Was stimmt nicht mit KI-generiertem Text? Häufige Mängel in neuronalem Schreiben

Überprüfen Sie KI-generierten Text anhand vertrauenswürdiger Quellen und holen Sie vor der Veröffentlichung eine unabhängige Bestätigung von einem menschlichen Lektor ein. Dieser Schritt reduziert Halluzinationen und schützt Leser vor Fehlinformationen. Nach der Überprüfung dokumentieren Sie, welche Fakten aus Quellen stammen und welche vom Modell erzeugt wurden, damit Leser die Fakten nachverfolgen können. Erstellen Sie einen präzisen Prompt, der das Modell anweist, Quellen anzugeben und Behauptungen ohne Belege zu begrenzen. Notieren Sie auch, welche Wörter aus Quellen stammen und welche vom Modell generiert wurden, um Klarheit zu schaffen.

Schreiber optimieren für das nächste Wort, nicht für die Wahrheit, sodass die Wahrscheinlichkeit, dass ein Satz gut klingt, die Chancen übersteigen kann, dass er korrekt ist. Einige Absätze wiederholen generische Phrasen und lassen Referenzen weg, was die Glaubwürdigkeit untergräbt. Achten Sie auf Signale wie fehlende Quellen, abschwächende Sprache und inkonsistente Daten über Abschnitte hinweg. Um das Risiko zu reduzieren, fordern Sie Quellen-Tags neben Behauptungen und implementieren Sie Faktencheck-Workflows, die nicht verifizierbare Aussagen markieren. Begrenzen Sie auch die Länge der generierten Passagen, um Abweichungen zu reduzieren und die Übereinstimmung mit dem Prompt sicherzustellen.

Halluzinationen – Behauptungen, die glaubwürdig wirken, aber keine Belege haben. Einige Themen sind in den Trainingsdaten unterrepräsentiert, was zu Fehlinterpretationen oder Bias führt. In der Meinung einiger Experten füllt das Modell Lücken mit plausibel klingenden Details, die in der Realität nie vorgekommen sind. Um Halluzinationen zu erkennen, vergleichen Sie den Text mit Primärquellen und überprüfen Sie Zitate, Zahlen und Daten mit unabhängigen Datenbanken oder offiziellen Aufzeichnungen. Implementieren Sie retrieval-verstärkte Generierung, um Ausgaben an realen Dokumenten zu verankern.

Praktische Schritte umfassen einen retrieval-augmentierten Workflow, bei dem das System zuerst vertrauenswürdige Quellen abrufen und dann Text generiert, der diese zitiert. Gestalten Sie den Prompt so, dass er explizite Quellen für jede faktenbasierte Behauptung verlangt und das Modell anweist, Quellen mit Titel und Autor zu zitieren. Erstellen Sie eine Checkliste: Fakten überprüft, Quellen zitiert, Daten korrekt und Zahlen mit den Quellendefinitionen übereinstimmend. Führen Sie eine Mensch-in-der-Schleife-Überprüfung durch und führen Sie eine versionierte Aufzeichnung von Änderungen für Rechenschaftspflicht. Verfolgen Sie Metriken wie Zitationsrate und die Rate unverifizierbarer Aussagen, um kontinuierliche Verbesserungen anzuleiten.

Was stimmt nicht mit KI-generiertem Text? Praktische Prompts und Qualitätschecks

Beginnen Sie mit einem konkreten Ziel: Definieren Sie die Aufgabe, das erforderliche Format und die Metriken, die Sie zur Beurteilung der Qualität verwenden. Diese Methode reduziert Vagheit und hilft, zuverlässigere Informationen von GPT-3 über OpenAI zu erhalten. Wenn Sie die Aufgabe starten, spezifizieren Sie, ob Sie eine knappe Zusammenfassung, eine schrittweise Anleitung oder einen Code-Snippet benötigen, und listen Sie die Einschränkungen und die Informationen auf, die Sie für eine Aufgabe benötigen. Der Prozess basiert auf expliziten Prompts, die die Aufgabe durch ihre Komponenten führen; unser Ansatz betont die Aufmerksamkeit auf Prompts und die Erfüllung der Aufgaben. Das Modell wurde auf einer breiten Informationsbasis trainiert und kann gängige Muster wiederholen, die Buchstaben und Formulierungen formen. Daher erzwingen Sie die Aufzeichnung von Quellen und fordern verifizierbare Informationen, um vage Schlussfolgerungen zu vermeiden. Dieser Rahmen begrenzt unerwünschte Kreationen und reduziert fade Bäder und Vorlagen, die in Ausgaben schleichen. Er verwendet auch eine Rubrik, die die Aufgaben klar macht, die von Lesern überprüfbar ist.

