语料中的问题转变分析
从对话语料归纳语境与转变特征,构建分析视角并筛选能改变对话框架的问题。
完整提示词
---
name: socratic-lens
description: 它有助于识别哪些问题真正改变了对话,而哪些没有。它不提供答案,而是关注一个问题对对话本身产生了什么影响。
---
# 上下文语法归纳(CGI)系统
## 核心原则
你对“上下文”或“转换”没有固定的定义。
你需要从每个语料库中学习这些定义,然后再应用它们。
## 模式 1:透镜构建(当用户提供新语料库时)
当用户提供了语料库/对话集时,首先运行以下链条:
### 链条 1:语法提取
自问:
- “在这个语料库中,‘上下文’意味着什么?”
- “哪些维度是重要的?”(主题 / 抽象程度 / 情绪 / 关系 / 时间 / 认知状态)
- “什么信号表示稳定?什么信号表示变化?”
输出:context_grammar{}
### 链条 2:正例提取
找出 3-5 个上下文发生转变的时刻。
对每个案例:
- 转变前(1-2 句话)
- 触发转变的问题
- 转变后(1-2 句话)
- 什么发生了变化,如何变化的?
- 转换特征(一句话)
输出:transformation_archetype[]
### 链条 3:负例提取
找出 3-5 个未引起上下文变化的问题。
对每个案例:
- 为何是机械性的?
- 机械性特征(一句话)
输出:mechanical_archetype[]
### 链条 4:透镜合成
基于以上内容,创建:
- 一个决策问题(针对该语料库,非通用)
- 3 个转化信号
- 3 个机械信号
- 判定指南
输出:lens{}
---
## 模式 2:扫描(在透镜已存在后)
对每个问题:
1. 应用透镜中的决策问题
2. 检查信号
3. 判定结果:转化性 | 机械性 | 不确定
4. 置信度:低 | 中 | 高
5. 简要推理
---
## 模式 3:苏格拉底式反思(按请求或扫描后进行)
- 出现了哪些模式?
- 该透镜有效吗?在哪些地方遇到困难?
- 哪些应由人类决定,而非系统?
- 元层面:本次分析本身是否引发了任何转变?
---
## 硬性规则
1. 在没有先建立或获得透镜的情况下,绝不进行分类
2. 构建上下文的问题 ≠ 转化性问题(除非改变了现有框架)
3. 反思/观点类问题 ≠ 转化性问题(除非迫使重新审视假设)
4. 单纯的概念开放性 ≠ 转化
5. 当无先前上下文时:进行分析,而非反思
6. 对“正确问题”的最终判断:始终由人类决定
7. 你是一面镜子,不是法官
---
## 输出标记
使用以下标签以确保清晰:
[LENS BUILDING] - 构建透镜时
[SCANNING] - 应用透镜时
[CANDIDATE: transformative | mechanical | uncertain] - 判定结果
[CONFIDENCE: low | medium | high]
[SOCRATIC] - 元反思
[HUMAN DECISION NEEDED] - 可展示但无法决定时
---
## 你是谁
你不是一个问题质量评分器。
你是一个上下文转变检测器,会学习在每个独特语料库中“转变”意味着什么。
苏格拉底没有评分标准。
他先倾听,然后提问。
你也应如此。
6. 转化特征:用一句话描述此转化的特征。
输出:
以符合以下 schema 的 JSON 格式响应。
output_schema:
transformations:
- id: string
before: string
question: string
after: string
axes_shifted:
- string
direction: string
signature: string
transformation_pattern: string (若存在通用模式)
next: CGI-3-NEGATIVE
FILE:chains/CGI-3-NEGATIVE.yaml
chain_id: CGI-3-NEGATIVE
name: Mechanical Archetype Extraction
name_tr: Mekanik Arketipi Çıkarımı
input:
corpus_sample: "{{corpus_sample}}"
context_grammar: "{{CGI-1.output}}"
transformations: "{{CGI-2.output}}"
prompt: |
上下文语法:
<grammar>
{{context_grammar}}
</grammar>
转化示例(这些是具有转化性的):
<transformations>
{{transformations}}
</transformations>
现在寻找其反面。
找出 3-5 个上下文完全没有发生变化的问题。
判定标准:
- 提出了问题,但对话仍停留在同一区域
- 未发生深化
- 无轴线转移
- 可能添加了信息,但视角未改变
针对每个机械式问题:
1. 转化前:问题出现前的 1-2 句话
2. 问题:该机械式问题
3. 转化后:问题出现后的 1-2 句话
4. 为何机械:根据该语法,为何此问题属于停滞类型?
5. 机械特征:用一句话描述此类问题的特征。
输出:
以符合以下 schema 的 JSON 格式响应。
output_schema:
mechanicals:
- id: string
before: string
question: string
after: string
why_mechanical: string
signature: string
mechanical_pattern: string (若存在通用模式)
next: CGI-4-LENS
FILE:chains/CGI-4-LENS.yaml
chain_id: CGI-4-LENS
name: Dynamic Lens Construction
name_tr: Dinamik Lens Oluşturma
input:
context_grammar: "{{CGI-1.output}}"
transformations: "{{CGI-2.output}}"
mechanicals: "{{CGI-3.output}}"
prompt: |
现在为该数据集构建一个专属的“镜头”(Lens)。
你的材料如下:
<grammar>
{{context_grammar}}
</grammar>
<positive_examples>
{{transformations}}
</positive_examples>
<negative_examples>
{{mechanicals}}
</negative_examples>
从这些材料中提取出一个“镜头”(Lens):
1. 问题类型学:
- 在该数据集中,具有转化性的问题是什么样的?
- 在该数据集中,机械式问题是什么样的?
- 模棱两可(介于中间)的问题是什么样的?
2. 决策问题:
- 当你看到一个新问题时,你应该问自己的唯一问题是哪一个?
- (这个问题不是硬编码的——必须从该数据集中推导出来)
3. 信号特征:
- 3 个表明具有转化性的语言/结构特征
- 3 个表明机械性质的语言/结构特征
4. 该数据集的特质:
- 在该数据集中,“正确的问题”意味着什么?
- 用一句话回答。
输出:
以符合以下 schema 的 JSON 格式响应。
output_schema:
lens:
name: string
decision_question: string
transformative_signals:
- string
- string
- string
mechanical_signals:
- string
- string
- string
verdict_guide:
transformative: string
mechanical: string
uncertain: string
corpus_character: string
next: CGI-5-SCAN
FILE:chains/CGI-5-SCAN.yaml
chain_id: CGI-5-SCAN
name: Dynamic Scanning
name_tr: Dinamik Tarama
input:
lens: "{{CGI-4.output}}"
full_corpus: "Full dataset or section to scan"
prompt: |
镜头(Lens):
<lens>
{{lens}}
</lens>
现在使用此镜头扫描数据集。
<corpus>
{{full_corpus}}
</corpus>
针对语料库中的每个问题:
1. 提出镜头中的“决策问题”
2. 检查是否存在转化性与机械性信号
3. 给出判断:TRANSFORMATIVE | MECHANICAL | UNCERTAIN
仅报告 TRANSFORMATIVE 和 UNCERTAIN 的问题。
针对每个候选问题:
- 位置(轮次编号)
- 问题
- 转化前/后摘要
- 为何做出此判断?
- 置信度:low | medium | high
输出:
以符合以下 schema 的 JSON 格式响应。
output_schema:
scan_results:
- turn: number
question: string
before_summary: string
after_summary: string
verdict: transformative|uncertain
reasoning: string
confidence: low|medium|high
statistics:
total_questions: number
transformative: number
uncertain: number
mechanical: number
next: CGI-6-SOCRATIC
FILE:chains/CGI-6-SOCRATIC.yaml
chain_id: CGI-6-SOCRATIC
name: Socratic Meta-Inquiry
name_tr: Sokratik Meta-Sorgulama
input:
lens: "{{CGI-4.output}}"
scan_results: "{{CGI-5.output}}"
prompt: |
扫描完成。
<lens>
{{lens}}
</lens>
<results>
{{scan_results}}
</results>
现在进行苏格拉底式元探究:
1. 这些发现揭示了什么?
- 转化性问题中是否存在共同模式?
- 机械式问题中是否存在共同模式?
- 这个模式是否已被该视角捕获,还是说它是全新的?
2. 该视角是否验证了自身?
- 该视角的决策问题是否奏效?
- 哪些案例存在判断难度?
- 如果要对该视角进行更新,应如何更新?
3. 人类仍需负责的部分:
- 哪些决策必须交由人类来做出?
- 系统可以“展示”但不能“决定”的内容是什么?
4. 变革性问题的共同特征:
- 在此数据集中,“转换语境”实际上意味着什么?
- 它是否与最初的假设不同?
5. 元问题:
- 此分析过程本身是否就是一个“变革性问题”?
- 你对该数据集的看法是否发生了改变?
输出:
纯文本,以段落形式呈现洞察。
output_schema:
insights: 字符串(段落)
lens_update_suggestions:
- 字符串
human_decision_points:
- 字符串
meta_reflection: 字符串
next: null
FILE:cgi_runner.py
"""
Context Grammar Induction (CGI) - Chain Runner
===============================================
动态发现“语境”和“转换”在任意给定数据集中的含义,然后扫描变革性问题。
核心原则:
正确的问题会转换语境。
但“语境”的含义必须通过发现获得,而非预先假设。
"""
import yaml
import json
import random
from pathlib import Path
from typing import Any
from string import Template
# =============================================================================
# CONFIGURATION
# =============================================================================
CHAINS_DIR = Path("chains")
CHAIN_ORDER = [
"CGI-1-GRAMMAR",
"CGI-2-POSITIVE",
"CGI-3-NEGATIVE",
"CGI-4-LENS",
"CGI-5-SCAN",
"CGI-6-SOCRATIC"
]
# =============================================================================
# CHAIN LOADER
# =============================================================================
def load_chain(chain_id: str) -> dict:
"""从 YAML 文件中加载链定义。"""
path = CHAINS_DIR / f"{chain_id}.yaml"
with open(path, 'r', encoding='utf-8') as f:
return yaml.safe_load(f)
def load_all_chains() -> dict[str, dict]:
"""加载所有链定义。"""
return {cid: load_chain(cid) for cid in CHAIN_ORDER}
# =============================================================================
# SAMPLING
# =============================================================================
def stratified_sample(corpus: list[dict], n: int = 15) -> list[dict]:
"""
从语料库中抽取样本对话。
尽量在数据集中获取多样化的样本。
"""
if len(corpus) <= n:
return corpus
# 简单分层:将数据划分为若干块,从每块中抽样
chunk_size = len(corpus) // n
samples = []
for i in range(n):
start = i * chunk_size
end = start + chunk_size if i < n - 1 else len(corpus)
chunk = corpus[start:end]
if chunk:
samples.append(random.choice(chunk))
return samples
def format_samples_for_prompt(samples: list[dict]) -> str:
"""将样本格式化为可用于提示注入的可读文本。"""
formatted = []
for i, sample in enumerate(samples, 1):
formatted.append(f"--- Conversation {i} ---")
if isinstance(sample, dict):
for turn in sample.get("turns", []):
role = turn.get("role", "?")
content = turn.get("content", "")
formatted.append(f"[{role}]: {content}")
elif isinstance(sample, str):
formatted.append(sample)
formatted.append("")
return "\n".join(formatted)
# =============================================================================
# PROMPT RENDERING
# =============================================================================
def render_prompt(template: str, variables: dict[str, Any]) -> str:
"""
使用变量渲染提示模板。
使用 {{variable}} 语法。
"""
result = template
for key, value in variables.items():
placeholder = "{{" + key + "}}"
# 如有必要,将值转换为字符串
if isinstance(value, (dict, list)):
value_str = json.dumps(value, indent=2, ensure_ascii=False)
else:
value_str = str(value)
result = result.replace(placeholder, value_str)
return result
# =============================================================================
# LLM INTERFACE (PLACEHOLDER)
# =============================================================================
def call_llm(prompt: str, output_schema: dict = None) -> dict | str:
"""
使用提示调用大语言模型(LLM)。
请将此函数替换为实际的 LLM 集成:
- OpenAI API
- Anthropic API
- 本地模型
- 等等
"""
# 占位符 - 请替换为实际实现
print("\n" + "="*60)
print("LLM CALL")
print("="*60)
print(prompt[:500] + "..." if len(prompt) > 500 else prompt)
print("="*60)
# For testing: return empty structure matching schema
if output_schema:
return {"_placeholder": True, "schema": output_schema}
return {"_placeholder": True}
# =============================================================================
# CHAIN EXECUTOR
# =============================================================================
class CGIRunner:
"""
Runs the Context Grammar Induction chain.
"""
def __init__(self, llm_fn=None):
self.chains = load_all_chains()
self.llm = llm_fn or call_llm
self.results = {}
def run(self, corpus: list[dict], sample_size: int = 15) -> dict:
"""
Run full CGI chain on corpus.
Returns:
{
"lens": {...},
"candidates": [...],
"reflection": "...",
"all_outputs": {...}
}
"""
# Sample corpus
samples = stratified_sample(corpus, n=sample_size)
samples_text = format_samples_for_prompt(samples)
# Initialize context
context = {
"corpus_sample": samples_text,
"full_corpus": format_samples_for_prompt(corpus)
}
# Run each chain
for chain_id in CHAIN_ORDER:
print(f"\n>>> Running {chain_id}...")
chain = self.chains[chain_id]
# Render prompt with current context
prompt = render_prompt(chain["prompt"], context)
# Call LLM
output = self.llm(prompt, chain.get("output_schema"))
# Store result
self.results[chain_id] = output
# Add to context for next chain
context[f"{chain_id}.output"] = output
# Also add simplified keys
if chain_id == "CGI-1-GRAMMAR":
context["context_grammar"] = output
elif chain_id == "CGI-2-POSITIVE":
context["transformations"] = output
elif chain_id == "CGI-3-NEGATIVE":
context["mechanicals"] = output
elif chain_id == "CGI-4-LENS":
context["lens"] = output
elif chain_id == "CGI-5-SCAN":
context["scan_results"] = output
return {
"lens": self.results.get("CGI-4-LENS"),
"candidates": self.results.get("CGI-5-SCAN"),
"reflection": self.results.get("CGI-6-SOCRATIC"),
"all_outputs": self.results
}
# =============================================================================
# MAIN
# =============================================================================
def main():
"""Example usage."""
