کنترل کیفیت محتوای هوش مصنوعی؛ چک‌لیست پیش از انتشار

مشکل بیشتر پیش‌نویس‌هایی که با کمک هوش مصنوعی نوشته می‌شوند این نیست که بد خوانده می‌شوند. خوب خوانده می‌شوند. جمله‌ها دستوری درست‌اند، ساختار مرتب است و لحن مطمئن. خطر دقیقاً همین‌جاست: یک پیش‌نویس روان می‌تواند یک آمار ساختگی، تجربه‌ای که هیچ‌کس نداشته و استدلالی که هیچ حرف تازه‌ای ندارد را در خودش داشته باشد و باز هم از یک خواندن سریع رد شود.

پس سؤال پیش از انتشار این نیست که «آیا شبیه نوشتهٔ انسان است؟». سؤال این است: درست است؟ مفید است؟ چیزی اضافه می‌کند؟ صدای خودمان است؟ اول ادعاهای واقعی و تجربه‌های ضمنی را بررسی کنید، چون یک ادعای بی‌پشتوانه به‌تنهایی باید جلوی انتشار را بگیرد. بعد ببینید مطلب چه چیزی اضافه می‌کند و بعد لحن را. در پایان تصمیم بگیرید: انتشار، بازنویسی یا کنارگذاشتن؛ با یک نفر مشخص که مسئول این تصمیم است.

اول مشخص کنید پیش‌نویس باید برای خواننده چه کاری بکند

پیش از ویرایش هر جمله، یک خط بنویسید: خواننده بعد از خواندن این مطلب باید بتواند ___. اگر نمی‌توانید این جمله را کامل کنید، هیچ مقدار ویرایش جمله‌به‌جمله کمکی نمی‌کند، چون پیش‌نویس کاری برای انجام دادن ندارد. اگر می‌توانید، هر بخش باید به همان کار خدمت کند و هر چیزی که خدمت نمی‌کند نامزد حذف است.

این سریع‌ترین راه برای دیدن یک مشکل ساختاری رایج در پیش‌نویس‌های هوش مصنوعی هم هست: مطلبی که یک موضوع را یکنواخت «پوشش می‌دهد» به‌جای آن‌که به یک سؤال خوب جواب بدهد. پوشش دادن آسان است. جواب دادن یعنی انتخاب کنید چه چیزی مهم است.

ادعاها، منابع و تجربه‌های ضمنی را بررسی کنید

پیش‌نویس را بخوانید و هر جمله‌ای را که می‌تواند درست یا غلط باشد علامت بزنید. برای هر کدام بپرسید از کجا آمده است. در عمل، این دسته‌ها را باید بررسی کرد:

• عدد و آمار. هر عدد به منبعی نیاز دارد که خودتان باز کرده و خوانده‌اید؛ نه خلاصهٔ نتایج جست‌وجو و نه حافظهٔ مدل.
• «تحقیقات نشان می‌دهد». کدام تحقیق؟ اگر پیش‌نویس نمی‌تواند نامش را بیاورد، جمله حذف می‌شود.
• نقل‌قول. متن دقیق را با اصل مقایسه کنید. مدل می‌تواند یک نقل‌قول را بازنویسی کند و با اطمینان کامل به کسی نسبت بدهد.
• واقعیت‌های محصول و پلتفرم. امکانات، قیمت‌ها و قوانین تغییر می‌کنند. مستندات رسمی فعلی را ببینید.
• تجربهٔ دست‌اول ضمنی. «در تجربهٔ من»، «ما دیده‌ایم»، «مشتری‌هایمان می‌گویند». مدل نمی‌تواند تجربهٔ شما را داشته باشد. اگر جمله درست است، مشخصش کنید. اگر نیست، حذفش کنید.

قاعدهٔ من ساده است: ادعای مهمِ بی‌پشتوانه جلوی انتشار را می‌گیرد. نه «اگر وقت شد اصلاح کنیم». جلوی انتشار را می‌گیرد. بقیهٔ این چک‌لیست دربارهٔ کیفیت است؛ این یکی دربارهٔ صداقت است، و خواننده وقتی یک ادعای ساختگی را بگیرد، به بقیهٔ متن هم اعتماد نمی‌کند.

