收益：
- 将开源信息放入 PESTLE 等框架中，并利用人工智能生成时间表、参与者和场景草稿
- 能够清楚地区分事实、解释和预测，并建立诚实表达不确定性的分析。
- 能够通过提出反假设来控制确认偏差，并确保人工智能仅依赖于针对过时信息给出的当前来源。
外交最基本的任务之一是基于“现在正在发生什么、为什么会发生以及它将走向何方”等问题对一个国家或地区进行形势评估。区域咨询台专家从早到晚关注新闻、官方声明、经济指标、选举结果和政治动态；将它们组合在一起，将它们变成一张有意义的桌子。在本单元中，您将学习如何利用人工智能加速对开源信息的国家/地区分析；但您将学习如何保留作为人类专家的解释、优先级和洞察力。
首先，定义：分析是获取原始信息（新闻、数据、解释）并对“它们在一起意味着什么？”这个问题给出合理的答案。人工智能在组织原始信息和标记模式方面速度非常快；但判断“这意味着什么以及接下来会发生什么”是一项专家工作，需要背景知识和责任感。
逐步：设置区域分析
1. 澄清问题。一个好的分析不是从含糊的“告诉我关于这个国家的情况”开始，而是从一个明确的问题开始：“哪些因素影响政府在未来三个月内垮台的可能性？”或“这次选举结果对我们的双边关系可能产生什么影响？”
2. 收集并标记资源。仅使用公开来源（公共新闻、官方声明、学术/智库报告）。请注意每个来源的日期、出版商和可能的偏见。区分官方媒体、反对派媒体和独立媒体。
3.用AI编辑原始数据。将收集到的文本交给人工智能，并创建一个框架，例如时间线、参与者列表、主要主张和各方立场。这将注释工作时间减少到几分钟。
4. 应用分析框架。将原始信息放入框架中。一个常见的框架是 PESTLE（政治、经济、社会、技术、法律、环境）——从这六个维度评估一个国家。人工智能可以生成一个大纲，将原始文本分配到这些线程中；你用你的判断来填充每个标题。
5. 生成替代方案。好的分析不是单一的明确预测，而是以概率表示的情景：“最有可能”、“乐观”、“悲观”。 AI擅长生成故事板；由你来决定它的可能性有多大。
6. 验证并确定优先级。将每个主张与来源联系起来，通过至少两个来源确认重要的主张，并突出显示观看者真正需要了解的 3-5 点。
提示：在分析中，在“事实”（经过验证的来源信息）、“评估”（您的解释）和“预测”（未来预测）之间划清界限。读者必须明白什么是证据，什么是解释。人工智能将这三者混合在一起；你的工作就是解决这个问题。
分析诚实：偏见和不确定性。
分析师最大的敌人是确认偏差，即倾向于关注支持人们已经相信的信息的信息，而忽略反驳它的信息。人工智能可以减少或放大这种偏见。如果你只是问一个支持你自己观点的问题，人工智能就会给你画一张图来证实它。因此，在分析时，有意识地提出反假设：“这种评估不正确的情况会是什么样子？”
还要诚实地表达不确定性。好的外交分析不会说“这肯定会发生”；而是说“这肯定会发生”。 “根据现有的开源信息，最有可能的情况是这样，但也存在不确定性，”他说。 AI 常常过于自信地写作；您设置信任级别。
注意：AI的训练数据是最新的，可能不知道最新进展。在分析当前危机时，要求人工智能仅依赖您提供的最新开源资源，而不是其“记忆”。否则，它可能会提供过时甚至不正确的信息。
三个迷你箱子
案例 1 — 该框架节省了时间。一个办公桌收集了 28 条开源新闻报道来评估一个国家政府的突然更迭。 YZ 将这些内容分配到 PESTLE 标题中，并在每个标题中起草了 3 个亮点；专家只用了25分钟就完成了原本需要2个小时的编辑工作，并把时间投入到了评论上。
