S'inscrire gratuitement

Distinguer les faits, les inférences et les opinions dans un document source

Auteur: AILesson6 min de préparationTesté avec:ChatGPTRévisé: 2026-08-28

Réponse rapide

Classer les énoncés élémentaires selon ce que la source observe, conclut, valorise, recommande ou laisse incertain. Fournir: Document source, Contexte et objectif, Règles de classification. Résultat attendu: Une cartographie traçable des énoncés comprenant les preuves, la chaîne d’inférence et une reformulation neutre.

1

Ajouter votre contexte

Votre texte reste dans ce navigateur. AILesson Prompts ne l’envoie ni à un modèle ni à un serveur.

2

Votre prompt

Les champs non remplis restent visibles sous forme d’espaces réservés, afin que vous puissiez quand même copier et modifier le prompt.

Classez les énoncés de la source comme faits, affirmations rapportées, inférences, prédictions, opinions, jugements de valeur, recommandations ou incertitudes en appliquant les règles fournies.

Document source :
[material]

Genre, rôle de l’auteur, public et objectif :
[context]

Définitions de la classification :
[rules]

Décomposez les phrases mixtes en énoncés élémentaires. L’étiquette « fait » signifie que la source présente un énoncé vérifiable, et non que vous l’avez vérifié de façon indépendante ; distinguez un fait rapporté par la source d’un fait vérifié extérieurement. Repérez les indices linguistiques, les preuves ou prémisses, les étapes d’inférence manquantes, la modalité, l’attribution et ce qui permettrait de vérifier chaque énoncé. Ne qualifiez pas un énoncé d’opinion simplement parce qu’il est controversé, ni de fait simplement parce qu’il contient un nombre. Fournissez un tableau des énoncés, les chaînes d’inférence, les cas mixtes ou ambigus, les endroits où la grammaire masque l’acteur ou le degré de certitude, ainsi qu’une reformulation neutre qui préserve l’attribution et le statut épistémique.
Essayer dans le Playground
Privé par défautL’assemblage du prompt se fait localement dans votre navigateur. Évitez de placer des informations confidentielles dans un service d’IA, sauf si votre organisation l’autorise.

De l'entrée au résultat

Un exemple détaillé

Voyez comment un contexte concret transforme cette recette en résultat utilisable.

Entrée réelle

Document source
[Note de la direction, §2] Les plaintes des clients sont passées de 42 en avril à 57 en mai. Cette hausse montre clairement que le nouveau système de routage déroute les clients. Puisque le système est fondamentalement défectueux, nous devons rétablir immédiatement l’ancien processus. Les opérations indiquent que la hausse de mai peut en partie refléter une campagne ayant généré 18 % de commandes supplémentaires, mais leur analyse n’est pas terminée. Si la tendance actuelle se poursuit, les plaintes dépasseront 70 en juin.
Contexte et objectif
Note décisionnelle interne rédigée par la direction du service à l’intention des cadres. Nous devons préparer une synthèse neutre des éléments avant de décider d’un retour en arrière. Aucune vérification externe n’a été effectuée.
Règles de classification
Fait : affirmation vérifiable passée/actuelle présentée par la source. Affirmation rapportée : affirmation vérifiable attribuée, non vérifiée indépendamment. Inférence : conclusion tirée de prémisses indiquées ou non. Prévision : affirmation future. Opinion/jugement de valeur : norme évaluative. Recommandation : action proposée. Incertitude : limite ou modalité explicite. Une affirmation ne peut recevoir une étiquette principale et secondaire que si elles sont indissociables.

Exemple de sortie

S1 Les réclamations étaient au nombre de 42 en avril et de 57 en mai | fait présenté par la source, non vérifié indépendamment | indice : nombres passés | vérifier au moyen des extractions du système de réclamations, des définitions et des dénominateurs mensuels. S2 Le système de routage a dérouté les clients | inférence présentée avec une forte certitude (« clairement ») | prémisse : hausse du nombre ; éléments manquants : motifs des réclamations, exposition, volume des commandes, comparaison et chronologie. S3 Le système est fondamentalement défectueux | jugement de valeur et inférence | aucun critère n’est indiqué pour « fondamentalement ». S4 Rétablir immédiatement l’ancien processus | recommandation | dépend de S2/S3 ainsi que des coûts et risques de retour arrière non fournis. S5 Le service des opérations affirme que les commandes ont augmenté de 18% en raison d’une campagne | affirmation rapportée ; l’attribution causale reste non vérifiée | vérifier les données de commande et la conception de la campagne. S6 L’analyse du service des opérations est incomplète | fait rapporté/incertitude. S7 Les réclamations dépasseront 70 en juin | prédiction conditionnelle | dépend de la « tendance actuelle », non définie ; la méthode de calcul n’est pas indiquée.

