Distinga fatos, inferências e opiniões em materiais de origem

Autor: AILesson6 min de configuraçãoTestado com:ChatGPTRevisado em: 2026-08-28

Resposta rápida

Classifique afirmações atômicas segundo o que a fonte observa, conclui, avalia, recomenda ou deixa incerto. Forneça: Material de origem, Contexto e finalidade, Regras de classificação. Resultado esperado: Um mapa rastreável de afirmações, com base de evidências, cadeia de inferência e reformulação neutra.

1

Adicione seu contexto

Seu texto permanece neste navegador. O AILesson Prompts não o envia para um modelo ou servidor.

2

Seu prompt

Campos não preenchidos permanecem visíveis como marcadores de posição, para que você ainda possa copiar e editar o prompt

Classifique as afirmações da fonte como fatos, afirmações relatadas, inferências, previsões, opiniões, juízos de valor, recomendações ou incerteza, usando as regras fornecidas.

Material de origem:
[material]

Gênero, função do autor, público e finalidade:
[context]

Definições de classificação:
[rules]

Divida frases mistas em afirmações atômicas. Um rótulo de fato significa que a fonte apresenta uma afirmação verificável, não que você a tenha verificado de modo independente; diferencie um fato relatado pela fonte de um fato verificado externamente. Identifique sinais linguísticos, evidência ou premissa, etapas de inferência ausentes, modalidade, atribuição e o que poderia verificar cada afirmação. Não rotule uma afirmação como opinião apenas por ser controversa nem como fato apenas por conter um número. Retorne uma tabela de afirmações, cadeias de inferência, casos mistos/ambíguos, pontos em que a gramática oculta o agente ou a certeza e uma reformulação neutra que preserve a atribuição e o status epistêmico.
Experimente no Playground
Privado por padrãoA montagem do prompt acontece localmente no seu navegador. Evite colocar informações confidenciais em qualquer serviço de IA, a menos que sua organização permita.

Da entrada ao resultado

Um exemplo prático

Veja como um contexto concreto transforma esta receita em um resultado útil

Entrada real

Material de origem
[Memorando da diretoria, §2] As reclamações de clientes aumentaram de 42 em abril para 57 em maio. O aumento mostra claramente que o novo sistema de encaminhamento está confundindo os clientes. Como o sistema é fundamentalmente falho, devemos restaurar imediatamente o processo antigo. A área de Operações diz que o aumento de maio pode refletir em parte uma campanha que gerou 18% mais pedidos, mas sua análise não está concluída. Se o padrão atual continuar, as reclamações ultrapassarão 70 em junho.
Contexto e finalidade
Memorando interno de decisão escrito pela diretoria de serviços para executivos. Precisamos preparar um resumo neutro das evidências antes de uma decisão de reversão. Nenhuma verificação externa foi realizada.
Regras de classificação
Fato: afirmação verificável sobre o passado/presente apresentada pela fonte. Afirmação relatada: afirmação verificável atribuída e não confirmada de modo independente. Inferência: conclusão a partir de premissas declaradas/não declaradas. Previsão: afirmação sobre o futuro. Opinião/juízo de valor: padrão avaliativo. Recomendação: ação proposta. Incerteza: limitação ou modalidade explícita. Uma afirmação pode receber um rótulo primário e outro secundário somente quando forem inseparáveis.

Exemplo de saída

S1 As reclamações foram 42 em abril e 57 em maio | fato apresentado pela fonte, não verificado de modo independente | sinal: contagens passadas | verificar com extrações do sistema de reclamações, definições e denominadores mensais. S2 O sistema de encaminhamento confundiu os clientes | inferência apresentada com alta certeza (“claramente”) | premissa: aumento na contagem; ausentes: motivos das reclamações, exposição, volume de pedidos, comparação, temporalidade. S3 O sistema é fundamentalmente falho | juízo de valor e inferência | “fundamentalmente” não possui um padrão declarado. S4 Restaurar imediatamente o processo antigo | recomendação | depende de S2/S3 e dos custos/riscos de reversão não fornecidos. S5 A área de Operações diz que os pedidos aumentaram 18% devido a uma campanha | afirmação relatada; atribuição causal continua sem verificação | verificar dados de pedidos e desenho da campanha. S6 A análise de Operações está incompleta | fato relatado/incerteza. S7 As reclamações ultrapassarão 70 em junho | previsão condicional | depende de “padrão atual” não definido; caminho de cálculo não mostrado.

Cadeia de inferência: 42→57 reclamações → suposta confusão causada pelo encaminhamento → julgamento de falha fundamental → reversão imediata. As observações não fornecem as etapas causais intermediárias.

Reformulação neutra: “O memorando relata 42 reclamações em abril e 57 em maio; as contagens não foram verificadas de modo independente aqui. A diretoria atribui o aumento à confusão dos clientes causada pelo novo sistema de encaminhamento e recomenda a reversão imediata, mas o memorando não fornece análise dos motivos das reclamações nem da exposição. A área de Operações relata 18% mais pedidos em maio associados a uma campanha e diz que sua análise está incompleta. Uma contagem superior a 70 em junho é uma previsão condicional cujo método não foi declarado.”

Por que isso funciona

  1. 1

    A classificação atômica revela quando uma frase combina observação, explicação e recomendação.

  2. 2

    Separar fatos relatados pela fonte de fatos verificados de modo independente impede que a análise legitime afirmações indevidamente.

Verifique o resultado

  • As frases mistas foram divididas antes da classificação?

  • Cada rótulo explica sua evidência, sinal linguístico, atribuição e caminho de verificação?

  • Números, controvérsia, confiança e veracidade permanecem conceitualmente separados?

Use com confiança

Perguntas frequentes

Respostas práticas sobre quando usar esta receita, o que fornecer e onde a revisão humana ainda é importante

O que devo preparar antes de usar “Distinga fatos, inferências e opiniões em materiais de origem”?

Para usar “Distinga fatos, inferências e opiniões em materiais de origem”, prepare o material de origem, o contexto e a finalidade e as regras de classificação. Substitua os espaços reservados apenas por informações que você possa verificar. Se algum detalhe for desconhecido, preserve explicitamente essa incerteza em vez de pedir ao modelo que o deduza.

Quando o resultado de “Distinga fatos, inferências e opiniões em materiais de origem” ainda não está pronto para uso?

O resultado ainda não está pronto se não entregar, com base nas evidências fornecidas, o resultado declarado — um mapa rastreável de afirmações, com base de evidências, cadeia de inferência e reformulação neutra — ou se depender de suposições não resolvidas, aprovações ausentes ou detalhes inventados. Use as verificações como critérios de liberação: revise os dados de origem ou designe uma pessoa identificada e autorizada para a revisão, em vez de aprimorar um resultado sem sustentação.

Quais ferramentas de IA têm testes registrados para “Distinga fatos, inferências e opiniões em materiais de origem”?

O registro de testes publicado para “Distinga fatos, inferências e opiniões em materiais de origem” inclui o ChatGPT até 2026-08-28. Isso confirma execuções registradas, não compatibilidade garantida nem resultados idênticos em versões posteriores do produto. Para outra ferramenta ou versão, mantenha todas as restrições visíveis e repita as verificações do resultado antes do uso.

Mantenha o trabalho em andamento