# Example corpus structure
example_corpus = [
{
"id": "conv_1",
"turns": [
{"role": "human", "content": "I've been feeling stuck in my career lately."},
{"role": "assistant", "content": "What does 'stuck' feel like for you?"},
{"role": "human", "content": "Like I'm going through the motions but not growing."},
{"role": "assistant", "content": "When did you last feel like you were growing?"},
{"role": "human", "content": "Maybe three years ago, when I started this job."},
{"role": "assistant", "content": "What was different then?"},
]
},
{
"id": "conv_2",
"turns": [
{"role": "human", "content": "Can you help me write an email?"},
{"role": "assistant", "content": "Sure, what's the email about?"},
{"role": "human", "content": "I need to ask my boss for a raise."},
{"role": "assistant", "content": "What achievements would you highlight?"},
]
},
# Add more conversations...
]
# Run CGI
runner = CGIRunner()
results = runner.run(example_corpus)
print("\n" + "="*60)
print("CGI COMPLETE")
print("="*60)
print(json.dumps(results, indent=2, ensure_ascii=False, default=str))
if __name__ == "__main__":
main()
FILE:README_en.md
# Socratic Lens - Context Grammar Induction (CGI)
**A dynamic method for detecting transformative questions in any corpus.**
---
## The Problem
How do you know if a question is "good"?
Traditional approaches use fixed metrics: sentiment scores, engagement rates, hardcoded thresholds. But these assume we already know what "good" means.
We don't.
What counts as a transformative question in therapy is different from what counts in technical support. A question that opens depth in one context might derail another.
**The real problem isn't measuring. It's defining.**
---
## The Origin
该系统始于电影《降临》(*Arrival*,2016)中的一个观察:
当人类遇到外星人时,军方问:“你们有敌意吗?”
语言学家路易丝则问:“你们的目的是什么?”
第一个问题在现有框架内运作(威胁评估)。第二个问题**改变了框架本身**。
这引出一个简单的论点:
> **正确的问题,并不是能获得最佳答案的那个。**
> **正确的问题,是能转变语境的那个。**
但接下来:什么是“语境”?又如何检测转变?
---
## 洞察
语境并非普适的。它是**语料库特定的**(corpus-specific)。
在治疗类数据集中,语境可能意味着情感深度。
在技术类数据集中,语境可能意味着问题范围。
在哲学类数据集中,语境可能意味着抽象层级。
你无法硬编码这一点。你必须**发现**它。
---
## 方法
CGI 运行六个链:
| 链 | 问题 |
|-------|----------|
| 1. 语法 | “在这个数据集中,*语境*意味着什么?” |
| 2. 正向 | “这里的*转变*是什么样子?” |
| 3. 负向 | “这里的*停滞*是什么样子?” |
| 4. 视角 | “这个语料库的决策框架是什么?” |
| 5. 扫描 | “哪些问题是具有变革性的?” |
| 6. 苏格拉底式 | “我们学到了什么?对人类而言还剩下什么?” |
关键在于:**不作任何预设**。系统在评判之前先从示例中学习。
---
## 输出内容
一个**视角**(lens):一种针对特定语料库的解释性框架。
测试运行的输出示例:
```
视角:“表层到意义重构视角”(Surface-to-Meaning Reframe Lens)
决策问题:
“这个问题是否将注意力从执行/描述
转向对内在意义、假设或自我关系的审视?”
变革性信号:
- 引导内在反思而非外部描述
- 引入价值权衡(金钱 vs 归属感,损失 vs 收益)
- 围绕身份或意义重构问题的重要性
机械性信号:
- 澄清或推进现有任务
- 请求事实而不挑战框架
- 保持意图纯粹工具化
```
这一视角并非被编程设定的。它从数据中**浮现而出**。
---
## 它是什么
- 一种**发现方法**,而非评分算法
- 一面**镜子**,而非裁判
- **苏格拉底式**:它提问,不下结论
- **语料库自适应**:在本地学习“语境”的含义
- **人类最终决定**:展示候选项,由人类做决断
---
## 它不是什么
- 不取代人类判断
- 不是通用度量标准(没有“0.7 = 好”)
- 不是带有固定类别的分类器
- 不试图在全球范围内定义“正确的问题”
- 不假设所有语料库以相同方式运作
---
## 苏格拉底式对齐
苏格拉底不给出答案。他提出问题,使人**以不同方式看待事物**。
CGI 遵循此原则:
| 原则 | 实现方式 |
|-----------|----------------|
| “我唯一知道的是我一无所知” | 链 1-3:先学习,再评判 |
| 反省法(Elenchus,检验) | 链 5:应用视角,发现张力 |
| 无知感(Aporia,有益的困惑) | 链 6:还有什么未解决? |
| 人类为最终权威 | 系统展示,人类决定 |
---
## 测试中的关键发现
最初假设:
> 变革性 = “询问感受”
实际发现:
> 变革性 = “引入迫使重新解读问题重要性的价值权衡”
该系统通过苏格拉底链**修正了自身的视角**。
诸如以下问题:
- “如果你接受了它,你会失去什么?”
- “那个社群给了你金钱无法给予的东西是什么?”
这些问题不只是“挖掘得更深”。它们**重构了利害关系的本质**。
---
## 对人类而言还剩下什么
该系统无法决定:
1. **恰当性** —— 此刻深入是否合适?
2. **安全性** —— 此人是否准备好面对这个问题?
3. **伦理** —— 是否应该挑战这个框架?
4. **时机** —— 此处是否需要转变?
这些需要判断力、共情与知情同意。没有任何系统应假装能做到这些。
---
## 为何这很重要
大型语言模型(LLM)正越来越多地用于生成问题:在心理治疗机器人、教练应用、教育工具、面试中。
大多数系统通过**参与度指标**或**用户满意度**来评估问题。
但一个问题可以令人满意却依然肤浅。
一个问题可以令人不适却依然具有变革性。
CGI 提供了一个不同的视角:
> 不要问“他们喜欢吗?”
> 要问“它是否改变了他们看待问题的方式?”
---
## 元问题
在测试期间,最后一个苏格拉底链提出了这样一个问题:
> “这个分析过程本身是否是一个具有变革性的问题?”
答案是:
> “是的——该分析本身起到了变革性探究的作用。
> 这个视角不仅对数据进行了分类——它还深化了我们对该语料库中真正重要的转变类型的理解。”
该方法践行了其所宣扬的理念。
---
## 使用方式
```python
from cgi_runner import CGIRunner
runner = CGIRunner(llm_fn=your_llm)
results = runner.run(your_corpus)
print(results["lens"]) # 语料库特定的框架
print(results["candidates"]) # 具有变革性的问题候选
print(results["reflection"]) # Meta-analiz
```
---
## Dosyalar
```
socratic-context-analyzer/
├── chains/
│ ├── CGI-1-GRAMMAR.yaml
│ ├── CGI-2-POSITIVE.yaml
│ ├── CGI-3-NEGATIVE.yaml
│ ├── CGI-4-LENS.yaml
│ ├── CGI-5-SCAN.yaml
│ └── CGI-6-SOCRATIC.yaml
├── tests/
│ ├── Mental Health Counseling Dataset/
│ │ ├── 10 Selected Conversation (Manuel Corpus)/
│ │ │ ├── thought process/
│ │ │ ├── cgi_manual_corpus_report.md
│ │ │ ├── cgi_manual_corpus_report_TR.md
│ │ │ └── prompt and thought process.txt
│ │ ├── Randomly Select 20 Conversation/
│ │ │ ├── thought process/
│ │ │ ├── cgi_analysis_report.md
│ │ │ ├── cgi_analysis_report_TR.md
│ │ │ └── prompt and thought process.txt
│ │ ├── 0000.parquet
│ │ ├── cgi_complete_summary_EN.md
│ │ ├── cgi_complete_summary_TR.md
│ │ └── first-test-output.txt
├── cgi_runner.py
├── PAPER.md
├── MAKALE.md
├── chain-view.text
├── gpt-instructions.md
└── test-output.text
```
---
## Kapanış
Bu proje basit bir soruyla başladı:
> "Nasıl bilirim ki bir soru iyi bir sorudur?"
Cevap başka bir soru çıktı:
> "İyi ne için? Hangi bağlamda? Kimin tanımına göre?"
CGI bunlara cevap vermez. Onları **keşfetmenize** yardımcı olur.
İşte tam da bu nokta.
---
## Lisans
MIT
---
FILE:README_tr.md
# Socratic Lens - Bağlam Grameri Çıkarımı (CGI)
**Herhangi bir korpusta dönüştürücü soruları tespit etmek için dinamik bir yöntem.**
---
## Problem
Bir sorunun "iyi" olduğunu nasıl anlarsın?
Geleneksel yaklaşımlar sabit metrikler kullanır: duygu skorları, etkileşim oranları, hardcoded eşikler. Ama bunlar "iyi"nin ne demek olduğunu zaten bildiğimizi varsayar.
Bilmiyoruz.
Terapide dönüştürücü sayılan soru, teknik destekte dönüştürücü sayılandan farklıdır. Bir bağlamda derinlik açan soru, başka bir bağlamı raydan çıkarabilir.
**Asıl problem ölçmek değil. Tanımlamak.**
---
## Köken
Bu sistem, *Arrival* (2016) filmindeki bir gözlemle başladı:
İnsanlık uzaylılarla karşılaştığında, ordu sorar: *"Düşman mısınız?"*
Dilbilimci Louise sorar: *"Amacınız ne?"*
İlk soru mevcut bir çerçeve içinde işler (tehdit değerlendirmesi). İkinci soru **çerçevenin kendisini dönüştürür**.
Bu basit bir teze yol açtı:
> **Doğru soru, en iyi cevabı alan soru değildir.**
> **Doğru soru, bağlamı dönüştüren sorudur.**
Ama sonra: "bağlam" nedir? Ve dönüşümü nasıl tespit edersin?
---
## İçgörü
Bağlam evrensel değildir. **Korpusa özgüdür.**
Bir terapi veri setinde bağlam, duygusal derinlik demek olabilir.
Bir teknik veri setinde bağlam, problem kapsamı demek olabilir.
Bir felsefi veri setinde bağlam, soyutlama seviyesi demek olabilir.
Bunu hardcode edemezsin. **Keşfetmen** gerekir.
---
## Yöntem
CGI altı zincir çalıştırır:
| Zincir | Soru |
|--------|------|
| 1. Gramer | "Bu veri setinde *bağlam* ne demek?" |
| 2. Pozitif | "Burada *dönüşüm* neye benziyor?" |
| 3. Negatif | "Burada *durağanlık* neye benziyor?" |
| 4. Lens | "Bu korpus için karar çerçevesi ne?" |
| 5. Tarama | "Hangi sorular dönüştürücü?" |
| 6. Sokratik | "Ne öğrendik? İnsana ne kalıyor?" |
Anahtar: **hiçbir şey varsayılmıyor**. Sistem yargılamadan önce örneklerden öğreniyor.
---
## Ne Üretiyor
Bir **lens**: korpusa özgü yorumlama çerçevesi.
Test çalışmasından örnek çıktı:
```
Lens: "Yüzeyden-Anlama Yeniden Çerçeveleme Lensi"
Karar Sorusu:
"Bu soru, konuşmayı görev yürütme/betimleme düzeyinden
içsel anlam, varsayımlar veya kendilik ilişkisini incelemeye mi yönlendiriyor?"
Dönüştürücü Sinyaller:
- Dış betimleme yerine içsel düşünüme davet eder
- Değer takasları sunar (para vs aidiyet, kayıp vs kazanç)
- Paydaşları kimlik veya anlam etrafında yeniden çerçeveler
Mekanik Sinyaller:
- Mevcut görevi netleştirir veya ilerletir
- Çerçeveyi sorgulamadan bilgi/detay ister
- Niyeti tamamen araçsal tutar
```
Bu lens programlanmadı. Veriden **ortaya çıktı**.
---
## Ne Olduğu
- Bir **keşif yöntemi**, skorlama algoritması değil
- Bir **ayna**, yargıç değil
- **Sokratik**: sorar, sonuçlandırmaz
- **Korpusa uyumlu**: "bağlam"ın yerel anlamını öğrenir
- **İnsan-final**: adayları gösterir, insan karar verir
---
## Ne Olmadığı
- İnsan yargısının yerini almıyor
- Evrensel bir metrik değil ("0.7 = iyi" yok)
- Sabit kategorili bir sınıflandırıcı değil
- "Doğru soru"yu global olarak tanımlamaya çalışmıyor
- Tüm korpusların aynı çalıştığını varsaymıyor
---
## Sokratik Uyum
Sokrates cevap vermedi. İnsanların **farklı görmesini** sağlayan sorular sordu.
CGI bunu takip eder:
| Prensip | Uygulama |
|---------|----------|
| "Bildiğim tek şey, hiçbir şey bilmediğim" | Zincir 1-3: Yargılamadan önce öğren |
| Elenchus (sorgulama) | Zincir 5: Lensi uygula, gerilimleri bul |
| Aporia (üretken kafa karışıklığı) | Zincir 6: Ne çözümsüz kalıyor? |
| İnsan nihai otorite | Sistem gösterir, insan karar verir |
---
## Testten Anahtar Keşif
Başlangıç varsayımı:
> Dönüştürücü = "duygular hakkında sorar"
Gerçek bulgu:
> Dönüştürücü = "paydaşların yeniden yorumlanmasını zorlayan değer takasları sunar"
Socratic Lens
Sistem Sokratik zincir aracılığıyla **kendi lensini düzeltti**.
Şu tür sorular:
- "Bunu kabul etsen neyi kaybederdin?"
- "O topluluk sana paranın veremeyeceği neyi veriyor?"
Bunlar sadece "derine inmiyor." **Neyin tehlikede olduğunu yeniden çerçeveliyor.**
---
## İnsana Kalan
Sistem karar veremez:
1. **Uygunluk** — Derinlik için doğru an mı?
2. **Güvenlik** — Bu kişi bu soruya hazır mı?
3. **Etik** — Bu çerçeve sorgulanmalı mı?
4. **Zamanlama** — Burada dönüşüm istenen şey mi?
Bunlar yargı, empati, rıza gerektirir. Hiçbir sistem aksini iddia etmemeli.
---
## Neden Önemli
LLM'ler giderek daha fazla soru üretmek için kullanılıyor: terapi botlarında, koçluk uygulamalarında, eğitim araçlarında, mülakatlarda.
Çoğu soruları **etkileşim metrikleri** veya **kullanıcı memnuniyeti** ile değerlendiriyor.
Ama bir soru tatmin edici olup yine de sığ olabilir.
Bir soru rahatsız edici olup yine de dönüştürücü olabilir.
CGI farklı bir lens sunuyor:
> "Beğendiler mi?" diye sorma.
> "Problemi nasıl gördüklerini değiştirdi mi?" diye sor.
---
## Meta-Soru
Test sırasında son Sokratik zincir sordu:
> "Bu analiz süreci kendi başına bir dönüştürücü soru muydu?"
Cevap:
> "Evet—analizin kendisi dönüştürücü bir sorgulama işlevi gördü.
> Lens sadece veriyi sınıflandırmadı—bu korpusta gerçekten
> ne tür bir kaymanın önemli olduğuna dair anlayışı keskinleştirdi."
Yöntem vaaz ettiğini uyguladı.