بپرسید این مطلب چه چیزی اضافه می‌کند

یک پیش‌نویس می‌تواند دقیق باشد و باز ارزش انتشار نداشته باشد. بپرسید: اگر خواننده سه صفحهٔ خوب دیگر دربارهٔ همین موضوع را خوانده باشد، از مطلب ما چه چیزی به دست می‌آورد؟ جواب‌های خوب این‌ها هستند:

• یک نمونهٔ عملی که روشش پیداست
• یک قضاوت یا توصیهٔ روشن، همراه با استدلال و محدودیت‌هایش
• شواهدی از کار خودتان که اجازهٔ انتشارش را دارید
• ابزاری که خواننده بتواند استفاده کند: کاربرگ، چک‌لیست، جدول تصمیم
• توضیح بهتر چیزی که دیگران بد توضیحش داده‌اند

راهنمای گوگل دربارهٔ محتوای مفید، قابل‌اعتماد و مردم‌محور سؤال‌های مشابهی می‌پرسد، از جمله این‌که آیا محتوا اطلاعات، پژوهش یا تحلیل اصیل ارائه می‌کند. این نگاه تحریریهٔ مفیدی است، چه هدف جست‌وجو باشد چه نباشد.

اگر جواب صادقانه «هیچ» است، شاید تصمیم درست منتشر نکردن باشد، یا پیوند دادن به همان صفحهٔ بهتر.

لحن را ویرایش کنید، نه مترادف‌ها را

وقتی پیش‌نویس کلی و بی‌رنگ به نظر می‌رسد، وسوسه این است که کلمه‌ها را عوض کنیم: «استفاده نمودن» را «استفاده کردن» کنیم، شروع جمله‌ها را متنوع کنیم. این سطح متن را عوض می‌کند و مشکل را سر جایش می‌گذارد. نوشتهٔ کلی معمولاً از فکر کلی می‌آید: هیچ مثال مشخصی نیست، هیچ موضعی گرفته نشده و هیچ بده‌بستانی پذیرفته نشده است.

ویرایش‌هایی که واقعاً لحن را عوض می‌کنند این‌ها هستند:

• کلی‌گویی را با جزئیات عوض کنید. نه «افزایش بهره‌وری»، بلکه «گزارش دوشنبه از سه ساعت به یک ساعت رسید».
• موضع بگیرید. بگویید خودتان چه می‌کنید و چرا، و بگویید کی کار دیگری می‌کنید.
• محدودیت را بپذیرید. خواننده به نویسنده‌ای اعتماد می‌کند که می‌گوید روشش چه چیزی را پوشش نمی‌دهد.
• ریتم را طبیعی کنید. چند جملهٔ کوتاه. چند جملهٔ بلندتر که یک رشته استدلال را تا آخر می‌برد.
• مقدمه‌چینی را حذف کنید. پاراگراف اول پیش‌نویس هوش مصنوعی را اغلب می‌شود بی‌هیچ ضرری پاک کرد.

اگر تیمتان راهنمای مکتوب لحن دارد، متن را با آن بسنجید؛ اگر ندارد، ساختن راهنمای لحن برند با هوش مصنوعی توضیح می‌دهد چطور راهنمایی بسازید که واقعاً قابل استفاده باشد.

یک ویرایش با توضیح

این یک تمرین ویرایش است. پاراگراف پیش‌نویس زیر عمداً برای همین مقاله و با مشکلات رایج نوشته شده و از هیچ شرکت یا نشریهٔ واقعی نیامده است.

پیش‌نویس:

در دنیای پرشتاب امروز، امتیازدهی سرنخ به تحولی شگرف برای بازاریابان B2B تبدیل شده است. تحقیقات نشان می‌دهد شرکت‌هایی که از امتیازدهی هوشمند استفاده می کنند، ۵۰ درصد سرنخ واجد شرایط بیشتری دارند. در تجربهٔ من با ده‌ها شرکت نرم‌افزاری، کلید موفقیت، بهره‌گیری از دادهٔ درست می‌باشد. با بهره‌گیری از یک مدل امتیازدهی قدرتمند، تیم‌ها می‌توانند رشدی چشمگیر را رقم بزنند.

چیزهایی که ویراستار علامت می‌زند:

1. «در دنیای پرشتاب امروز» و «تحولی شگرف»: هیچ حرفی نمی‌زنند. حذف.
2. «تحقیقات نشان می‌دهد… ۵۰ درصد»: هیچ تحقیقی نام برده نشده، «واجد شرایط» تعریف نشده و گروه مقایسه‌ای نیست. جلوی انتشار را می‌گیرد تا منبع پیدا یا جمله حذف شود.
3. «در تجربهٔ من با ده‌ها شرکت نرم‌افزاری»: ادعای تجربه‌ای که نویسنده تأییدش نکرده است. جلوی انتشار را می‌گیرد، مگر این‌که درست باشد، و آن‌وقت یک مثال مشخص و مجاز لازم دارد.
4. «کلید موفقیت» و «رقم بزنند»: گرته‌برداری و قالب‌های تکراری که متن را ترجمه‌ای نشان می‌دهند.
5. «با بهره‌گیری از» دو بار، «می‌باشد» و «استفاده می کنند» بدون نیم‌فاصله: ایرادهای نگارشی که خوانندهٔ فارسی‌زبان فوراً می‌بیند.
6. «مدل امتیازدهی قدرتمند… رشدی چشمگیر»: وعده‌ای که نمی‌شود آزمودش.