Qualitätschecks, die Sie anwenden können

Qualitätschecks, die Sie anwenden können, sind unkompliziert: Es gibt Schritte zu befolgen. Schritt 1: Überprüfen Sie die faktenbasierte Genauigkeit anhand vertrauenswürdiger Quellen; Schritt 2: Prüfen Sie auf Wiederholungen oder generische Formulierungen; Schritt 3: Überprüfen Sie Rechtschreibung und Buchstaben auf Lesbarkeit; Schritt 4: Stellen Sie sicher, dass die Informationen mit der Aufgabe übereinstimmen und nicht abweichen; Schritt 5: Überprüfen Sie die Aufzeichnung von Quellen, die die Behauptungen unterstützen. Jede Überprüfung erfordert Aufmerksamkeit auf Prompts und die Prompts, die zum Text geführt haben. Wenn Sie beginnen, führen Sie einen schnellen Test auf einer kleinen Probe durch, bevor Sie skalieren, um Stabilität zu erhalten. Dieser Ansatz funktioniert, wenn Sie GPT-3 und OpenAI verwenden, und bietet eine klare Basis zur Bewertung der Ausgabe gegenüber wahren Informationen.

Prompts, die zuverlässige Ausgaben erzeugen

Um zuverlässige Ausgaben zu erzeugen, gestalten Sie Prompts, die Kontext setzen, angeben, wann zu beginnen ist, und eine enge Struktur verlangen. Die Prompts sollten eine Aufgabe pro Ausgabe enthalten, ein gewünschtes Format (Aufzählungspunkte, Überschriften, Länge) und die Anforderung, Aufzeichnungen oder Zitationen von Belegen zu protokollieren. Wenn Sie nach Informationen suchen, fordern Sie Informationen, die mehr als eine Zeile umfassen, und bitten Sie um Zitationen, wo machbar. Ein praktisches Beispiel: „Sie sind ein Assistent, der ein Dokument über X zusammenfasst. Geben Sie eine einzeilige Zusammenfassung der Schlüsselpunkte in einem Absatz, gefolgt von einer Aufzählungsliste von Fakten mit Verweisen auf Quellen. Verwenden Sie GPT-3 und OpenAI, um Informationen abzurufen, aber begrenzen Sie Halluzinationen.“ Diese Art von Anweisung hilft dem Prozess, sich auf Aufgaben zu konzentrieren und reduziert Abweichungen, besonders wenn unser Team mit einer großen Anzahl von Quellen arbeitet.

Erkennung von Halluzinationen, Wasserigkeit und redundanter Formulierungen in KI-Text

Empfehlung: Überprüfen Sie jede faktenbasierte Behauptung anhand zuverlässiger Materialien; wenn Sie nicht bestätigen können, markieren Sie sie als zweifelhaft und fordern Sie Quellen an. Verwenden Sie einen Prompt, der Zitationen verlangt; eine Variante des Prompts, die üblicherweise verwendet wird, weist das Modell an, Quellen zu zitieren und Bestätigungen zu liefern. Halten Sie ein Limit für Tokens, um lange, wasserige Passagen zu verhindern. Wenn Sie abwegige Begriffe wie Bäder oder unzusammenhängende Wörter entdecken, entfernen Sie sie aus der Ausgabe. Verwenden Sie nur knappe, direkte Sprache; extrahieren Sie Informationen aus zuverlässigen Quellen und vermeiden Sie überflüssige Einfügungen, die keinen Wert hinzufügen.

Häufige Merkmale und schnelle Checks

Halluzinationen erscheinen als erfundene Daten, Namen oder Zahlen, die nicht auf Materialien zurückverfolgt werden können; Wasserigkeit zeigt sich in langen, abgeschwächten Sätzen mit Füllwörtern; redundante Formulierungen wiederholen dieselbe Idee in leicht abgewandelten Formen. Für jede verdächtige Behauptung führen Sie eine schnelle Überprüfung anhand mindestens zweier unabhängiger Quellen durch und suchen nach einer klaren Bestätigung aus diesen Quellen. Wenn es Abweichungen gibt, markieren Sie sie und fügen die verwendeten Quellen bei. Stellen Sie sicher, dass die Ausgabe genaue Buchstaben verwendet und vermeiden Sie verdorbenen Text, der auf Lücken oder Textfehler im Prompt hinweisen könnte, besonders auf Geräten mit begrenzter Verarbeitungsleistung (Geräten).

