди смысловые потери, спорные термины, юридические или научные нюансы, и предложи более точную редакционную формулировку.
Переменные: {оригинальный текст}, {перевод}, {контекст}. Ожидаемый вывод: список расхождений и исправленная версия. Проверка качества: важные термины должны сохранять отраслевой смысл. Частая ошибка: буквальный перевод без учёта контекста.
Промпт 10
Когда использовать: перед публикацией, когда все правки уже внесены.
Проведи финальный фактчекинг материала: {текст}. Найди неподтверждённые claims, устаревшие даты, слабые источники, недостающие первоисточники, рискованные формулировки и места, где нужна редакторская пометка. Верни список правок по приоритету.
Переменные: {текст}, {список источников}, {дата публикации}. Ожидаемый вывод: финальный лист проблем и решений. Проверка качества: модель должна указывать конкретные фрагменты текста. Частая ошибка: общие советы без привязки к абзацам.
Мини-стандарт уверенности
- 90–100: подтверждено первоисточником, дата актуальна, формулировка точная.
- 70–89: есть сильные источники, но не хватает одного элемента: методики, даты обновления или полного контекста.
- 40–69: факт можно упоминать только с оговоркой.
- 0–39: не публиковать как утверждение; искать дополнительные подтверждения.
Запускной чек-лист
- Все claims выделены отдельно.
- Для ключевых фактов найден первоисточник, а не пересказ.
- Даты события, публикации и обновления не перепутаны.
- Для цифр проверены база, период, единицы и формула.
- У спорных мест есть редакторская пометка.
- Финальный текст проверен человеком, а не только ИИ.
FAQ
Можно ли доверять оценке уверенности от ИИ? Нет как финальному вердикту. Это рабочий индикатор, который помогает расставить приоритеты проверки.
Что считать первоисточником? Исходный документ, база данных, стенограмма, официальный релиз, научная публикация или прямое заявление, а не пересказ в медиа.
Нужно ли сохранять промпты в редакции? Да. Это делает проверку повторяемой и помогает объяснить, почему факт был опубликован, уточнён или снят.
Источники и ограничения
Методика опирается на общие практики prompt engineering и редакционного фактчекинга: OpenAI: рекомендации по промптам, Zapier: шаблоны промптов, Zapier: как формулировать запросы, International Fact-Checking Network, Verification Handbook. Вывод ИИ требует человеческой проверки и зависит от модели, настроек, доступа к вебу, качества входных данных и даты обращения к источникам.