拉马努金文本分析术
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_231765ee/ramanujan-text-analysis。
技能介绍
解决什么问题
短文本和评论往往通过选择性呈现、顺序安排和情绪标记影响判断。直接“读懂”容易掉进作者预设的信息框架里。这个技能把文本分析从被动接受顺序,转成主动扩大信息基底并检验结构:在分析前先抓主体、时间、数据、术语、信源、事件等节点,再把文本切成块做变形、重排和反事实检查。
如何工作
核心流程不是摘要或情绪分类,而是一套可执行的“扩图—扫描—变形—验证”方法:
- 前置扩图:对文本中的关键节点做外部搜索,建立纵向、横向、因果和反事实联系。
- 全景扫描:先判断整体情绪曲线、作者立场和阅读目的,避免逐字纠缠。
- 分段变形:把文章切成 3 到 5 个叙事块,检查正反面结构是否对称、不同信源是否是同一事件的不同版本。
- 重排重组:用因果链重组、证据重组、
情绪-事实分离和段落乱序测试,检验结论是否依赖作者给定的顺序。 - 节点爆破:把短文本拆成主体、动作、时间、理由、数据和修辞,再回到完整信息网络中判断被省略的维度。
边界与注意
它不是自动事实核查器,也不负责生成传播结论。分析结果仍需要回溯信源、交叉验证和反方视角切换;目标不是无限搜索,而是建立足够支撑结构判断的最小充分信息网络。适合用于新闻简讯、声明、长评论、多方信源材料和数据型文本的结构审查。
使用场景
- 审核新闻简讯中的主体、时间、数据和修辞,找出被省略的成本承担方。
- 将长评论拆为背景、指控、证据、情绪和结论块,检查结构是否对称。
- 对多方信源一致的事件做证据重组,看能否拼出另一版本故事。
- 在发布数据结论前,用情绪-事实分离检验蓝色事实能否独立支撑结论。
适合人员
- 需要核查新闻声明的舆情编辑,要判断短讯是否有选择性呈现。
- 处理政策文件的分析师,要追溯数据口径、主体前史和时间触发因素。
- 撰写竞品或事件复盘的研究者,要对多方信源做证据重组和结构检验。
- 做认知防护的个人读者,要在转发前识别情绪推动和结论倒推。