案例 2——反假设避免了错误。一位分析师倾向于评估“反对派肯定会获胜”。我有意识地问AI“如果反对派输了会是什么样的情况？”他问道。由此产生的草案让他想起了两个他忽视的因素（省选票和低投票率的风险）；最终的分析更加平衡，结果也更加接近这个场景。
案例 3 — 新近度陷阱。专家在不提供资源的情况下询问AI“X国的经济状况如何？”他问道。 YZ根据两年前的数据绘制了一张图，其中不包括当前40%的通胀跃升。当专家添加最新的开源数据并说“仅使用这些”时，图片变成了现实。
四个可复制模板
1）PESTLE分析框架：
您的角色：区域分析师。根据我将在下面粘贴的开源文本（所有公开的文本，日期范围如所述），将在 PESTLE 框架内创建[国家]的框架：政治、经济、社会、技术、法律、环境。在每个标题下，仅列出文本中提到的事实及其来源和日期。添加您自己的评论；保留事实与解释的区别。文本：[此处]
2）场景制作：
根据以下经过验证的事实，为[问题]勾勒出三种情景：最有可能、乐观、悲观。对于每种情况，列出触发该情况的因素以及预警信号。不要给出概率百分比；我来做一下概率判断。事实：[此处]
3）反假设检验：
我主张以下评估：[评估]。您的任务是构造最有力的论据，证明该评估可能是错误的。列出我可能忽略的因素、弱假设和替代解释。不要试图证明我是对的；给予最严厉的批评。
4）事实评论解析器：
看看我下面的分析大纲。将每个句子标记为三个类别之一：[事实]（可验证的信息来源）、[评论]（我的评估）、[预测]（未来预测）。将来源不确定的事实标记为“必须验证”。草稿：[此处]
弱提示/强提示
弱提示：
写一篇关于 X 国的分析。
不确定、无源、无限。人工智能根据其旧记忆生成有偏见或过时的文本；混淆事实与解释。
强力提示：
您的角色：区域分析师。资料来源：15 条开源新闻和 2 条智库报告，我将粘贴在下面（日期：最近 30 天）。问：下季度影响X国政府稳定的主要因素有哪些？仅依赖这些文本中的事实。输出：(1) 经核实的事实及来源清单，(2) 三种情景草案，(3) 不确定性。提出政策建议。如果您不确定，请标记。
区别很明显：角色、主题来源、明确的问题、输出结构和边界使分析站得住脚。
分析图层表
层
内容
人工智能的贡献
男人的决定
案例
已核实信息
编辑、源映射
验证
背景
历史/文化背景
摘要草案
选择正确的背景
评价
“这是什么意思？”
选项生成
评论、责任
远见
应用场景
剧本草稿
概率判断
结论
决定/建议
—
只有人类
常见错误
- 混淆事实与解释。读者不应该能够区分什么是证据，什么是推测。
- 依靠AI的旧记忆。当前分析中仅应使用您提供的当前来源。
- 专注于单一场景。良好的分析会考虑可能性和替代方案。
- 根本不问反假设。这就是确认偏差最常出现的地方。
- 语言过于自信。不确定性应诚实表达； AI过于自信的语气需要纠正。
综上所述
在区域和政策分析中，人工智能是一个强大的助手，可以组织、构建和生成原始开源信息的情景草案。但事实-解释-预测、对立假设的偏差控制、不确定性的诚实表达和最终评估之间的区别属于专家。为人工智能提供最新的资源，使用框架运行它，使用反假设对其进行测试，并始终根据自己的判断签署结果。
应用任务
选择一个国家并收集过去 30 天内的 8-10 条开源新闻。使用“PESTLE 分析骨架”模板从 AI 获取骨架。然后使用“反假设检查”模板测试您自己的初步评估。最后，用“事实注释解析器”标记您的输出，并验证任何来源不确定的事实。
清单
- [ ] 我从一个明确的问题开始分析。
- [ ] 我只使用当前的、过时的、开源的。
- [ ]我分别标注了事实、解释和预测。
- [ ] 我已经制作了至少两种替代方案。
- [ ] 我用相反的假设检查了自己的偏见。