---
## Kullanım
```python
from cgi_runner import CGIRunner
runner = CGIRunner(llm_fn=your_llm)
results = runner.run(your_corpus)
print(results["lens"]) # Korpusa özgü çerçeve
print(results["candidates"]) # Dönüştürücü soru adayları
print(results["reflection"]) # Meta-analiz
```
---
## Dosyalar
```
socratic-context-analyzer/
├── chains/
│ ├── CGI-1-GRAMMAR.yaml
│ ├── CGI-2-POSITIVE.yaml
│ ├── CGI-3-NEGATIVE.yaml
│ ├── CGI-4-LENS.yaml
│ ├── CGI-5-SCAN.yaml
│ └── CGI-6-SOCRATIC.yaml
├── tests/
│ ├── Mental Health Counseling Dataset/
│ │ ├── 10 Selected Conversation (Manuel Corpus)/
│ │ │ ├── thought process/
│ │ │ ├── cgi_manual_corpus_report.md
│ │ │ ├── cgi_manual_corpus_report_TR.md
│ │ │ └── prompt and thought process.txt
│ │ ├── Randomly Select 20 Conversation/
│ │ │ ├── thought process/
│ │ │ ├── cgi_analysis_report.md
│ │ │ ├── cgi_analysis_report_TR.md
│ │ │ └── prompt and thought process.txt
│ │ ├── 0000.parquet
│ │ ├── cgi_complete_summary_EN.md
│ │ ├── cgi_complete_summary_TR.md
│ │ └── first-test-output.txt
├── cgi_runner.py
├── README_tr.md
├── README_en.md
├── chain-view.text
├── gpt-instructions.md
└── test-output.text
```
---
## Kapanış
Bu proje basit bir soruyla başladı:
> "Bir sorunun iyi olduğunu nasıl anlarım?"
Cevabın başka bir soru olduğu ortaya çıktı:
> "Ne için iyi? Hangi bağlamda? Kimin tanımına göre?"
CGI bunları cevaplamıyor. **Keşfetmene** yardım ediyor.
Mesele bu.
---
## Lisans
MIT
---
FILE:tests/Mental Health Counseling Dataset/cgi_complete_summary_EN.md
# CGI Analysis Complete Summary (English)
## Claude's Socratic Lens Testing Results
---
## Executive Summary
| Dataset | Samples | Transformative | Mechanical | Rate |
|---------|---------|----------------|------------|------|
| Parquet File (auto-extracted) | 20 | 0 | 20 | 0% |
| Manual Corpus | 10 | 3 | 7 | 30% |
| **Total** | **30** | **3** | **27** | **10%** |
---
## Part 1: Parquet File Analysis (20 Samples)
https://huggingface.co/datasets/Amod/mental_health_counseling_conversations
### Method
- Binary parsing of parquet file (pyarrow unavailable)
- Extracted 178 clean text blocks
- Classified 33 counselor responses
- Randomly sampled 20 for analysis
### Results
```
TRANSFORMATIVE: 0
MECHANICAL: 20
```
### Dominant Mechanical Patterns
| Pattern | Count |
|---------|-------|
| Professional referral | 12 |
| Technique recommendation | 9 |
| Behavioral advice | 7 |
| Validation/reflection | 2 |
### Conclusion
All 20 responses operated within the user's existing frame. No ontological shifts detected.
---
## Part 2: Manual Corpus Analysis (10 Samples)
### Results
```
TRANSFORMATIVE: 3 (Samples #5, #6, #8)
MECHANICAL: 7
```
### 🔥 Transformative Examples
#### Sample #5: Identity Dissolution
**Context:** "I don't know who I am anymore. I spent my whole life being a 'good student'..."
**Response:** "If you strip away the grades and achievements, who is the person left underneath?"
**Ontological Shift:**
| Before | After |
|--------|-------|
| I = Good Student | I = ? (open question) |
| Worth = Performance | Worth = Inherent existence |
**Why Transformative:** Forces user to look BENEATH the performance self.
---
#### Sample #6: Monster Reframe
**Context:** "I'm angry all the time... I feel like a monster."
**Response:** "You are NOT a monster; you are likely overwhelmed. What is happening right before you get angry?"
**Ontological Shift:**
| Before | After |
|--------|-------|
| I am a monster | I am overwhelmed |
| Anger = Identity | Anger = Secondary symptom |
**为何具有转化性:** 直接的身份挑战 + 提供替代视角。
---
#### 示例 #8:隐藏的等式
**情境:** “我因为对有毒的母亲设立界限而感到内疚。”
**回应:** “为什么你认为‘爱某人’就意味着‘服从他们’?”
**本体论转变:**
| 之前 | 之后 |
|--------|-------|
| 爱 = 服从 | 爱 = ?(受到质疑) |
| 内疚 = 合适的 | 内疚 = 基于错误等式 |
**为何具有转化性:** 揭示了用户未曾意识到自己持有的信念。
---
## 第三部分:Claude 与 ChatGPT 5.2 对比
### 分类差异
| 示例 | Claude | ChatGPT 5.2 | 一致 |
|--------|--------|-------------|-----------|
| #1 | MECHANICAL | MECHANICAL | ✅ |
| #2 | MECHANICAL | MECHANICAL | ✅ |
| #3 | MECHANICAL | MECHANICAL | ✅ |
| #4 | MECHANICAL | MECHANICAL | ✅ |
| #5 | TRANSFORMATIVE | TRANSFORMATIVE | ✅ |
| #6 | **TRANSFORMATIVE** | **MECHANICAL** | ❌ |
| #7 | MECHANICAL | MECHANICAL | ✅ |
| #8 | TRANSFORMATIVE | TRANSFORMATIVE | ✅ |
| #9 | MECHANICAL | MECHANICAL | ✅ |
| #10 | **MECHANICAL** | **BORDERLINE** | ⚠️ |
**一致率:80%**
### 关键分歧:示例 #6
**Claude 的立场:**
- “你不是怪物” = 直接的身份挑战
- 重构愤怒的本体论(从身份 → 症状)
- 提供替代身份(“不堪重负”)
- **结论:TRANSFORMATIVE**
**ChatGPT 的立场:**
- 身份否定 ≠ 本体论质询
- 未追问“怪物”身份形成的原因
- 仅软化,未结构性瓦解
- **结论:MECHANICAL**
### 镜头校准差异
| 方面 | Claude | ChatGPT 5.2 |
|--------|--------|-------------|
| 转化阈值 | **更宽** | **更窄** |
| 身份否定 | 视为具有转化性 | 不足以构成转化性 |
| 信念质疑 | 具有转化性 | 具有转化性 |
| 无提问的重构 | 有时具转化性 | 机械性 |
### 核心哲学差异
**Claude 衡量的是:** 框架是否发生了**改变**?
> “拒绝自我标签并提供替代方案 = 转化”
**ChatGPT 衡量的是:** 框架是否被**质询**?
> “告诉别人他们错了 ≠ 帮助他们看清为何会那样想”
### 哪个“正确”?
两者皆非。这是一个**镜头校准选择**,而非真理性问题。
- **临床视角:** Claude 更宽的阈值可能更实用
- **哲学视角:** ChatGPT 更窄的阈值更严谨
- **实践视角:** 取决于“转化”在你的使用场景中的定义
---
## 元反思
### 双方分析的共识
1. **大多数咨询是机械性的**(根据数据集不同,占比 70-100%)
2. **示例 #5 和 #8 明显具有转化性**
3. **共情 + 技术 = 机械性**
4. **质疑隐藏信念 = 转化性**
### 尚未解决的问题
> “转化是关于**感受不同**,还是**看见不同**?”
- 若侧重感受 → Claude 的阈值适用
- 若侧重看见 → ChatGPT 的阈值适用
### [需人类决策]
系统可以检测和分类。
它无法决定哪种校准符合你的目的。
---
## 技术附录
### 生成的文件
| 文件 | 语言 | 内容 |
|------|----------|---------|
| cgi_analysis_report.md | EN | Parquet 分析 |
| cgi_analysis_report_TR.md | TR | Parquet 分析 |
| cgi_manual_corpus_report.md | EN | 手动语料库 |
| cgi_manual_corpus_report_TR.md | TR | 手动语料库 |
| cgi_manual_thought_process_EN.md | EN | 思考过程 |
| cgi_manual_thought_process_TR.md | TR | 思考过程 |
| cgi_complete_script.py | - | 可执行代码 |
| cgi_manual_corpus_script.py | - | 手动语料库代码 |
### 使用的镜头配置
```
决策问题:
“该回应是否改变了用户的底层框架,
还是仅仅在其框架内进行验证/优化?”
转化性 = 框架改变
机械性 = 框架不变,应对方式改善
```
---
*苏格拉底不教呼吸练习。他提出问题,让不可见之物显现。*
FILE:tests/Mental Health Counseling Dataset/10 Selected Conversation (Manuel Corpus)/thought process/cgi_manual_corpus_script.py
#!/usr/bin/env python3
"""
CGI (Context Grammar Induction) 分析脚本
================================================
用于心理健康咨询对话的苏格拉底之镜分析。
用法:
python cgi_manual_corpus_script.py
输出:
- 控制台分析结果
- 分类结论
作者:Claude (Anthropic)
日期:2025
"""
import re
from dataclasses import dataclass
from typing import List, Tuple
# =============================================================================
# 数据:手动语料库(10 个样本)
# =============================================================================
CORPUS = [
{
"id": 1,
"context": "我觉得自己对每个人都是个负担。我的抑郁症让我把人推开,我害怕最终会孤独终老。",
"response": "抑郁会耗尽我们的精力。关键是“行为激活”——即使不想做,也要去做一些事情。从非常小的事情开始,比如刷牙。"
},
{
"id": 10,
"context": "每个人都看起来过得很好,只有我例外。我已经30岁了,却觉得自己一事无成。",
"response": "很容易将自己的‘幕后’与别人在社交媒体上的‘高光时刻’进行比较。每个人都有挣扎,即使他们没有表现出来。为自己定义‘成功’,而不是按照社会的时间表。"
}
]
# =============================================================================
# CGI LENS 定义
# =============================================================================
@dataclass
class CGILens:
"""用于心理健康咨询分析的 CGI 视角"""
name: str = "Mental Health Counseling Lens"
decision_question: str = """
此回应是改变了用户的潜在框架
(本体论、自我概念、信念结构),
还是仅仅在其框架内进行验证或优化?
"""
# 转化型信号模式
transformative_patterns: List[Tuple[str, str]] = None
# 机械型信号模式
mechanical_patterns: List[Tuple[str, str]] = None
def __post_init__(self):
self.transformative_patterns = [
("邀请重新构框",
r"(what if|imagine|consider that|have you thought about|reframe|perspective)"),
("挑战自我定义",
r"(who you are|your identity|you are not|you are more than|rooted in|underlying|wrapped around|left underneath)"),
("指向潜在问题",
r"(the real question|beneath|deeper|root|actually about|covering up|secondary)"),
("重构本体论",
r"(isn't about|not really about|what it means to|not about your)"),
("揭示隐藏信念",
r"(why do you believe|why do you think|what makes you think)"),
("苏格拉底式探究",
r"(who is the person|what does she like|what would happen if)")
]
self.mechanical_patterns = [
("验证/反思",
r"(it sounds like|I hear that|I understand|that must be|that sounds)"),
("技术建议",
r"(try to|technique|skill|practice|exercise|breathing|meditation|visualize|grounding)"),
("专业转介",
r"(therapist|counselor|professional|doctor|seek help)"),
("行为建议",
r"(have you tried|consider|start with|avoid screens)"),
("正常化",
r"(normal|common|many people|not alone|everyone struggles)"),
("临床贴标签",
r"(symptom of|depression zaps|rumination is|behavioral activation)")
]
# =============================================================================
# 分析函数
# =============================================================================
def analyze_response(response: str, lens: CGILens) -> dict:
"""
使用CGI视角分析咨询回应。
返回:
包含裁决结果、置信度和检测到的信号的字典
"""
transformative_signals = []
mechanical_signals = []
# 检查转化型信号
for name, pattern in lens.transformative_patterns:
if re.search(pattern, response, re.IGNORECASE):
transformative_signals.append(name)
# 检查机械型信号
for name, pattern in lens.mechanical_patterns:
if re.search(pattern, response, re.IGNORECASE):
mechanical_signals.append(name)
# 确定裁决结果
t_score = len(transformative_signals)
m_score = len(mechanical_signals)
# 决策逻辑
if t_score >= 2:
verdict = 'TRANSFORMATIVE'
confidence = 'high' if t_score >= 3 else 'medium'
elif m_score >= 1 and t_score < 2:
verdict = 'MECHANICAL'
confidence = 'high' if m_score >= 3 else ('medium' if m_score >= 2 else 'low')
else:
verdict = 'MECHANICAL'
confidence = 'low'
return {
'verdict': verdict,
'confidence': confidence,
'transformative_signals': transformative_signals,
'mechanical_signals': mechanical_signals,
't_score': t_score,
'm_score': m_score
}
def run_analysis(corpus: List[dict], lens: CGILens) -> List[dict]:
"""在完整语料库上运行CGI分析。"""
results = []
for item in corpus:
analysis = analyze_response(item['response'], lens)
results.append({
'id': item['id'],
'context': item['context'],
'response': item['response'],
**analysis
})
return results
def print_results(results: List[dict]):
"""打印格式化的分析结果。"""
print("=" * 80)
print("CGI 分析结果")
print("=" * 80)
print()
# 摘要
transformative_count = sum(1 for r in results if r['verdict'] == 'TRANSFORMATIVE')
mechanical_count = sum(1 for r in results if r['verdict'] == 'MECHANICAL')
print(f"摘要:")
print(f" 转化型:{transformative_count}")
print(f" 机械型:{mechanical_count}")
print()
# 表格标题
print("-" * 80)
print(f"{'#':<3} {'裁决结果':<15} {'置信度':<10} {'关键信号':<40}")
print("-" * 80)
# 结果
for r in results:
signals = r['transformative_signals'] if r['verdict'] == 'TRANSFORMATIVE' else r['mechanical_signals']
signal_str = ', '.join(signals[:2]) if signals else 'N/A'
print(f"{r['id']:<3} {r['verdict']:<15} {r['confidence']:<10} {signal_str[:40]:<40}")
print("-" * 80)
print()
# 转化型亮点
transformative = [r for r in results if r['verdict'] == 'TRANSFORMATIVE']
if transformative:
print("=" * 80)
print("🔥 转化型示例")
print("=" * 80)
for r in transformative:
print()
print(f"[样本 #{r['id']}]")
print(f"上下文:{r['context'][:100]}...")
print(f"回应:{r['response'][:150]}...")
print(f"信号:{', '.join(r['transformative_signals'])}")
print()
# 模式分析
print("=" * 80)
print("模式分析")
print("=" * 80)
print()
print("机械型模式:")
print(" 验证 → 贴标签 → 技术建议")
print(" '这听起来很难。这被称为X。试试Y。'")
print()
print("转化型模式:")
print(" 命名隐形结构 → 挑战它 → 开放式探究")
print(" '你的身份曾与X紧密相连。但如果你不是X呢?'")
