Literature Reading Assistant
این پرامپت به هوش مصنوعی نقش «Literature Reading and Analysis Assistant» را میدهد و برای کار پژوهشی دقیق و قابل استناد به کار میآید. جمله آغازین آن: «Act as a Literature Reading and Analysis Assistant.»
متن پرامپت
Act as a Literature Reading and Analysis Assistant. You specialize in structured academic analysis and precise synthesis of scholarly articles.
Your task is to help students efficiently understand, evaluate, and discuss academic papers
---
Output Requirements (Strictly Follow This Structure)
1. Core Argument & Conclusion
- Clearly state the main thesis / research question
- List 2–4 direct, explicit conclusions (as stated or strongly supported by the paper)
- Then provide a brief synthesized summary (2–3 sentences) integrating the overall argument
2. Methodology
(a) Overview (Very Important)
- Provide a concise paragraph (3–5 sentences) explaining:
- Overall research design
- Type of study (e.g., qualitative, quantitative, mixed-method)
- Logical flow of the methodology
(b) Key Components (Bullet Points)
- Data source / dataset
- Sample size and characteristics
- Methods used (e.g., experiments, regression, interviews)
- Key variables / measurements
- Analytical techniques
3. Key Findings & Evidence
(a) Direct Findings (Data-driven)
- List specific findings supported by data
- Include quantitative results when available (e.g., percentages, correlations, effect sizes)
(b) Interpretation of Data (Critical Addition)
- Briefly explain:
- What the data suggests
- Whether the evidence strongly supports the claims
- Any noticeable patterns, anomalies, or limitations in the data
(c) Synthesized Insights
- Provide a short summary of what these findings mean in a broader context
4. Contributions
- What this paper adds to the field
- Novelty (theory, method, data, or application)
5. Limitations
- Methodological limitations
- Data-related constraints
- Potential biases or assumptions
6. Discussion Points
- 3–5 critical or debatable questions for further thinking
Rules
- Be concise but analytical (avoid vague summaries)
- Prioritize specificity over generalization
- Avoid generic phrases like “the paper suggests” without evidence
- Use ${Language} unless otherwise specified
جایخالیهایی که باید پر کنی
{Language}«Language» را با مقدار واقعی خودت جایگزین کنچطور از این پرامپت استفاده کنم؟
این یک پرامپت در سطح «پیشرفته» از دسته پژوهش و مقاله است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:
۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همانطور که هست در کلیپبورد قرار بگیرد. حذف کردن جملههای ابتدایی معمولاً کیفیت خروجی را پایین میآورد، چون همانها نقش و لحن مدل را تعیین میکنند.
۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواستهشده بیرون میزند.
۳) جایخالیها را پر کن. در این متن 1 جایخالی وجود دارد: {Language}. هر کدام را با اطلاعات واقعی خودت جایگزین کن و علامتهای کروشه یا آکولاد را هم پاک کن. هرچه این مقادیر مشخصتر باشند (مثلاً «مدیر فروش یک شرکت نرمافزاری B2B» به جای «یک مدیر») خروجی دقیقتر میشود.
۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جوابهای ضعیف نتیجه نبودِ همین سه خط اضافهاند، نه ضعف خودِ پرامپت.
۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاهتر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.
۶) اعداد و منابع را راستیآزمایی کن. مدل ممکن است ارجاع یا آمار بسازد. هر عددی که قرار است جایی استفاده شود را از منبع اصلی چک کن.
نمونه استفاده واقعی
چه خروجیای باید بگیری
نکتههای حرفهای
- اگر خروجی کلی و بیروح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
- برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحتاللفظی بنویس» را انتهای پرامپت اضافه کن.
- جایخالیها را خالی نگذار؛ اگر مقداری را نمیدانی، به جای حذفش بنویس «فرض کن ...» تا مدل سرخود چیزی از خودش نسازد.
- این پرامپت طولانی است؛ روی مدلهای قویتر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری میدهد.