بازنویسی:

امتیازدهی سرنخ فقط وقتی مفید است که تصمیمی را که تیم واقعاً می‌گیرد تغییر بدهد؛ مثلاً این‌که فروش اول سراغ کدام درخواست‌ها برود. پیش از اعتماد به امتیاز، آن را روی درخواست‌های قبلی که نتیجه‌شان را می‌دانید با یک قاعدهٔ ساده مقایسه کنید. اگر امتیاز، درخواست‌های مرتبط را بالاتر از آن قاعده قرار نمی‌دهد، فقط پیچیدگی اضافه می‌کند، نه ارزش.

بازنویسی بهتر است، اما نه به این دلیل که کلمه‌هایش فرق دارد. بهتر است چون ادعایی می‌کند که خواننده می‌تواند بر اساسش کاری بکند و درستی‌اش را بسنجد. روش کامل پشت این پاراگراف در ارزیابی امتیازدهی سرنخ با هوش مصنوعی آمده است.

اگر به دو زبان منتشر می‌کنید

زبان دوم بازبینی جداگانه لازم دارد، آن هم توسط کسی که آن زبان را خوب می‌نویسد. متن انگلیسی را جمله‌به‌جمله ترجمه نکنید؛ همان استدلال را با همان عمق، اما با ریتم زبان دیگر بنویسید. برای متن فارسی این‌ها را بررسی می‌کنم:

• «ی» و «ک» فارسی، نه حروف عربی، و نیم‌فاصلهٔ درست (مثلاً در «می‌شود» و «پیش‌نویس»).
• رقم‌های فارسی در متن و گیومهٔ «».
• نبودِ گرته‌برداری از اصطلاح‌های انگلیسی که متن را ترجمه‌ای نشان می‌دهد، مثل «کلید موفقیت» در هر پاراگراف.
• حواستان به حشوهای رسمی باشد که خروجی هوش مصنوعی در فارسی زیاد تولید می‌کند: «با بهره‌گیری از» پشت‌سرهم، «می‌باشد» و شروع‌های پرطمطراق مثل «در دنیای پرشتاب امروز».
• اصطلاح‌های فنی یک بار با کوته‌نوشت انگلیسی معرفی شوند و بعد یکدست به کار بروند.

انتشار، بازنویسی یا کنارگذاشتن

برای تصمیم نهایی از این جدول استفاده کنید. ستون شدت می‌گوید اگر بررسی رد شد چه می‌شود: بعضی خطاها جلوی انتشار را می‌گیرند، بعضی بازنویسی می‌خواهند و بعضی سلیقه‌ای‌اند و ویراستار می‌تواند بپذیردشان.

تصمیم، نام کسی که آن را گرفته و اصلاحات اصلی را ثبت کنید. بعد از چند مطلب، همین فهرست خطاهای تکراری را نشان می‌دهد، مثلاً آماری ساختگی که در همهٔ مقدمه‌ها پیدا می‌شود، و می‌توانید مشکل را یک بار در بریف حل کنید، نه در هر ویرایش.

پرامپتی برای بازبینی که شاهد می‌خواهد

هوش مصنوعی به‌عنوان خوانندهٔ دوم مفید است، به شرطی که به‌جای حکم کلی، جزئیات بخواهید. پرامپتی مثل «این را انسانی‌تر کن» فقط مجموعهٔ دیگری از جمله‌های کلی تحویل می‌دهد. پرامپتی که از مدل می‌خواهد به بخش‌های مشخص اشاره کند، چیزی تحویل می‌دهد که می‌شود بررسی‌اش کرد:

فهرست مدل نقطهٔ شروع بازبینی انسانی است، نه جایگزین آن. ممکن است ادعاهایی را جا بیندازد و نمی‌تواند منبعی را که ندیده بررسی کند.

بازبینی کیفیت وقت می‌گیرد و این وقت باید در هر ارزیابی صادقانه از صرفه‌جویی هوش مصنوعی حساب شود: بازگشت سرمایه هوش مصنوعی در بازاریابی. برای این‌که تصمیم بگیرید کدام مطالب اصلاً ارزش این زحمت را دارند، استراتژی محتوای B2B را ببینید.