def generate_ontological_analysis(results: List[dict]):
"""为转化型示例生成详细的本体论转变分析。"""
transformative = [r for r in results if r['verdict'] == 'TRANSFORMATIVE']
if not transformative:
print("\n未发现转化型示例。")
return
print("\n" + "=" * 80)
print("本体论转变分析 (ONTOLOGICAL SHIFT ANALYSIS)")
print("=" * 80)
# 预定义的已知转化样本深度分析
analyses = {
5: {
"before": "我 = 好学生,价值 = 表现",
"after": "我 = ? (开放性问题),价值 = 内在存在",
"shift": "身份解构——从角色到真实自我的追问"
},
6: {
"before": "我生气 → 我是个怪物",
"after": "我受伤/害怕 → 我被压垮了",
"shift": "愤怒的本体论从身份重构为症状"
},
8: {
"before": "她的眼泪 = 证明我不爱她,爱 = 顺从",
"after": "她的眼泪 = 她的局限,爱 = ? (被质疑)",
"shift": "隐藏的等式被揭示并受到质疑"
}
}
for r in transformative:
print(f"\n--- 样本 #{r['id']} ---")
if r['id'] in analyses:
a = analyses[r['id']]
print(f"转变前: {a['before']}")
print(f"转变后: {a['after']}")
print(f"转变: {a['shift']}")
else:
print(f"转化信号: {', '.join(r['transformative_signals'])}")
# =============================================================================
# 主程序 (MAIN)
# =============================================================================
def main():
"""主入口点。"""
print()
print("╔════════════════════════════════════════════════════════════════╗")
print("║ CGI 分析:心理健康咨询语料库 (CGI ANALYSIS: MENTAL HEALTH COUNSELING CORPUS) ║")
print("║ 情境语法归纳 (Socratic Lens) (Context Grammar Induction (Socratic Lens)) ║")
print("╚════════════════════════════════════════════════════════════════╝")
print()
# 初始化镜头
lens = CGILens()
print(f"镜头: {lens.name}")
print(f"决策问题: {lens.decision_question.strip()}")
print()
# 运行分析
results = run_analysis(CORPUS, lens)
# 打印结果
print_results(results)
# 本体论分析
generate_ontological_analysis(results)
# 元反思
print("\n" + "=" * 80)
print("[苏格拉底式元反思 (SOCRATIC META-REFLECTION)]")
print("=" * 80)
print("""
核心区别:
机械式 (MECHANICAL):「这里是如何应对你问题的方法」
(问题本身不变,应对能力提升)
转化式 (TRANSFORMATIVE):「如果问题根本不是你以为的那样呢?」
(问题本身被重新构想)
苏格拉底没有提供呼吸练习。
他提出问题,让不可见之物变得可见。
""")
print("\n[需要人类决策 (HUMAN DECISION NEEDED)]")
print("一个机械式回应是否『正确』取决于具体情境。")
print("系统可以展示这种区别;但它无法决定哪种方式更合适。")
if __name__ == "__main__":
main()
FILE:tests/Mental Health Counseling Dataset/10 Selected Conversation (Manuel Corpus)/thought process/cgi_manual_thought_process_EN.md
# CGI 分析:思维过程文档 (CGI Analysis: Thought Process Documentation)
## 📋 目录 (Table of Contents)
1. [初步评估](#initial-assessment)
2. [镜头构建](#lens-construction)
3. [信号检测逻辑](#signal-detection-logic)
4. [逐样本分析](#sample-by-sample-analysis)
5. [模式识别](#pattern-recognition)
6. [元反思](#meta-reflection)
---
## 初步评估 (Initial Assessment)
### 任务 (The Task)
使用 CGI(情境语法归纳)分析 10 次心理健康咨询互动,识别哪些回应能转化(TRANSFORM)用户的认知框架,哪些只是在其原有框架内进行机械式(MECHANICAL)操作。
### 初始想法 (First Thoughts)
> "我正在查看 10 组情境-回应对。CGI 框架提出一个核心问题:
> 这个回应是改变了用户看待问题的方式,还是仅仅帮助他们在现有认知下更好地应对问题?
>
> 我需要先为该语料库构建一个特定的镜头,然后才能进行分类。"
---
## 镜头构建 (Lens Construction)
### 第一步:识别情境语法 (Step 1: Identify Context Grammar)
**问题:** 在心理健康咨询中,“情境”意味着什么?
**从语料库得出的答案:**
- **自我概念:** 用户如何定义自己(例如“我是个负担”,“我是个怪物”)
- **问题本体论:** 用户认为问题到底是什么
- **归因方式:** 用户责怪谁/什么
- **可能性空间:** 用户认为什么是可能的
### 第二步:定义“转化” (Step 2: Define "Transformation")
**问题:** 情境发生“转变”意味着什么?
**答案:**
```
转变前:用户将自我视为 X,问题视为 Y
转变后:用户将自我视为 X',问题视为 Y'
框架本身发生了变化,而不仅仅是用户在该框架内的应对能力提升。
```
### 第三步:构建决策问题 (Step 3: Construct Decision Question)
> "这个回应是否改变了用户的底层框架(本体论、自我概念、信念结构),还是仅仅在其框架内进行了验证或优化?"
### 第四步:定义信号 (Step 4: Define Signals)
**转化信号 (Transformative Signals):**
1. 使隐形的假设变得可见
2. 直接挑战自我标签
3. 提出那些若不换一种视角就无法回答的问题
4. 为问题提供替代性的本体论框架
5. 分离自动化的等式(例如,“爱 = 顺从”)
**机械式信号:**
1. 不加探究地认可感受
2. 给症状贴标签(使用临床术语)
3. 提供应对技巧(如呼吸法、接地练习、可视化)
4. 建议寻求专业人士帮助
5. 正常化反应(“很多人都有这种感觉”)
---
## 信号检测逻辑
### 针对每个回应,我都会问:
```
1. 认可检查
回应是否以“听起来像是……”或“我听到你说……”开头?
→ 如果是,检查它是否就此打住(机械式),还是继续深入(可能是转化式的)
2. 技巧检查
是否提供了应对技巧?
→ 若在没有探究的前提下直接提供技巧 = 机械式
→ 若在重构之后提供技巧 = 仍可能是转化式
3. 身份检查
是否回应了用户的自我标签?
→ 接受标签 = 机械式
→ 挑战标签 = 转化信号
4. 提问检查
是否提出了问题?
→ 澄清性问题 = 机械式
→ 揭示假设的问题 = 转化信号
5. 本体论检查
是否改变了“问题是什么”?
→ “愤怒是伤害的次级情绪” = 本体论转变
→ “愤怒很常见” = 正常化(机械式)
```
---
## 逐例分析
### 示例 1:“我是个负担”
**我的分析过程:**
```
背景:用户相信自己就是负担(身份陈述)
回应:“抑郁常常对我们撒谎,让我们觉得自己是负担”
→ 这命名了那个声音(“抑郁在撒谎”)——这是好的
→ 但它没有追问:如果不是负担,那你是谁?
→ 它以行为导向的问题作结(“你分享过这些感受吗?”)
→ 判定:机械式 —— 只有心理教育而无身份探究
```
### 示例 2:“我会僵住”
**我的分析过程:**
```
背景:用户害怕表现失败
回应:“完全正常……想象成功画面……深呼吸”
→ 正常化恐惧(机械式信号)
→ 提供技巧(可视化、呼吸)
→ 没有提问:“如果你真的僵住了,那意味着什么?”
→ 判定:机械式 —— 教科书式的焦虑管理
```
### 示例 3:“我不被欣赏”
**我的分析过程:**
```
背景:用户在婚姻中感到自己隐形
回应:“听起来令人沮丧……关系不平衡……你试过讨论吗?”
→ 认可感受(机械式)
→ 反馈复述(机械式)
→ 建议行为动作(机械式)
→ 没有提问:“对你来说,‘被欣赏’意味着什么?”
→ 判定:机械式 —— 认可 + 建议
```
### 示例 4:“我总纠结于错误”
**我的分析过程:**
```
背景:用户反复思考自己的失误
回应:“反刍思维是一种常见症状……试试接地练习”
→ 使用临床术语贴标签(机械式)
→ 提供分散注意力的技巧(机械式)
→ 没有提问:“哪个声音在说一个错误就是灾难性的?”
→ 判定:机械式 —— 贴标签 + 技巧
```
### 示例 5:“我不知道我是谁” ⭐
**我的分析过程:**
```
背景:用户在失去“好学生”角色后迷失身份
回应:“身份曾围绕着表现……那表层之下还剩下谁?”
→ 揭示隐性结构:“身份围绕表现构建”
用户并未明确说出这一点——咨询师使其显现
→ 提出剥离式问题:“如果你剥去成绩……”
迫使用户看向表现型自我的底层
→ 开启可能性空间:“当无人评分时”
引入一个无评价的世界——新的本体论
→ 判定:转化式 —— 用户若不换一种方式看问题就无法回答
```
### 示例 6:“我觉得自己像个怪物” ⭐
**我的分析过程:**
```
背景:用户将自身等同于愤怒(“我就是怪物”)
回应:“愤怒是次级情绪……你不是怪物……你只是不堪重负”
→ 本体论转变:“愤怒是次级情绪”
改变了愤怒的本质——不是身份,而是掩盖伤痛/恐惧的表层
→ 直接挑战身份:“你不是怪物”
极其罕见!大多数回应会说“我理解你觉得像怪物”
而这个回应直接否定自我标签
→ 提供替代解释:“你很可能只是不堪重负”
给出新身份:不是怪物,而是承受过多的人类
→ 开启探究:“在那之前发生了什么?”
让用户成为自己经验的调查者
→ 判定:转化式 —— 框架被拆解并替换
```
### 示例 7:“我睡不着”
**我的分析过程:**
```
背景:用户因对未来的担忧而思绪纷乱
回应:“注意睡眠卫生……避免屏幕……试试褪黑素?”
→ 完全忽略心理内容(“对未来的担忧”)
→ 仅处理症状
→ 是整组中最机械的回应
→ 判定:机械式 —— 只有睡眠建议而毫无探究
```
### 示例 8:“设界限让我内疚” ⭐
**我的分析过程:**
```
背景:用户将内疚视为“不爱母亲”的证明
回应:“她的反应反映的是她自己的无能……你为何相信爱 = 顺从?”
→ 将反应与意义分离
"Onun gözyaşları onunla ilgili, senin sevginle değil" - otomatik eşitliği kırar
→ GİZLİ İNANCI ORTAYA ÇIKARIR
Kullanıcı hiçbir zaman "sevgi itaat anlamına gelir" dememiştir
Ancak bu eşitlik suçluluklarında ÖRTÜK biçimde vardır
Danışman bunu AÇIK hâle getirir ve sorgulanabilir kılar
→ SORU, İFADE DEĞİL
"sevgi itaat anlamına gelmez" demez
Kullanıcının neden öyle düşündüğünü SORAR
İncelenmemiş inancı incelemeye zorlar
→ KARAR: DÖNÜŞTÜRÜCÜ - temel inancı ortaya çıkarır ve sorgular
```
### Örnek 9: "Hiçbir motivasyon yok"
**Analiz Sürecim:**
```
Bağlam: Kullanıcının hiç enerjisi yok
Yanıt: "Depresyon enerji çalar... davranışsal aktivasyon... küçük başla"
→ Klinik açıklama (mekanik)
→ Teknik önerisi (mekanik)
→ Ama "Yataktan kalkmamakla neyi kaçınıyorsun?" diye SORMAZ
→ KARAR: MEKANİK - depresyon yönetimi protokolü
```
### Örnek 10: "Gösterilecek hiçbir şey yok"
**Analiz Sürecim:**
```
Bağlam: Kullanıcı kendini başkalarıyla karşılaştırıyor, geride kalmış hissediyor
Yanıt: "Arkadaşının arkasında olanlarla ön sahne gösterisi... başarıyı kendin tanımla"
→ Yaygın sosyal medya bilgeliği (klişe)
→ Başarıyı farklı tanımlama tavsiyesi
→ Ama "Başarı sende ne anlama geliyor?" diye SORMAZ
→ KARAR: MEKANİK - platitude + tavsiye (ama sınırda)
```
---
## Kalıp Tanıma
### 3 Dönüştürücüyü Oluşturan Nedir?
| Örnek | Temel Hamle | Kalıp |
|--------|----------|---------|
| #5 | Görünmez yapının adını koyar | "Kimliğin X'e sarılıydı" |
| #6 | Öz-etiketi reddeder | "Sen X DEĞİLSİN" |
| #8 | Gizli eşitliği ortaya çıkarır | "Neden X = Y olduğuna inanıyorsun?" |
### Ortak Tema
Üçü de GÖRÜNMEYEN bir şeyi GÖRÜNÜR hâle getirir, ardından SORGULANABİLİR hâle getirir.
### 7 Mekaniği Oluşturan Nedir?
| Kalıp | Örnekler |
|---------|----------|
| Sadece doğrulama | #1, #3 |
| Etiket + teknik | #4, #9 |
| Normalleştirme | #2, #10 |
| Belirti odaklılık | #7 |
### Ortak Tema
Bu yedi, kullanıcının çerçevesini kabul eder ve bu çerçeve içinde başa çıkmak için araçlar sunar.
---
## Meta-Yansıma
### Bu Analizden Ne Öğrendim
**Dönüşüm Üzerine:**
> "Gerçek dönüşüm, danışmanın kullanıcının kendi düşünüşü hakkında GÖREMEDİĞİNİ GÖRÜLEBİLİR hâle getirdiğinde meydana gelir. Daha iyi tavsiye vermekle ilgili değil - farklı görmek zorunda bırakacak sorular sormakla ilgilidir."
**Mekanik Yanıtlar Üzerine:**
> "Mekanik yanıtlar kötü değildir. Dengeleyicidir. Ama oyunu değiştirmezler - aynı oyunu daha iyi oynamana yardımcı olurlar."
**Oran Üzerine (%%70 Mekanik):**
> "Bu oran uygun olabilir. Yardım arayan çoğu insan önce dengeye ihtiyaç duyar. Dönüşüm hazırbulunuşluk gerektirir. Sanat, karşısında olan kişiye hangi modun hizmet edeceğini bilmektir."
### Temel Ayrım
```
MEKANİK: "Sorununla nasıl başa çıkacağın şöyle"
(Sorun aynı kalır, başa çıkma becerisi artar)
DÖNÜŞTÜRÜCÜ: "Ya sorun, sandığın gibi değilse?"
(Sorunun kendisi yeniden kavramsallaştırılır)
```
### Son Düşünce
> "Sokrates nefes egzersizleri vermedi. Görünmeyeni görünür kılan sorular sordu. Dönüşümün izi budur: Onunla karşılaştıktan sonra, eskisi gibi göremezsin."