Chaîne d’inférence : 42→57 réclamations → confusion supposée causée par le routage → jugement de défaut fondamental → retour arrière immédiat. Les observations ne fournissent pas les étapes causales intermédiaires.

Reformulation neutre : « La note fait état de 42 réclamations en avril et de 57 en mai ; ces nombres n’ont pas été vérifiés indépendamment ici. Le directeur attribue cette hausse à la confusion des clients causée par le nouveau système de routage et recommande un retour arrière immédiat, mais la note ne fournit aucune analyse des motifs de réclamation ni de l’exposition. Le service des opérations signale une hausse de 18% des commandes en mai associée à une campagne et précise que son analyse est incomplète. Un nombre supérieur à 70 en juin constitue une prévision conditionnelle dont la méthode n’est pas indiquée. »

Pourquoi cela fonctionne

  1. 1

    La classification élémentaire révèle les phrases qui combinent une observation, une explication et une recommandation.

  2. 2

    Distinguer les faits rapportés par la source de ceux vérifiés indépendamment empêche l’analyse de faire passer des affirmations pour des faits établis.

Vérifier le résultat

  • Les phrases mixtes ont-elles été décomposées avant la classification ?

  • Chaque étiquette explique-t-elle ses preuves, son indice linguistique, son attribution et sa méthode de vérification ?

  • Les nombres, la controverse, le degré de confiance et la véracité restent-ils conceptuellement distincts ?

Utilisez-la en toute confiance

Questions fréquentes

Des réponses pratiques sur le bon moment pour utiliser cette recette, ce qu’il faut fournir et les cas où une vérification humaine reste nécessaire.

Que dois-je préparer avant d’utiliser « Distinguer les faits, les inférences et les opinions dans un document source » ?

Pour « Distinguer les faits, les inférences et les opinions dans un document source », préparez le document source, le contexte et l’objectif, ainsi que les règles de classification. Ne remplacez les variables que par des informations vérifiables. Si un détail est inconnu, signalez explicitement cette incertitude au lieu de demander au modèle de le déduire.

Dans quels cas le résultat de « Distinguer les faits, les inférences et les opinions dans un document source » n’est-il pas prêt à être utilisé ?

Le résultat n’est pas prêt s’il ne produit pas encore, à partir des éléments fournis, le résultat annoncé — une cartographie traçable des énoncés comprenant les preuves, la chaîne d’inférence et une reformulation neutre — ou s’il repose sur des hypothèses non résolues, des approbations manquantes ou des détails inventés. Utilisez les contrôles comme critères de validation : révisez les données d’entrée ou désignez une personne habilitée et nommément identifiée pour effectuer la revue, au lieu de peaufiner un résultat non étayé.

Quels outils d’IA disposent de tests consignés pour « Distinguer les faits, les inférences et les opinions dans un document source » ?

Le registre de tests publié pour « Distinguer les faits, les inférences et les opinions dans un document source » mentionne ChatGPT à la date du 2026-08-28. Cela confirme l’existence d’essais consignés, mais ne garantit ni la compatibilité ni des résultats identiques dans les versions ultérieures du produit. Avec un autre outil ou une autre version, gardez toutes les contraintes visibles et répétez les contrôles du résultat avant utilisation.

Plus de façons d'explorer

Où se situe cette recette

Prompts texteAnalyse de documentsRecherche et analyseApprentissage et étudesPour les apprenants et les enseignants

Faites avancer votre travail

AILesson · Cours recommandés

Votre prochaine étape : mettez l’IA à contribution

Passez de la compréhension de l'IA à l'action. Entraînez-vous à formuler des requêtes, à évaluer et à améliorer les résultats grâce à des leçons interactives pour le travail et la vie quotidienne.

Découvrir tous les cours
Image de couverture de L’IA pour débutants

15 leçons interactives

L’IA pour débutants

Lancez une conversation utile avec une IA, améliorez sa réponse, vérifiez l’essentiel et sachez quand c’est à vous d’agir.

Découvrir ce cours
Image de couverture de Les bases de ChatGPT

10 leçons interactives

Les bases de ChatGPT

Découvrez ChatGPT à travers trois flux de travail pratiques : mener une première conversation, travailler à partir d’un fichier, puis utiliser Projects pour réutiliser un plan vérifié dans une nouvelle conversation.

Découvrir ce cours
Image de couverture de Comment fonctionne l’IA générative

7 leçons interactives

Comment fonctionne l’IA générative

Comprenez comment les systèmes courants de chat IA apprennent des structures linguistiques, utilisent les messages actuels, construisent leurs réponses et intègrent des sources et des outils.

Découvrir ce cours