Praktische Schritte, die Sie jetzt anwenden können

Wenden Sie diese Schritte nacheinander an: Zuerst deaktivieren Sie den wasserigen Stil, indem Sie die Satzlänge auf eine Hauptidee pro Absatz kürzen; zweitens erzwingen Sie eine Zwei-Quellen-Regel und verlangen direkte Zitate oder genaue Zahlen mit Zitationen im Prompt; drittens setzen Sie ein strenges Limit für Tokens, damit das Modell nicht in Füllmaterial abdriften kann. Wenn eine Behauptung nicht bestätigt werden kann, reagieren Sie mit einer Vorbehalt und schlagen Materialien zur Überprüfung vor. Verwenden Sie unsere Variante des Prompts, die üblicherweise verwendet wird: „Zitieren Sie Quellen, liefern Sie Bestätigungen und halten Sie Aussagen fest verankert.“ Wenn eine Behauptung auf Nuancen basiert, geben Sie einen kurzen Kontext vor, aber überladen Sie den Text nicht. Für die Qualitätskontrolle führen Sie Nachbearbeitungschecks durch: Achten Sie auf Wiederholungen, unnötige Adjektive und Phrasen, die nichts Neues zum Kernargument hinzufügen. Wenn ein Satz auf eine vage Verallgemeinerung basiert, schreiben Sie ihn um, um ein konkretes Beispiel oder Zahlen einzuschließen. Halten Sie die Sprache knackig, und wenn Sie unsicher sind, ist es besser umzuformulieren, als das Risiko von Fehlern einzugehen.

Baum des Denkens (ToT): Eine schrittweise Prompting-Routine für besseres Reasoning

Beginnen Sie mit einem schrittweisen Prompt, um eine Anfrage für eine Chain-of-Thought zu senden, die explizite Checks an jeder Stufe vor der Finalisierung einer Antwort enthält. Dies hält die Konstruktion des Reasonings transparent und macht das endgültige Urteil leichter überprüfbar.

In unserem Artikel und Materialien wird solches Prompting als praktische Routine beschrieben: Planung und Aufzeichnung von Schritten, Reasoning mit Checks an jedem Kontrollpunkt und eine finale Synthese. Solche Ansätze helfen, sicherzustellen, dass Hauptmeilensteine adressiert werden, welche Aufgaben involviert sind und wie die Wahrscheinlichkeit von Schlussfolgerungen beurteilt wird. Der Prozess basiert auf Prompts, um den nächsten Schritt zu leiten, und hält eine Aufzeichnung jedes Schritts für Audits und, falls nötig, das Senden von Ergebnissen.

1. Aufgabenrahmen und Kriterien – Stellen Sie das Problem klar dar, welche Hauptresultate Sie erwarten und wie Sie die Korrektheit überprüfen werden. Schließen Sie ein, welche Metriken Erfolg definieren, und notieren Sie, welche Annahmen dem Reasoning zugrunde liegen. Wenn Kontext fehlt, schließen Sie eine kurze Angabe zu Quellenadressen ein, die die Behauptungen unterstützen. Dieser Schritt legt den Grundstein für genaue Kreationen und verhindert Abweichungen; andernfalls können Schlussfolgerungen vom ursprünglichen Ziel abdriften.

2. Zerlegung in Unteraufgaben – Zerlegen Sie das Ziel in Unteraufgaben wie Datensammlung, Hypothesengenerierung und Bewertung von Belegen. Spezifizieren Sie, welche Schritte benötigt werden, um jede Unteraufgabe zu erreichen, und geben Sie an, wie andere Faktoren das Ergebnis beeinflussen könnten. Dies hilft Lesern zu sehen, wie die Konstruktion der Antwort entfaltet wird und welche Annahmen getestet werden.

3. Planung und Aufzeichnung – Erstellen Sie einen kompakten Plan mit Meilensteinen und einer Logging-Aufzeichnung von Entscheidungen. Schließen Sie Adressen zu Schlüsselsourcen ein und notieren Sie, welche Daten für jede Behauptung verwendet werden. Indem Sie an diesem Stadium beginnen, schaffen Sie ein wiederverwendbares Gerüst für zukünftige Prompts und Zusammenarbeiten.