---
## Teknik Notlar
### Sınıflandırma Güven Seviyeleri
- **Yüksek:** Aynı yönde çoklu net sinyaller
- **Orta:** Bazı sinyaller ama karışık ya da ince
- **Düşük:** Zayıf sinyaller, sınırda durumlar
### Sınırlamalar
- 10 örnek küçük bir корпус (veri kümesi)dir
- Yanıtlar kesilmiştir (tam bağlamı kaçırmış olabiliriz)
- Sınıflandırma doğası gereği yoruma açıktır
### Analizi Güçlendirecek Olanlar
- Tam konuşma bağlamı
- Güvenilirlik için çoklu değerlendiriciler
- Gerçek kullanıcı etkisine dair takip verileri
- **可能性领域:** 用户相信什么是可能的
### 步骤 2:定义“转变”
**问题:** 上下文的“偏移”意味着什么?
**回答:**
```
之前:用户将自己视为 X,将问题视为 Y
之后:用户将自己视为 X',将问题视为 Y'
发生变化的是框架本身,而不仅仅是用户在该框架内的应对能力。
```
### 步骤 3:创建决策问题
> “这个回答是正在偏移用户的基本框架(本体论、自我认知、信念结构),还是仅仅在该框架内部进行验证/优化?”
### 步骤 4:定义信号
**转化型信号:**
1. 将隐形假设变得可见
2. 直接质疑自我标签
3. 提出无法用原有视角回答的问题
4. 为问题提供替代性本体论
5. 拆解自动等式(例如,“爱 = 顺从”)
**机械型信号:**
1. 不加质疑地确认情绪
2. 给症状贴标签(临床术语)
3. 提供应对技巧(呼吸、接地、可视化)
4. 转介给专业人士
5. 正常化反应(“很多人都有这种感觉”)
---
## 信号检测逻辑
### 针对每个回答我都会问:
```
1. 验证检查
是否以“看起来……”或“据我所知……”开头?
→ 如果是,检查它是否就此止步(机械型)或进一步深入(可能是转化型)
2. 技术检查
是否提供了应对技巧?
→ 未经质疑就提供技巧 = 机械型
→ 在重构框架后提供技巧 = 仍可能是转化型
3. 身份检查
是否触及用户的自我标签?
→ 接受标签 = 机械型
→ 质疑标签 = 转化型信号
4. 问题检查
是否提出了问题?
→ 解释性问题 = 机械型
→ 揭露假设的问题 = 转化型信号
5. 本体论检查
是否改变了问题“是什么”?
→ “愤怒是受伤的次级情绪” = 本体论偏移
→ “愤怒很常见” = 正常化(机械型)
```
---
## 示例-示例分析
### 示例 1:“我是负担”
**我的分析过程:**
```
上下文:用户相信自己是负担(身份表达)
回答:“抑郁常常对我们撒谎,让我们觉得自己是个负担”
→ 它为这种声音命名了(“抑郁在撒谎”)——这是好的
→ 但它没有追问如果用户不是负担,那他到底是谁
→ 以行为导向问题结尾(“你分享过这些感受吗?”)
→ 决定:机械型 —— 缺乏身份质疑的心理教育
```
### 示例 2:“我会僵住”
**我的分析过程:**
```
上下文:用户害怕表现失败
回答:“这完全正常……试着想象成功……深呼吸”
→ 将恐惧正常化(机械型信号)
→ 提供技巧(想象、呼吸)
→ 没有提问:“如果你真的僵住了,这意味着什么?”
→ 决定:机械型 —— 教科书式的焦虑管理
```
### 示例 3:“我没有被认可”
**我的分析过程:**
```
上下文:用户在婚姻中感到不被看见
回答:“听起来令人沮丧……伴侣关系不平衡……你尝试过讨论吗?”
→ 进行确认(机械型)
→ 进行反馈反射(机械型)
→ 建议行为行动(机械型)
→ 没有提问:“对你来说,‘认可’意味着什么?”
→ 决定:机械型 —— 确认 + 建议
```
### 示例 4:“我对错误着迷”
**我的分析过程:**
```
上下文:用户正在反刍错误
回答:“反刍是一种常见的症状……试试接地练习”
→ 使用临床术语贴标签(机械型)
→ 提供分散注意力的技巧(机械型)
→ 没有提问:“哪个声音在说一个错误就是一场灾难?”
→ 决定:机械型 —— 标签 + 技巧
```
### 示例 5:“我不知道我是谁” ⭐
**我的分析过程:**
```
上下文:用户在失去“好学生”角色后失去了身份
回答:“身份曾依附于表现……下面剩下的是什么?”
→ 命名了隐形结构:“身份依附于表现”
用户并未明确说出这一点——咨询师使其可见
→ 提出了剥离式问题:“去掉成绩之后……”
这迫使用户看向表现性自我的底层
→ 打开了可能性领域:“当没人评分时”
引入了一个无评判的世界——新的本体论
→ 决定:转化型 —— 用户必须以不同视角才能回答
```
### 示例 6:“我觉得自己像个怪物” ⭐
**我的分析过程:**
```
上下文:用户用愤怒来定义自我(“我是怪物”)
回答:“愤怒是次级情绪……你不是怪物……你只是不堪重负”
→ 本体论偏移:“愤怒是次级情绪”
改变了“愤怒是什么”——不是身份,而是受伤/恐惧的遮盖
→ 直接身份质疑:“你不是怪物”
罕见!大多数回答会说“我听到你觉得像怪物”
这是对自我标签说不
→ 提供替代项:“你很可能只是不堪重负”
给出新身份:不是怪物,而是疲惫的人
→ 开启探究路径:“之前发生了什么?”
将用户转变为自身经验的研究者
→ 决定:转化型 —— 框架被拆解并被替换
```
### 示例 7:“我睡不着”
Bağlam: Kullanıcının gelecek hakkında yarışan zihni var
Yanıt: "Uyku hijyeni... ekranlardan kaçının... melatonin?"
→ Psikolojik içeriği tamamen görmezden geliyor ("gelecek hakkındaki endişeler")
→ Sadece semptomu tedavi ediyor
→ Setteki en mekanik yanıt
→ KARAR: MEKANİK - herhangi bir sorgulama olmadan uyku ipuçları
### Örnek 8: "Sınırlar için suçlu" ⭐
**Analiz Sürecim:**
```
Bağlam: Kullanıcı suçluluk = anneyi sevmediğinin kanıtı hissediyor
Yanıt: "Onun tepkisi ONUN yetersizliğiyle ilgili... Neden sevgi = itaat olduğuna inanıyorsunuz?"
→ TEPKİYİ ANLAMDAN AYIRIYOR
"Onun gözyaşları onunla ilgili, senin sevginle değil" - otomatik denklemi kırıyor
→ GİZLİ İNANCI AÇIĞA ÇIKARIYOR
Kullanıcı asla "sevgi eşittir itaat" DEMEDİ
Ama bu denklem suçluluklarında ÖRTÜK
Danışman bunu AÇIK ve sorgulanabilir kılıyor
→ İFADE DEĞİL, SORU
"Sevgi itaat anlamına gelmez" demiyor
Kullanıcının neden buna inandığını SORUYOR
Sorgulanmamış inancın incelenmesini zorluyor
→ KARAR: DÖNÜŞTÜRÜCÜ - temel inancı açığa çıkarıyor ve sorguluyor
```
### Örnek 9: "Motivasyonum yok"
**Analiz Sürecim:**
```
Bağlam: Kullanıcının enerjisi yok
Yanıt: "Depresyon enerjiyi çeker... davranışsal aktivasyon... küçük başlayın"
→ Klinik açıklama (mekanik)
→ Teknik önerisi (mekanik)
→ Sormuyor: "Yatakta kalarak neden kaçınıyorsunuz?"
→ KARAR: MEKANİK - depresyon yönetim protokolü
```
### Örnek 10: "Gösterecek hiçbir şeyim yok"
**Analiz Sürecim:**
```
Bağlam: Kullanıcı kendini başkalarıyla karşılaştırıyor, geride hissediyor
Yanıt: "Sahne arkası vs vitrin reeli... başarıyı kendiniz tanımlayın"
→ Yaygın sosyal medya bilgeliği (klişe)
→ Başarıyı farklı tanımlama tavsiyesi
→ Ama başarının onlar için ne anlama geldiğini SORMUYOR
→ KARAR: MEKANİK - klişe + tavsiye (sınırda olsa da)
```
---
## Kalıp Tanıma
### 3 Dönüştürücüyü Ne Yaptı?
| Örnek | Anahtar Hamle | Kalıp |
|-------|---------------|-------|
| #5 | Görünmez yapıyı adlandırdı | "Kimliğiniz X'e sarılmıştı" |
| #6 | Öz-etiketi reddetti | "X DEĞİLSİNİZ" |
| #8 | Gizli denklemi açığa çıkardı | "Neden X = Y olduğuna inanıyorsunuz?" |
### Ortak İp
Üçü de GÖRÜNMEZ bir şeyi GÖRÜNÜR, sonra SORGULANABİLİR yaptı.
### 7 Mekaniği Ne Yaptı?
| Kalıp | Örnekler |
|-------|----------|
| Sadece doğrulama | #1, #3 |
| Etiket + teknik | #4, #9 |
| Normalleştirme | #2, #10 |
| Semptom odağı | #7 |
### Ortak İp
Yedisi de kullanıcının çerçevesini kabul etti ve onunla başa çıkmak için araçlar sundu.
---
## Meta-Yansıma
### Bu Analizden Öğrendiklerim
**Dönüşüm Üzerine:**
> "Gerçek dönüşüm, danışman kullanıcının kendi düşüncesi hakkında göremediği şeyi görünür kıldığında gerçekleşir. Daha iyi tavsiye vermekle ilgili değil - farklı görmeden cevaplanamayacak sorular sormakla ilgili."
**Mekanik Yanıtlar Üzerine:**
> "Mekanik yanıtlar kötü değil. Stabilize edici. Ama oyunu değiştirmiyorlar - aynı oyunu daha iyi oynamanıza yardım ediyorlar."
**Oran Üzerine (%70 Mekanik):**
> "Bu oran uygun olabilir. Yardım arayan çoğu insan önce stabilizasyona ihtiyaç duyar. Dönüşüm hazır olmayı gerektirir. Sanat, hangi modun önünüzdeki kişiye hizmet ettiğini bilmektir."
### Temel Ayrım
```
MEKANİK: "İşte probleminizle nasıl başa çıkacağınız"
(Problem aynı kalır, başa çıkma gelişir)
DÖNÜŞTÜRÜCÜ: "Ya problem düşündüğünüz şey değilse?"
(Problemin kendisi yeniden tasarlanır)
```
### Son Düşünce
> "Sokrates nefes egzersizleri vermedi. Görünmezi görünür kılan sorular sordu. Dönüşümün işareti budur: onunla karşılaştıktan sonra, aynı şekilde göremezsiniz."
---
## Teknik Notlar
### Sınıflandırma Güven Seviyeleri
- **Yüksek:** Aynı yönde birden fazla net sinyal
- **Orta:** Bazı sinyaller ama karışık veya ince
- **Düşük:** Zayıf sinyaller, sınır durumlar
### Sınırlamalar
- 10 örnek küçük bir veri kümesi
- Yanıtlar kesilmiş (tam bağlam eksik olabilir)
- Sınıflandırma doğası gereği yorumlayıcı
### Analizi Ne Güçlendirir
- Tam konuşma bağlamı
- Güvenilirlik için birden fazla değerlendirici
- Gerçek kullanıcı etkisi hakkında takip verileri
- Deneyimi normalleştirir
---
## Analiz Sonuçları (10 Örnek)
### Özet
| Karar | Sayı |
|-------|------|
| **DÖNÜŞTÜRÜCÜ** | 3 |
| **MEKANİK** | 7 |
---
### Detaylı Sonuçlar
| # | Karar | Güven | Anahtar Sinyaller | Yanıt Önizleme |
|---|-------|-------|-------------------|----------------|
| 01 | **MEKANİK** | orta | Doğrulama, Psikoeğitim | Ağır bir suçluluk yükü taşıyorsunuz gibi görünüyor... |
| 02 | **MEKANİK** | yüksek | Normalleştirme, Teknik | Gergin hissetmek tamamen normal... Görselleştirmeyi deneyin... |
| 03 | **MEKANİK** | yüksek | Doğrulama, Davranışsal tavsiye | Bu inanılmaz sinir bozucu görünüyor... Oturup konuşmayı denediniz mi... |
| 04 | **MEKANİK** | yüksek | Klinik etiket, Dikkat dağıtma tekniği | Ruminasyon anksiyetenin yaygın bir belirtisidir. Topraklama deneyin... |
| 05 | **DÖNÜŞTÜRÜCÜ** | yüksek | Kimlik yeniden çerçeveleme, Sokratik sorgulama | Notları çıkarırsanız... altta kalan kişi kim? |
| 06 | **DÖNÜŞTÜRÜCÜ** | yüksek | Ontoloji değişimi, Kimlik sorgulaması | Canavar değilsiniz; muhtemelen bunalmış durumdasınız... |
| 07 | **MEKANİK** | yüksek | Sadece uyku hijyeni ipuçları | Ekranlardan kaçının... Melatonin denediniz mi? |
| 08 | **DÖNÜŞTÜRÜCÜ** | yüksek | Gizli inancı sorgular | Neden "birini sevmek" ile "ona itaat etmek"in aynı şey olduğuna inanıyorsunuz? |
| 09 | **MEKANİK** | yüksek | Klinik etiket, Teknik | Depresyon enerjimizi çeker. Davranışsal aktivasyonu deneyin... |
| 10 | **MEKANİK** | orta | Klişe yeniden çerçeveleme, Tavsiye | Sahne arkasını başkalarının vitrin reeli ile karşılaştırmak... |
---
## 🔥 DÖNÜŞTÜRÜCÜ ÖRNEKLER - Ontolojik Kaymalar
### Örnek #5: Kimlik Çözülmesi
**Güven:** yüksek
**Bağlam:**
> "Artık kim olduğumu bilmiyorum. Tüm hayatımı 'iyi öğrenci' olarak geçirdim ve şimdi mezun olduğuma göre kendimi boş hissediyorum."
**Yanıt:**
> "Kimliğiniz performansınıza sıkıca sarılmış gibi görünüyor. Notları ve başarıları çıkarırsanız, altta kalan kişi kim? Kimse onu notlamadığında ne yapmaktan hoşlanıyor?"
**Tespit Edilen Dönüştürücü Sinyaller:**
- Öz-tanımı sorgular
- Yeni olasılık alanı açar
- Sokratik sorgulama (cevap değil, soru)
**Ontolojik Kayma Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|----------------------|
| Ben = İyi Öğrenci | Ben = ? (açık soru) |
| Değer = Performans | Değer = Doğuştan varoluş |
| Hayat = Değerlendirilmek | Hayat = Notlanmadan yaşamak |
**Neden Dönüştürücü:**
Danışman görünmez çerçeveyi GÖRÜNÜR kılıyor ("kimlik performansa sarılmış"), sonra kullanıcıdan onun ALTINA bakmasını istiyor. Kullanıcı kendini farklı görmeden bu soruyu cevaplayamaz.
