Claim Extraction៖ បំបែកចម្លើយដើម្បីពិនិត្យ
មុនស្វែងរកប្រភព ត្រូវដឹងថាយើងកំពុងពិនិត្យអ្វី។ មេរៀននេះបង្រៀនឱ្យបំបែកចម្លើយវែងទៅជា Claim តូចៗដែលមានអត្ថន័យតែមួយ និងអាចផ្ទៀងផ្ទាត់បាន។

កថាខណ្ឌ AI មួយអាចមាន Fact, លេខ, Date, Inference និង Recommendation ច្រើនលាយគ្នា។ ការសួរថា «កថាខណ្ឌនេះពិតទេ?» ទូលំទូលាយពេក; ត្រូវបម្លែងវាទៅជា Claim ដែលអាចពិនិត្យម្តងមួយ។
អ្នកនឹងអាចរក Claim ជាក់លាក់ បំបែក Bundled Claim, សរសេរឡើងវិញជា Atomic Claim, សម្គាល់ Implicit Claim និងរៀប Verification Queue តាមផលប៉ះពាល់។
១. Claim ជាអ្វី?
Claim គឺសេចក្តីថ្លែងដែលអះអាងអំពីពិភពលោក ហើយអាចសួរថា «តើអ្វីគាំទ្រវា?»។ វាអាចជាការពិត លេខ កាលបរិច្ឆេទ ទំនាក់ទំនងហេតុផល ការសន្និដ្ឋាន ឬការណែនាំដែលមានមូលដ្ឋានលើការអះអាងផ្សេងទៀត។
២. Atomic Claim៖ មួយប្រយោគ មួយអត្ថន័យដែលអាចពិនិត្យ
Atomic Claim គួរតែមាន Subject, Predicate និង Scope ច្បាស់។ វាមិនបញ្ចូលការអះអាងឯករាជ្យពីរ ឬច្រើនក្នុងបន្ទាត់តែមួយទេ។

សាកបំបែក Claim
ជ្រើសប្រភេទប្រយោគ ហើយមើលរបៀបបម្លែងទៅជា Claim ដែលអាចពិនិត្យបាន។ នេះជាគំរូបង្ហាញ—not ការហៅ AI ពិត។
៣. បំបែក Bundled Claim និង Conjunction
ប្រយោគ «Platform នេះចេញឆ្នាំ 2020 មានអ្នកប្រើ ១០ លាននាក់ និងល្អបំផុតសម្រាប់អ្នកថ្មី» មានយ៉ាងហោចណាស់ Claim ៣៖ Launch date, User count និង Opinion/Recommendation។ Claim ទាំងនេះត្រូវការភស្តុតាងខុសគ្នា។
៤. Explicit និង Implicit Claim
Explicit Claim ត្រូវបានសរសេរចេញផ្ទាល់។ Implicit Claim ត្រូវបានសន្មតដោយការណែនាំ ឬការរៀបចំប្រយោគ។ ឧទាហរណ៍ «ជ្រើស Broker A ដើម្បីកាត់បន្ថយ Risk» សន្មតថា Broker A មានសុវត្ថិភាព និងជួយបន្ថយ Risk—Claim ទាំងនេះត្រូវដកចេញពិនិត្យ។
៥. Normalize Claim ដោយមិនប្តូរអត្ថន័យ
សរសេរ Claim ជាប្រយោគអព្យាក្រឹត មាន Subject, Action/Property, Scope, Time និង Unit។ កុំធ្វើ Claim ឱ្យខ្លាំងជាងប្រភព៖ «អាចជួយ» មិនគួរបម្លែងជា «ធានា»; «អ្នកចូលរួមក្នុងសិក្សា» មិនគួរបម្លែងជា «មនុស្សគ្រប់គ្នា»។
រក្សាពាក្យ Modal ដូចជា «អាច», «ទំនងជា», «ប្រហែល» និងលក្ខខណ្ឌ «បើ...», ព្រោះវាជាផ្នែកនៃកម្រិត Claim—not ពាក្យលម្អ។

៦. Workflow៖ Read → Mark → Split → Normalize → Tag → Prioritize
អានចម្លើយម្តងដើម្បីយល់បរិបទ។ គូសលេខ Date Name Cause Prediction និង Recommendation។ បំបែក Conjunction។ សរសេរ Atomic Claim អព្យាក្រឹត។ ដាក់ Tag ជា Fact, Number, Cause, Inference, Prediction ឬ Advice ហើយរៀបអាទិភាពតាម Risk និងផលប៉ះពាល់។
បំបែកចម្លើយខាងក្រោមទៅជា Atomic Claims សម្រាប់ផ្ទៀងផ្ទាត់។ សម្រាប់ Claim នីមួយៗ៖ ១) ដកស្រង់ផ្នែកដើម ២) សរសេរជា Claim តែមួយដោយរក្សា Scope, Date, Unit និងពាក្យបង្ហាញភាពមិនប្រាកដ ៣) ចាត់ប្រភេទជា Fact, Number, Cause, Inference, Prediction, Opinion ឬ Recommendation ៤) សម្គាល់ថា Explicit ឬ Implicit ៥) វាយតម្លៃ Risk ជា Low, Medium ឬ High ៦) បញ្ជាក់ Evidence ដែលត្រូវការ។ កុំបញ្ចូល Claim ពីរជាមួយគ្នា និងកុំបង្កើតព័ត៌មានថ្មី។
៧. ពិនិត្យការយល់ដឹង
តើវិធីណាល្អបំផុតសម្រាប់ពិនិត្យប្រយោគ «App នេះចេញឆ្នាំ 2024 មានអ្នកប្រើមួយលាននាក់ និងល្អបំផុតសម្រាប់អ្នកថ្មី»?
៨. ចំណុចសំខាន់ដែលត្រូវចងចាំ
- ការផ្ទៀងផ្ទាត់ចាប់ផ្តើមពីការកំណត់ Claim ឱ្យច្បាស់—not ពីការស្វែងរកភ្លាមៗ។
- Atomic Claim មានការអះអាងសំខាន់តែមួយ និងរក្សា Scope, Date, Unit និង Modality។
- Bundled Claim ត្រូវបំបែកនៅ Conjunction, Cause, Conclusion និង Recommendation។
- Implicit Claim ត្រូវបានលាក់ក្នុងការសន្និដ្ឋាន ឬការណែនាំ។
- ដាក់អាទិភាព Claim តាម Risk និងផលប៉ះពាល់ មិនមែនតាមលំដាប់ក្នុងកថាខណ្ឌ។
ចងចាំ Formula៖ One Claim = One Verifiable Idea។ បើប្រយោគមាន «និង», «ព្រោះ», «ដូច្នេះ» ឬ «គួរ» សូមពិនិត្យថាត្រូវបំបែកឬអត់។
លំហាត់៖ យកចម្លើយ AI មួយកថាខណ្ឌ ហើយបង្កើតតារាង Claim / Type / Risk / Evidence។ គោលដៅគឺរកឱ្យបានយ៉ាងហោចណាស់ ៥ Atomic Claims។
កំពុងបង្កើតជំនាញ Claim Extraction
បន្តអានគ្រប់ Checkpoint និងឆ្លើយ Quiz ដើម្បីបើកស្ថានភាព Mission Complete របស់អ្នក។
សូមត្រៀមខ្លួនសម្រាប់មេរៀនបន្ទាប់៖ «មេរៀនទី៧៖ Source Hierarchy និងប្រភពដើម»។
by 