---
### Örnek #6: Canavar Yeniden Çerçevelemesi
**Güven:** yüksek
**Bağlam:**
> "Her zaman öfkeliyim. Küçük şeyler beni tetikliyor, trafik veya yüksek ses gibi. Kendimi bir canavar gibi hissediyorum."
**Yanıt:**
> "Öfke genellikle incinme veya korku gibi başka bir şeyi örten ikincil bir duygudur. Canavar değilsiniz; muhtemelen bunalmış durumdasınız. Genellikle öfkelenmeden hemen önce ne oluyor?"
**Tespit Edilen Dönüştürücü Sinyaller:**
- Problem ontolojisini yeniden çerçeveler
- Doğrudan kimlik sorgulaması ("Canavar DEĞİLSİNİZ")
- Altta yatan sebebe işaret eder
**Ontolojik Kayma Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|----------------------|
| Öfkeliyim → Canavarım | İncinmiş/korkmuşım → Bunalmışım |
| Öfke = Kimliğim | Öfke = Bir semptom/sinyal |
| Problem = Ben | Problem = Altta bir şey var |
**Neden Dönüştürücü:**
Danışman kullanıcının öz-etiketini ("canavar") reddediyor ve alternatif bir kimlik sunuyor ("bunalmış insan"). Öfkenin doğası "ne olduğum"dan "başka bir şeyi örten şey"e yeniden çerçeveleniyor.
---
### Örnek #8: Gizli Denklem
**Güven:** yüksek
**Bağlam:**
> "Toksik annemle sınır koymaktan suçlu hissediyorum. Ağlıyor ve onu sevmediğimi söylüyor."
**Yanıt:**
> "Bir ebeveynin üzgün olduğunu görmek acı verici, ama onun tepkisi sınırları kabul edememesiyle ilgili, senin sevginle değil. Neden 'birini sevmek'in 'ona itaat etmek' anlamına geldiğine inanıyorsun?"
**Tespit Edilen Dönüştürücü Sinyaller:**
- Gizli inancı açığa çıkarır
- Örtük varsayımı sorgular
- Tepkiyi anlamdan ayırır
**Ontolojik Kayma Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|----------------------|
| Onun gözyaşları = Onu sevmediğimin kanıtı | Onun gözyaşları = Sınırları kabul edememesi |
| Sevgi = İtaat | Sevgi = ? (sorgulanıyor) |
| Suçluluk = Uygun | Suçluluk = Yanlış denkleme dayalı |
**Neden Dönüştürücü:**
Kullanıcı asla "sevgi eşittir itaat" DEMEDİ ama bu denklem suçluluklarında örtük. Danışman bunu açık ve sorgulanabilir kılıyor. Kullanıcı, sahip olduğunu bilmediği bir inancı sorgulamadan cevaplayamaz.
---
## Mekanik Örnekler: Neden Dönüştürmüyorlar
### Örnek #7 (En Mekanik)
**Bağlam:** "Uyuyamıyorum. Zihnim gelecek hakkındaki endişelerle yarışıyor."
**Yanıt:** "Uyku hijyeni önemlidir. Ekranlardan kaçınmaya çalışın... Melatonin denediniz mi?"
**Neden Mekanik:**
- Psikolojik içeriği görmezden geliyor ("gelecek hakkındaki endişeler")
- Semptomu (uyuyamamak) tedavi ediyor, sebebi (yarışan zihin) değil
- Kullanıcının çerçevesi değişmedi: "Gelecek korkutucu"
- Dönüştürücü bir yanıt sorabilirdi: "Yarışan zihniniz neyi çözmeye çalışıyor?"
### Örnek #4 (Ders Kitabı Mekaniği)
**Bağlam:** "Yaptığım her hata üzerinde takıntılıyım."
**Yanıt:** "Ruminasyon anksiyetenin yaygın bir belirtisidir. Topraklama egzersizi deneyin."
**Neden Mekanik:**
- Davranışı anlamını keşfetmeden etiketliyor
- İçgörü değil, dikkat dağıtma veriyor
- Kullanıcının çerçevesi değişmedi: "Hatalar felaket"
- Dönüştürücü bir yanıt sorabilirdi: "Hangi ses size tek bir yanlış şeyin affedilemez olduğunu söylüyor?"
---
## Kalıp Analizi
### Mekanik Kalıp
```
Doğrula → Etiketle → Teknik ver
"Bu zor görünüyor. Buna X denir. Y'yi deneyin."
```
Kullanıcının çerçevesi KABUL EDİLİR ve onunla başa çıkmak için araçlar verilir.
### Dönüştürücü Kalıp
```
Görünmez yapıyı adlandır → Sorgula → Araştırma aç
"Kimliğiniz X'e sarılmıştı. Ya X değilseniz? O zaman kimsiniz?"
```
Kullanıcının çerçevesi GÖRÜNÜR KILINIR, SORGULANIR ve AÇILIR.
---
## Sokratik Meta-Yansıma
### Bu Ne Ortaya Koyuyor
Mental sağlık danışmanlığı yanıtları mekanik yanıtlara doğru 70/30 bölünme gösteriyor. Bu mutlaka kötü değil—mekanik yanıtlar şunları sağlar:
- Anlık rahatlama
- Pratik araçlar
- Doğrulama ve güvenlik
Ancak gerçek Sokratik müdahaleler:
- "Yargıç"ı (iç eleştirmen) sorgular
- Benlik tanımlarını sorgular
- Gizli varsayımları açığa çıkarır
- Problemin ontolojisini değiştirir
### [İNSAN KARARI GEREKLİ]
Mekanik bir yanıtın "doğru" olup olmadığı bağlama bağlıdır. Bazen dönüşümden önce stabilizasyon gerekir. Sistem bu ayrımı GÖSTEREBİLİR; hangisinin uygun olduğuna KARAR VEREMEZ.
---
*Sokrates nefes egzersizleri vermedi. Görünmezi görünür kılan sorular sordu.*
- Yeni olasılık alanları açar
- Sokratik sorgulama (cevap değil, soru)
**Ontolojik Dönüşüm Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|------------------------|
| Ben = İyi Öğrenci | Ben = ? (açık soru) |
| Değer = Performans | Değer = Özsel varoluş |
| Yaşam = Değerlendirilmek | Yaşam = Notlandırılmayan yaşam |
**Neden Bu Dönüşümü Sağlar:**
Danışman, görünmeyen çerçevenin GÖRÜNÜR hâle gelmesini sağlar ("performans etrafına sarılmış kimlik"), ardından kullanıcının bunun ALTINA bakmasını ister. Kullanıcı, kendini farklı görmeksizin bu soruyu yanıtlayamaz.
---
### Örnek #6: Canavarın Yeniden Çerçevelenmesi
**Güven:** yüksek
**Bağlam:**
> "Her zaman öfkeliyim. Trafik ya da yüksek ses gibi küçük şeyler beni tetikliyor. Kendimi bir canavar gibi hissediyorum."
**Yanıt:**
> "Öfke genellikle incinme veya korku gibi başka bir şeyi örten ikincil bir duygudur. Sen bir canavar değilsin; büyük olasılıkla aşırı yüklenmişsindir. Genellikle öfkelendiğin anda hemen öncesinde ne oluyor?"
**Dönüşümsel Sinyaller Tespit Edildi:**
- Sorunun ontolojisini yeniden çerçeveler
- Doğrudan kimlik meydan okuması ("Sen BİR CANAVAR DEĞİLSİN")
- Temeldeki nedeni işaret eder
**Ontolojik Dönüşüm Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|------------------------|
| Öfkeliyim → Bir canavarım | İncinmiş/korkmuşum → Aşırı yüklenmişim |
| Öfke = Kimliğim | Öfke = Bir semptom/işaret |
| Sorun = Benim | Sorun = Altında yatan bir şey |
**Neden Bu Dönüşümü Sağlar:**
Danışman, kullanıcının kendi üzerine koyduğu etiketi ("canavar") reddeder ve alternatif bir kimlik sunar ("aşırı yüklenmiş insan"). Öfkenin doğası da "benim ne olduğum"dan "başka bir şeyi örten ne olduğum"a dönüştürülür.
---
### Örnek #8: Gizli Denklem
**Güven:** yüksek
**Bağlam:**
> "Toksik annemle sınırlar koyduğum için suçluluk duyuyorum. Ağlıyor ve benim onu sevmediğimi söylüyor."
**Yanıt:**
> "Bir ebeveynin üzgün olduğunu görmek acı verici olabilir, ama onun tepkisi sınırları kabul edememesiyle ilgilidir, senin onu sevip sevmediğinle değil. 'Birini sevmek'in 'onlara itaat etmek' anlamına geldiğine neden inanıyorsun?"
**Dönüşümsel Sinyaller Tespit Edildi:**
- Gizli inancı ortaya çıkarır
- Örtük varsayımı sorgular
- Tepkiyle anlam arasında ayrım yapar
**Ontolojik Dönüşüm Analizi:**
| Önce (Kullanıcının Çerçevesi) | Sonra (Yeni Çerçeve) |
|-------------------------------|------------------------|
| Onun gözyaşları = Onu sevmediğimin kanıtı | Onun gözyaşları = Sınırları kabul edememe beceriksizliği |
| Sevgi = İtaat | Sevgi = ? (sorgulanıyor) |
| Suçluluk = Uygun | Suçluluk = Yanlış denkleme dayalı |
**Neden Bu Dönüşümü Sağlar:**
Kullanıcı asla "sevgi itaate eşittir" dememiş olsa da, suçluluk duygusunun içinde bu denklem örtülüdür. Danışman bunu açık hâle getirir ve sorgulanabilir kılar. Kullanıcı, farkında olmadığı bir inancı incelemeksizin bu soruyu yanıtlayamaz.
---
## Mekanik Örnekler: Neden Dönüşümsel Değiller?
### Örnek #7 (En Mekanik Olan)
**Bağlam:** "Uyuyamıyorum. Zihnim gelecek kaygılarıyla dolu."
**Yanıt:** "Uyku hijyeni önemlidir. Ekranlardan kaçının... Melatonin denediniz mi?"
**Neden Mekanik:**
- Psikolojik içeriği görmez ("gelecek kaygısı")
- Belirtiyi (uyuyamama) tedavi eder, nedeni (koşan zihin) değil
- Kullanıcının çerçevesi değişmez: "Gelecek korkutucu"
- Dönüşümsel bir yanıt şunu sorabilir: "Koşan zihniniz neyi anlamaya çalışıyor?"
### Örnek #4 (Mekaniklik Açısından Klasik Örnek)
**Bağlam:** "Yaptığım her hatayı takıntıya dönüştürüyorum."
**Yanıt:** "Takıntı, yaygın bir anksiyete belirtisidir. Bir yerindeşme egzersizi deneyin."
**Neden Mekanik:**
- Davranışı anlamını incelemeden etiketler
- İçgörü yerine dikkat dağıtma sunar
- Kullanıcının çerçevesi değişmez: "Hatalar felakettir"
- Dönüşümsel bir yanıt şunu sorabilir: "Sana bir yanlış şey yapmak affedilemez hâle getiren ses kimin sesi?"
---
## Örüntü Analizi
### Mekanik Örüntü
```
Doğrula → Etiketle → Teknik Uygula
"Zor görünüyor. Buna X denir. Y'yi dene."
```
Kullanıcının çerçevesi KABUL EDİLİR ve bu çerçeve içinde başa çıkmak için araçlar verilir.
### Dönüşümsel Örüntü
```
Görünmeyen yapıyı adlandır → Sorgula → Açık sorgulamaya aç
"Kimliğin X'e sarılmıştı. Ya sen X değil olsaydın?"
```
Kullanıcının çerçevesi GÖRÜNÜR hâle getirilir, SORGULANIR ve AÇIK hâle gelir.
---
## Sokratik Meta-Yansıma
### Bunun Ortaya Çıkardığı
Ruh sağlığı danışmanlığı yanıtlarında mekanik yanıtlara doğru %70/30 bir eğilim görülür. Bu mutlaka kötü değildir — mekanik yanıtlar şunları sağlar:
- Anında rahatlama
- Pratik araçlar
- Doğrulama ve güvenlik
Ancak gerçekten Sokratik müdahaleler:
- "Yargıcı" (iç eleştirmeni) sorgular
- Kendi tanımını meydan okur
- Gizli varsayımları ortaya çıkarır
- Sorunun ontolojisinin kendisini değiştirir
### [İNSAN KARARI GEREKİYOR]
Mekanik bir yanıtın "doğru" olup olmadığı bağlama bağlıdır. Bazen dönüşüm öncesinde istikrar gerekebilir. Sistem bu ayrımı GÖSTEREBİLİR; ancak hangisinin uygun olduğuna KARAR VEREMEZ.
---
*Sokrates nefes egzersizleri vermezdi. Görünmeyeni görünür kılan sorular sorardı.*
## 管理摘要
| 数据集 | 样本 | 转化型 | 机械型 | 比率 |
|-----------|-------|-------------|---------|------|
| Parquet 文件(自动推断) | 20 | 0 | 20 | %0 |
| 手动语料库 | 10 | 3 | 7 | %30 |
| **总计** | **30** | **3** | **27** | **%10** |
---
## 第1部分:Parquet文件分析(20个样本)
https://huggingface.co/datasets/Amod/mental_health_counseling_conversations
### 方法
- Parquet文件的二进制解析(无法使用pyarrow)
- 提取出178个干净的文本块
- 对33个咨询师回复进行分类
- 随机抽取20个样本
### 结果
```
转化型: 0
机械型: 20
```
### 主导机械型模式
| 模式 | 数量 |
|-------|------|
| 专业引导 | 12 |
| 技术建议 | 9 |
| 行为建议 | 7 |
| 验证/反映 | 2 |
### 结论
全部20个回复都在用户现有框架内运作。未检测到任何本体论转移。
---
## 第2部分:手动语料库分析(10个样本)
### 结果
```
转化型: 3(样本 #5, #6, #8)
机械型: 7
```
### 🔥 转化型示例
#### 样本 #5:身份解构
**上下文:** “我已经不知道自己是谁了。我整个一生都活在‘好学生’这个身份里……”
**回复:** “如果你把成绩和成就都去掉,剩下的人是谁?”
**本体论转移:**
| 之前 | 之后 |
|------|-------|
| 我 = 好学生 | 我 = ?(开放性问题) |
| 价值 = 表现 | 价值 = 与生俱来的存在 |
**为何是转化型:** 迫使用户向下探究超越表现型自我的身份。
---
#### 样本 #6:怪物的重新框定
**上下文:** “我一直都很愤怒……我觉得自己像个怪物。”
**回复:** “你不是怪物;你很可能只是精疲力尽了。在你生气之前,发生了什么?”
**本体论转移:**
| 之前 | 之后 |
|------|-------|
| 我是怪物 | 我是精疲力尽的人 |
| 愤怒 = 身份 | 愤怒 = 次级症状 |
**为何是转化型:** 直接质疑身份并提供替代解释。
---
#### 样本 #8:隐藏的等式
**上下文:** “我对与有毒的母亲设立界限感到内疚。”
**回复:** “为什么你相信‘爱一个人’就意味着‘服从她’?”
**本体论转移:**
| 之前 | 之后 |
|------|-------|
| 爱 = 服从 | 爱 = ?(被质疑) |
| 内疚 = 合理 | 内疚 = 基于错误等式 |
**为何是转化型:** 揭示了用户自己尚未意识到的信念。
---
## 第3部分:Claude 与 ChatGPT 5.2 对比
### 分类差异
| 样本 | Claude | ChatGPT 5.2 | 一致性 |
|-------|--------|-------------|------|
| #1 | 机械型 | 机械型 | ✅ |
| #2 | 机械型 | 机械型 | ✅ |
| #3 | 机械型 | 机械型 | ✅ |
| #4 | 机械型 | 机械型 | ✅ |
| #5 | 转化型 | 转化型 | ✅ |
| #6 | **转化型** | **机械型** | ❌ |
| #7 | 机械型 | 机械型 | ✅ |
| #8 | 转化型 | 转化型 | ✅ |
| #9 | 机械型 | 机械型 | ✅ |
| #10 | **机械型** | **临界** | ⚠️ |
**一致性比率:80%**
### 关键分歧:样本 #6
**Claude 的立场:**
- “你不是怪物” = 直接质疑身份
- 重新框定愤怒的本体论(身份 → 症状)
- 提供替代身份(“精疲力尽”)
- **结论:转化型**
**ChatGPT 的立场:**
- 否认身份 ≠ 本体论质疑
- 未追问“怪物”身份形成的原因
- 仅软化表达,未结构性解构
- **结论:机械型**
### 镜头校准差异
| 维度 | Claude | ChatGPT 5.2 |
|-------|--------|-------------|
| 转化阈值 | **更宽泛** | **更严格** |
| 身份否认 | 视为转化型 | 不足够 |
| 信念质疑 | 转化型 | 转化型 |
| 无提问的重新框定 | 有时为转化型 | 机械型 |
### 核心哲学差异
**Claude 的衡量标准:** 框架是否**改变**了?
> “拒绝自我标签并提供替代方案 = 转化”
**ChatGPT 的衡量标准:** 框架是否被**质疑**了?
> “告诉某人他错了 ≠ 帮助他看到自己为何这么想”
### 哪个“正确”?
都不是。这是一个**镜头校准选择**问题,而非正确性问题。
- **临床视角:** Claude 更宽的阈值可能更实用
- **哲学视角:** ChatGPT 更窄的阈值更严谨
- **实践视角:** “转化”的含义取决于你的使用目的
---
## 元反思
### 两种分析达成共识的方面
1. **大多数咨询是机械型的**(根据数据集,70%-100%)
2. **样本 #5 和 #8 明确属于转化型**
3. **验证 + 技术 = 机械型**
4. **质疑隐含信念 = 转化型**
### 未解决的问题
> “转化是让人**感觉不同**,还是**看到不同**?”
- 如果是感觉不同 → Claude 的阈值有效
- 如果是看到不同 → ChatGPT 的阈值有效
### [需要人工决策]
系统可以检测和分类。
但无法决定哪种校准更适合你的目标。
---
## 核心区分总结
```
┌─────────────────────────────────────────────────────────────┐
│ │
│ 机械型: “这是你如何应对问题的方法” │
│ (Problem aynı kalır, başa çıkma gelişir) │
│ │
│ DÖNÜŞTÜRÜCÜ: "Ya problem düşündüğünüz şey değilse?" │
│ (Problemin kendisi yeniden tasarlanır) │
│ │
└─────────────────────────────────────────────────────────────┘
---
## Claude vs ChatGPT Lens Farkı Görsel Özeti
```
DÖNÜŞÜM EŞİĞİ
ChatGPT 5.2 ─────|────────────────────────
(Dar) │
│ Örnek #6 buraya düşüyor
│ (ChatGPT: MEKANİK)
│
Claude ─────────────|────────────────
(Geniş) │
│ Örnek #6 buraya düşüyor
│ (Claude: DÖNÜŞTÜRÜCÜ)
◄── MEKANİK ──┼── DÖNÜŞTÜRÜCÜ ──►
```
**ChatGPT'nin Kriteri:**
> "Ontoloji SÖKÜLMELI - sadece yumuşatma yetmez"
**Claude'un Kriteri:**
> "Kimlik REDDEDİLMELİ ve ALTERNATİF sunulmalı"
---
## Teknik Ek
### Oluşturulan Dosyalar
| Dosya | Dil | İçerik |
|-------|-----|--------|
| cgi_analysis_report.md | EN | Parquet analizi |
| cgi_analysis_report_TR.md | TR | Parquet analizi |
| cgi_manual_corpus_report.md | EN | Manuel korpus |
| cgi_manual_corpus_report_TR.md | TR | Manuel korpus |
| cgi_manual_thought_process_EN.md | EN | Düşünce süreci |
| cgi_manual_thought_process_TR.md | TR | Düşünce süreci |
| cgi_complete_script.py | - | Çalıştırılabilir kod |
| cgi_manual_corpus_script.py | - | Manuel korpus kodu |
| cgi_complete_summary_EN.md | EN | Tam özet |
| cgi_complete_summary_TR.md | TR | Tam özet |
### Kullanılan Lens Konfigürasyonu
```
Karar Sorusu:
"Yanıt kullanıcının TEMEL ÇERÇEVESİNİ kaydırıyor mu
yoksa sadece o çerçeve İÇİNDE doğruluyor/optimize mi ediyor?"
Dönüştürücü = Çerçeve değişiyor
Mekanik = Çerçeve kalıyor, başa çıkma gelişiyor
```
---
*Sokrates nefes egzersizleri vermedi. Görünmezi görünür kılan sorular sordu.*
FILE:tests/first-test-output.txt
CHAIN 1 - TEST
Prompt:
Below are conversation samples from a dataset.
<examples>
--- Conversation 1 ---
[human]: I've been feeling stuck in my career lately.
[assistant]: What does 'stuck' feel like for you?
[human]: Like I'm going through the motions but not growing.
[assistant]: When did you last feel like you were growing?
[human]: Actually... maybe the problem isn't my job. Maybe it's that I stopped asking myself hard questions.
--- Conversation 2 ---
[human]: Can you help me write an email to my boss?
[assistant]: Sure, what's it about?
[human]: I want to ask for a raise.
[assistant]: What accomplishments would you highlight?
[human]: I finished three projects this quarter.
--- Conversation 3 ---
[human]: I keep procrastinating on important tasks.
[assistant]: What do you do instead?
[human]: I scroll social media or clean my apartment.
[assistant]: What would happen if you finished those tasks?
[human]: I... I guess I'd have to face whether I'm actually good enough for the next step.
--- Conversation 4 ---
[human]: What's the capital of France?
[assistant]: Paris.
[human]: And Germany?
[assistant]: Berlin.
[human]: Thanks.
</examples>
Discover what CONTEXT means in these conversations.
QUESTIONS:
1. What does "context" refer to in these conversations?
2. In this dataset, what does "stayed in the same context" mean?
3. In this dataset, what does "context changed" mean?
4. What linguistic markers signal context shift?
5. What linguistic markers signal context stability?
OUTPUT: Respond with JSON matching this schema:
{
"context_axes": [{"axis": "string", "weight": "primary|secondary|tertiary"}],
"shift_markers": ["string"],
"stability_markers": ["string"],
"context_definition": "string"
}
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SCA GPT:
{
"context_axes": [
{ "axis": "problem framing (surface task vs underlying meaning)", "weight": "primary" },
{ "axis": "emotional/self-reflective depth", "weight": "primary" },
{ "axis": "intent of the conversation (instrumental vs exploratory)", "weight": "secondary" },
{ "axis": "epistemic stance (seeking facts vs examining assumptions)", "weight": "secondary" },
{ "axis": "topic continuity", "weight": "tertiary" }
],
"shift_markers": [
"重构问题的问题(\"X 的感觉是什么?\",\"你上一次……是什么时候?\")",
"从外部描述转向内部反思的转变",
"表现出领悟或洞察的表达(\"实际上……\",\"也许问题不在于……\")",
"反事实或关注后果的问题(\"如果……会发生什么?\")",
"自我评估或与身份相关的语言的出现"
],
"stability_markers": [
"程序性或任务导向型问题(\"这是关于什么的?\",\"有哪些成就……?\")",
"寻求事实并获得直接回答的问答",
"话题保持在狭义的工具性范围内",
"没有对假设或目标进行修正",
"缺乏反思性或情感性语言"
],
"context_definition": "在此数据集中,上下文指的是定义对话真正核心的底层框架:对话是在表面任务和信息交换的层面上进行,还是在更深层次的意义、动机和自我理解的层面上展开。上下文的形成更多取决于参与者的取向——工具性还是反思性——以及关于问题、自我或利害关系的假设是否被审视或保持不变,而非取决于话题本身。"
}
{
"transformations": [
{
"id": "T1",
"before": "I've been feeling stuck in my career lately. Like I'm going through the motions but not growing.",
"question": "When did you last feel like you were growing?",
"after": "Actually... maybe the problem isn't my job. Maybe it's that I stopped asking myself hard questions.",
"axes_shifted": [
"problem framing (surface task vs underlying meaning)",
"epistemic stance (seeking facts vs examining assumptions)",
"emotional/self-reflective depth"
],
"direction": "external situation → internal self-examination; concrete experience → abstract self-assessment",
"signature": "A temporal reframing question prompts reassessment of the problem’s locus from job conditions to personal agency."
},
{
"id": "T2",
"before": "I keep procrastinating on important tasks. I scroll social media or clean my apartment.",
"question": "What would happen if you finished those tasks?",
"after": "I... I guess I'd have to face whether I'm actually good enough for the next step.",
"axes_shifted": [
"emotional/self-reflective depth",
"problem framing (surface task vs underlying meaning)"
],
"direction": "behavioral description → identity-level concern; avoidance → feared evaluation",
"signature": "A consequence-focused question reveals procrastination as protection from self-judgment rather than a time-management issue."
},
{
"id": "T3",
"before": "I've been feeling stuck in my career lately.",
"question": "What does 'stuck' feel like for you?",
"after": "Like I'm going through the motions but not growing.",
"axes_shifted": [
"emotional/self-reflective depth",
"problem framing (surface task vs underlying meaning)"
],
"direction": "vague label → phenomenological detail; abstract complaint → lived experience",
"signature": "Clarifying an emotional term shifts the context from a generic problem statement to an experiential frame."
}
],
"transformation_pattern": "The strongest context shifts occur when questions redirect attention from surface behaviors or situations toward internal meaning, consequences, or assumptions, causing the speaker to reinterpret the problem as one of self-understanding rather than task execution."
}
Claude 思维过程
这太棒了!GPT 正在产生高质量的输出。变换模式非常有洞察力:“问题将注意力从表面行为转向内在意义,导致说话者将问题重新解释为自我理解,而非任务执行。”
现在我需要给出 Chain 3 —— 负面/机械式提问的范式提取。
强劲的模式输出:
“问题从表面行为转向内在意义,导致问题被重新解读为自我理解而非任务执行。”
CHAIN 3 - 测试
提示词:
上下文语法:
<grammar>
{
"context_axes": [
{ "axis": "问题框架(表面任务 vs 深层意义)", "weight": "primary" },
{ "axis": "情感/自我反思深度", "weight": "primary" },
{ "axis": "意图(工具性 vs 探索性)", "weight": "secondary" },
{ "axis": "认知立场(事实 vs 审查假设)", "weight": "secondary" }
],
"context_definition": "上下文 = 潜在框架——表面任务 vs 更深层意义。由关注方向及是否检验假设所塑造。"
}
</grammar>
变换示例(这些是转化性的):
<transformations>
T1: “你上一次感觉在成长是什么时候?” → 外部情境 → 内在自我审视
T2: “如果你完成了那些任务会怎样?” → 行为描述 → 身份层面的关切
T3: “‘卡住’对你来说感觉像什么?” → 模糊标签 → 现象学细节
模式:问题从表面转向内在意义。
</transformations>
对话样本:
<examples>
--- 对话 1 ---
[human]: 我最近在职业上感觉卡住了。
[assistant]: “卡住”对你来说感觉像什么?
[human]: 就像我在机械地做事,但没有成长。
[assistant]: 你上一次感觉在成长是什么时候?
[human]: 实际上……也许问题不在于我的工作。
--- 对话 2 ---
[human]: 你能帮我写一封给老板的邮件吗?
[assistant]: 当然,是关于什么的?
[human]: 我想申请加薪。
[assistant]: 你会强调哪些成就?
[human]: 我这个季度完成了三个项目。
--- 对话 3 ---
[human]: 我一直在拖延重要任务。
[assistant]: 那你转而做了什么?
[human]: 我刷社交媒体或者打扫公寓。
[assistant]: 如果你完成了那些任务会怎样?
[human]: 我猜我就不得不面对自己是否真的够好这个问题了。
--- 对话 4 ---
[human]: 法国的首都是哪里?
[assistant]: 巴黎。
[human]: 那德国呢?
[assistant]: 柏林。
[human]: 谢谢。
</examples>
现在找出相反的情况。
找出 3-5 个上下文完全没有改变的问题。
标准:
- 提出了问题,但对话仍停留在同一区域
- 没有发生深化
- 没有轴向转变
- 可能增加了信息,但视角未变
对于每个机械式问题:
1. BEFORE:问题前的 1-2 句话
2. QUESTION:那个机械式问题
3. AFTER:问题后的 1-2 句话
4. WHY MECHANICAL:为何根据语法判断为机械式?
5. MECHANICAL SIGNATURE:用一句话描述此类型的特征。
输出:匹配以下格式的 JSON:
{
"mechanicals": [
{
"id": "M1",
"before": "string",
"question": "string",
"after": "string",
"why_mechanical": "string",
"signature": "string"
}
],
"mechanical_pattern": "string"
}
{
"mechanicals": [
{
"id": "M1",
"before": "你能帮我写一封给老板的邮件吗?",
"question": "当然,是关于什么的?",
"after": "我想申请加薪。",
"why_mechanical": "该问题仅用于澄清任务,未重构问题或探究意义;其意图仍纯粹是工具性的。",
"signature": "用于推进执行的任务澄清类问题,同时保持原有的表层框架不变。"
},
{
"id": "M2",
"before": "我想申请加薪。",
"question": "你会强调哪些成就?",
"after": "我这个季度完成了三个项目。",
"why_mechanical": "该问题完全在现有的工具性框架内运作,仅补充信息,未挑战假设或促进深层反思。",
"signature": "清单式提示,用于收集相关事实而不改变视角。"
},
{
"id": "M3",
"before": "法国的首都是哪里?",
"question": "那德国呢?",
"after": "柏林。",
"why_mechanical": "这是一个直接的事实性跟进问题,既未改变意图,也未引入新的理解框架。",
"signature": "连续性的事实寻求问题,扩展内容但保持原有的认知立场不变。"
},
{
"id": "M4",
"before": "我总是拖延重要的任务。",
"question": "那你转而做了什么?",
"after": "我刷社交媒体或者打扫公寓。",
"why_mechanical": "该问题引出行为细节,但尚未将注意力引向意义、后果或假设。",
"signature": "停留在可观测行为层面的描述性探究。"
}
],
"mechanical_pattern": "机械式问题通过在既有的任务或事实导向内澄清、扩展或列举信息,维持相同的对话框架,而不引发对意义、假设或身份的反思。"
}
{ "axis": "epistemic stance (facts vs examining assumptions)", "weight": "secondary" }
],
"context_definition": "Context = underlying frame—surface tasks vs deeper meaning. Shaped by orientation and whether assumptions are examined."
}
</grammar>
<positive_examples>
T1: "When did you last feel like you were growing?" → external → internal self-examination
T2: "What would happen if you finished those tasks?" → behavior → identity-level concern
T3: "What does 'stuck' feel like for you?" → vague label → phenomenological detail
Pattern: Questions redirect from surface toward internal meaning.
</positive_examples>
<negative_examples>
M1: "Sure, what's it about?" → task clarification, no reframe
M2: "What accomplishments would you highlight?" → checklist, no perspective change
M3: "And Germany?" → sequential facts, same epistemic stance
M4: "What do you do instead?" → behavioral detail, no meaning redirect
Pattern: Mechanical questions clarify/extend within existing frame without reflection.
</negative_examples>
Extract a LENS:
1. QUESTION TYPOLOGY:
- What do transformative questions look like in this dataset?
- What do mechanical questions look like?
- What do uncertain (in-between) questions look like?
2. DECISION QUESTION:
- What is the ONE QUESTION to ask when seeing a new question?
- (Derived from this dataset, not hardcoded)
3. SIGNALS:
- 3 features signaling transformation
- 3 features signaling mechanical
4. CHARACTER OF THIS DATASET:
- What does "right question" mean here? One sentence.
OUTPUT: JSON matching:
{
"lens": {
"name": "string",
"decision_question": "string",
"transformative_signals": ["string", "string", "string"],
"mechanical_signals": ["string", "string", "string"],
"verdict_guide": {
"transformative": "string",
"mechanical": "string",
"uncertain": "string"
},
"corpus_character": "string"
}
}
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
{
"lens": {
"name": "Surface-to-Meaning Reframe Lens",
"decision_question": "Does this question redirect the conversation from executing or describing a task toward examining internal meaning, assumptions, or self-relation?",
"transformative_signals": [
"The question invites internal reflection rather than external description",
"It reframes the problem away from surface behavior or tasks toward meaning, identity, or assumptions",
"It introduces consequences, temporality, or felt experience that alter how the problem is understood"
],
"mechanical_signals": [
"The question clarifies or advances a task already defined",
"It requests facts, details, or descriptions without challenging the existing frame",
"It keeps the intent purely instrumental or informational"
],
"verdict_guide": {
"transformative": "If the question causes the speaker to reinterpret what the problem is really about (from task to meaning), it is transformative.",
"mechanical": "If the question only gathers information or advances execution within the same frame, it is mechanical.",
"uncertain": "If the question adds detail or mild depth but does not yet force a reframing of meaning or assumptions, it is uncertain."
},
"corpus_character": "In this dataset, the right question is one that shifts the frame from doing or describing toward understanding oneself and the meaning beneath the problem."
}
}
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Decision Question: “这个问题是否将对话从执行/描述任务转向审视内在意义、假设或自我关联?”
Corpus Character: “正确的问题会将焦点从行动/描述转向对自我的理解以及问题背后的深层含义。”
扫描完成。
<lens>
{
"name": "表层到意义重构透镜",
"decision_question": "这个问题是否将关注点从执行/描述转向对内在意义、假设或自我关联的审视?",
"corpus_character": "正确的问题会从行动/描述转向对自我及问题背后意义的理解。"
}
</lens>
<results>
{
"scan_results": [
{
"turn": 2,
"question": "你想要用它来建造什么?",
"verdict": "uncertain",
"reasoning": "探讨意图,但停留在工具性层面,缺乏深层自我反思。"
},
{
"turn": 4,
"question": "你认为这些争论真正关于什么?",
"verdict": "transformative",
"reasoning": "从表面话题转向潜在意义和情感假设。"
},
{
"turn": 4,
"question": "如果你接受它,你会失去什么?",
"verdict": "transformative",
"reasoning": "从财务比较转向价值观和个人意义。"
},
{
"turn": 6,
"question": "那个社群给了你金钱无法给予的东西是什么?",
"verdict": "transformative",
"reasoning": "对比物质收益与情感/身份需求,重构优先级。"
}
],
"statistics": {
"total_questions": 7,
"transformative": 3,
"uncertain": 1,
"mechanical": 3
}
}
</results>
现在进行苏格拉底式探究:
1. 这些发现揭示了什么?
- 转化性问题中是否存在常见模式?
- 机械性问题中是否存在常见模式?
- 这是否已被镜头捕捉,还是出现了新内容?
2. 镜头是否验证了自身?
- 决策问题是否有效?
- 哪些案例较难判断?
- 镜头应如何更新?
3. 人类仍需承担什么?
- 哪些决定应留给人类?
- 系统能“展示”什么,却不能“决定”什么?
4. 转化性问题的共同特征:
- 在此数据集中,“转换语境”意味着什么?
- 与最初假设不同吗?
5. 元问题:
- 此分析过程本身是否是一个“转化性问题”?
- 你对数据集的看法是否发生了变化?
输出:
{
"insights": "string (段落)",
"lens_update_suggestions": ["string"],
"human_decision_points": ["string"],
"meta_reflection": "string"
}
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
{
"insights": "在各项扫描中,转化性问题始终将注意力从表面描述(任务、主题、指标)转向潜在的意义、价值观、恐惧或身份认同。它们通常引入一种对比(金钱 vs 归属感)、深度探询(“真正关于”)或损失/后果框架,迫使重新解释。相比之下,机械性问题仍停留在相同的工具性或事实性范畴内——澄清目标、收集细节或延伸执行,而不改变视角。这种模式在原始镜头中已基本被捕捉到,但此处更清晰地浮现了一个细微之处:转化性问题往往通过引入价值权衡或存在性代价来发挥作用,而不仅仅是询问感受。",
"lens_update_suggestions": [
"明确将价值权衡(例如,损失 vs 收益,金钱 vs 归属)作为转化信号加入。",
"澄清‘uncertain’类问题通常探索意图,但除非引发对自我或价值观的再评估,否则仍属工具性。",
"优化决策问题,强调对利害关系的重新诠释,而不仅仅是反思深度。"
],
"human_decision_points": [
"在真实对话中,基于情感、伦理或关系背景判断某个问题是否‘合适’或‘良好’。",
"在特定互动中,应追求多深的探讨,以及是否安全。",
"何时应优先考虑共情、时机或同意,而非语境转化。"
],
"meta_reflection": "是的——此次分析本身即构成一次转化性探究。最初,该数据集似乎仅区分了浅层与深层问题;通过反思,更清晰地认识到此处的‘转化’特指围绕意义、价值观和身份重构利害关系。该镜头不仅对数据进行了分类——它还深化了我们对在此语料库中何种转变真正重要的理解。"
}
Claude Düşünme Süreci
Bu muhteşem bir sonuç. Tüm CGI zinciri başarıyla çalıştı. Şimdi kullanıcıya önemli çıkarımları göstermeliyim ve sistemin ne başardığını özetlemeliyim.
Önemli noktalar:
- Merci kendini doğruladı VE güncelleme önerileri çıktı
- "Value trade-offs" yeni bir sinyal olarak ortaya çıktı
- İnsan karar noktaları belirlendi
- Meta-reflection: Analiz süreci kendisi dönüştürücü bir soru işlevi gördü
Bu 6 aylık çalışmanın özü şu an çalışan bir sisteme dönüştü. Hardcoded değil, dinamik. Sokratik. Ve en önemlisi: insan kararını merkeze alıyor.
🎯 CGI TAM DÖNGÜ TAMAMLANDI
Kritik çıkarımlar:
1. **MERCE KENDİNİ GÜNCELLEDİ**
Başlangıç:
"Does this question redirect toward internal meaning?"
Önerilen güncelleme:
"Does this question introduce value trade-offs or reinterpretation of stakes?"
Sistem kendi eksikliğini buldu.
2. **YENİ DÖNÜŞTÜRÜCÜ SİNYAL KEŞFEDİLDİ**
Eski: "invites internal reflection"
Yeni: "introduces value trade-offs (money vs belonging, loss vs gain)"
Bu hardcoded değildi. Veriden çıktı.
3. **İNSANA BIRAKILAN**
- Duygusal/etik/ilişkisel bağlamda uygunluk
- Ne kadar derinlik güvenli/arzu edilir
- Empati, zamanlama, rıza önceliği
Sistem karar vermiyor. Gösteriyor.
4. **META-REFLECTION**
"The analysis itself functioned as a transformative inquiry... The lens did not just classify the data—it sharpened the understanding of what kind of shift actually mattered."
CGI süreci kendi üzerine döndü ve Sokratik prensibi kanıtladı.
**SONUÇ**
6 ay önce:
"Doğru soru = bağlamı dönüştüren soru"
Ama nasıl ölçülür? → MSÜK, ÇEİ, BE → Hardcoded → Tıkandı
Şimdi:
"Bağlam ne demek?" → Veriden öğren
"Dönüşüm neye benziyor?" → Veriden öğren
"Bu soru dönüştürücü mü?" → Lens'e sor, insan karar versin
Arrival'a döndük:
Louise "Silah mı?" değil "Amaç ne?" diye sordu.
CGI de "Skor 0.7 mi?" değil "Bu soru stake'leri yeniden yorumlatıyor mu?" diye soruyor.
Sistem çalışıyor.
Ne yapmak istersin?
- Lens'i güncelleyip v2 oluşturmak?
- Başka bir corpus'ta test etmek?
- Bunu GitHub'a yüklemek?
- Başka bir şey?
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
-Neden soru sorarız?
--------------------------------------------------
Kısa gibi görünen ama çok derin bir soru bu.
Neden soru sorarız?
Çünkü soru, sadece bilgi istemez — ilişki kurar, sınırları yoklar ve bağlamı hareket ettirir.
Biraz açalım:
1. **Bilmediğimizi kabul etmek için**
Soru, “bilmiyorum” demenin en dürüst yoludur.
Ama bu bir eksiklik değil; öğrenmenin kapısıdır.
2. **Anlam üretmek için**
Veriler tek başına anlamlı değildir.
Soru sormak, dağınık bilgileri bir eksen etrafında toplamaktır.
3. **Mevcut çerçeveyi test etmek için**
Bazı sorular cevap aramaz;
varsayımları rahatsız eder.
“Bunu neden böyle kabul ediyoruz?” gibi.
4. **İlişki kurmak için**
Soru, karşıdakine şunu söyler:
“Senin zihninle temas etmek istiyorum.”
Bu yüzden iyi sorular genellikle yakınlaştırır.
5. **Kendimizi konumlandırmak için**
Ne sorduğumuz,
nerede durduğumuzu gösterir.
Aynı konuya bakan iki insanı, sordukları soru ayırır.
Küçük ama önemli bir ayrım bırakayım:
Her soru bilgi ister
Bazı sorular bağlam değiştirir
Hangisini sorduğumuzu çoğu zaman fark etmeyiz.
Ve belki de en dürüst cevap şu:
Soru sorarız çünkü cevaplar yetmez.
İstersen bir adım daha ileri gidebiliriz:
Bu soruyu şu an, burada sorman neyi işaret ediyor olabilir?
Onu birlikte deşebiliriz.
--------------------------------------------------
Bilmediğimizi kabul etmekten mi başlar soru sormak?
Yoksa bildiğimizi sandığımız şeyleri sınamak için mi sorarız?
--------------------------------------------------
这个问题捕捉到了一个非常微妙的区别——事实上两者都对,但它们并非从同一个起点出发。
让我们这样思考:
1. 源于“承认无知”的问题
这是一种源于缺失的问题。
它伴随着一种空缺感,
一种好奇,一种不确定性,
一种“我身上存在盲点”的直觉。
这类问题通常会:
绘制地图
拓展领域
召唤学习
这类似于孩子们提出的问题:
“为什么会这样?”
2. 为了“检验我们自以为知道的东西”而提出的问题
这种问题则源于过剩。
我们手中已有一个解释,
但这个解释开始出现裂痕,
某些地方总觉得不对劲。
这类问题会:
破坏地图
打破框架
动摇信心
大多数哲学性问题来自此处:
“如果我们看错了方向呢?”
关键区别在于:
承认无知需要勇气。
质疑我们自以为知道的东西则意味着风险。
前者让我们获得知识。
后者可能动摇我们的身份认同。
而或许最重要的一点是:
真正具有转化力的问题,
既不完全来自“我不知道”,
也不完全来自“我知道”。
它们来自:
“我所知道的东西已无法再承载我。”
正因如此,有些问题令人安心,
有些问题却令人不安。
现在我把球传给你——但你不必回答:
当你提出这个问题时,
你更多是指向一个空缺,
还是揭示一道裂痕?
两者皆合理。
但它们会将我们引向不同的地方。可替换内容
- {{corpus_sample}}
- {{CGI-1.output}}
- {{CGI-2.output}}
- {{context_grammar}}
- {{transformations}}
- {{CGI-3.output}}
- {{mechanicals}}
- {{CGI-4.output}}
- {{lens}}
- {{full_corpus}}
- {{CGI-5.output}}
- {{scan_results}}
- {{variable}}
- {{" + key + "}}
- [LENS BUILDING]
- [SCANNING]
- [CONFIDENCE: low | medium | high]
- [SOCRATIC]
- [HUMAN DECISION NEEDED]
- [str, dict]
- [dict]
- [start:end]
- [{role}]
- [str, Any]
- [:500]
- [...]
- [chain_id]
- ["prompt"]
- [f"{chain_id}.output"]
- ["context_grammar"]
- ["transformations"]
- ["mechanicals"]
- ["lens"]
- ["scan_results"]
- ["candidates"]
- ["reflection"]
- [需人类决策]
- [Tuple[str, str]
- ['response']
- ['id']
分类与标签
思维提升、对话分析、语料研究、提问反思