4. Schritt-für-Schritt-Reasoning – Generieren Sie Reasoning in klar beschrifteten Schritten mit knappen Prompts für die nächste Aktion. Begrenzen Sie jeden Schritt auf eine Handvoll Sätze, um die Token-Nutzung im Griff zu halten, und machen Sie die Sequenz leicht überprüfbar. Diese Phase ist der Ort, an dem das Modell Hypothesen formuliert, die später überprüft werden können.

5. Verifizierung und Kontrollpunkte – Für jede Behauptung liefern Sie Bestätigung aus verfügbaren Belegen oder eine transparente Notiz, dass sie vorläufig ist. Wenn die Ratio Lücken zeigt, geben Sie die Unsicherheiten an und gehen Sie zu einer alternativen Hypothese (anderen) über. Überprüfen Sie immer, dass die Kette logisch mit der anfänglichen Aufgabe und Kriterien verbunden bleibt.

6. Iteration und Feinabstimmung – Wenn Checks fehlschlagen, wenden Sie sich daran, den Plan zu überarbeiten, Annahmen anzupassen oder Unteraufgaben neu zu rahmen. Iterieren Sie, bis die Wahrscheinlichkeit einer korrekten Schlussfolgerung steigt und die Gesamtkonstruktion kohärent bleibt. Dieser Schritt hält den Prozess widerstandsfähig gegen frühe Fehlschritte.

7. Finalisierung und Dokumentation – Kompilieren Sie die finale Antwort mit einem knappen Justifikationspfad. Schließen Sie ein Logging-Protokoll der Schritte, verwendeter Tokens und die Adressen von Schlüsselsourcen ein. Wenn Sie Ergebnisse teilen müssen, senden Sie eine knappe Zusammenfassung an den Benutzer und geben Sie Hinweise, wo Leser tiefere Analysen in den Materialien unseres Artikels und verwandten Hauptartikeln finden können.

Prompts, die verankern und verifizieren: Reduzierung von Halluzinationen mit Zitationen und Quellen-Checks

Verankern Sie jede Antwort, indem Sie Fakten an verifizierbare Quellen binden und Zitationen gegen die Originaldokumente überprüfen, bevor Sie sie präsentieren. Verwenden Sie eine vertrauenswürdige Quelle pro faktenbasierter Behauptung und fügen Sie eine kurze Notiz zum Quellentyp (Primärartikel, Datensatz, Standards-Dokument oder institutioneller Bericht) bei.

Gestalten Sie Prompting-Vorlagen, die Behauptungen, Materialien und Quellen klar trennen. Schließen Sie einen Prompts-Block mit Prompts ein, die spezifizieren, wo Belege abgerufen werden sollen, und fügen Sie eine Quellenliste in den Prompt ein. Verwenden Sie solch ein Format, um Sprachmodelle durch überprüfbare Schritte zu führen, und halten Sie den Workflow eng für GPT-3 und neuere Iterationen.

Verlangen Sie explizite Zitationen für alle nicht-trivialen Aussagen und bevorzugen Sie Primärquellen. Listen Sie URLs mit Zugriffsdaten und Verlagen auf und schließen Sie DOIs ein, wo vorhanden. Für GPT-3-basierte Prompts zwingen Sie das Modell, eine Liste von Quellen in einem dedizierten Quellenabschnitt zurückzugeben und die Erfindung von Identifikatoren zu vermeiden. Wenn eine Quelle fehlt, weisen Sie darauf hin und schlagen Alternativen vor (verwenden Sie andere Quellen), damit der Benutzer gegen die Materialien überprüfen kann.

Adoptieren Sie einen Verifizierungs-Workflow, der Generierung von Validierung trennt. Nach der Erzeugung einer Antwort führen Sie eine separate Abfrage gegen die aufgeführten Quellen durch, vergleichen Behauptungen mit dem Quellentext und markieren Abweichungen. Verwenden Sie einen sondierenden Prompt (Shot), der das Modell bittet, die Quelle in eigenen Worten zusammenzufassen und dann direkt zu zitieren oder Zitat-Übereinstimmungen herzustellen, wo möglich. Schließen Sie Checks für Widersprüche über verschiedene Quellen ein und heben Sie hervor, wo Behauptungen auf unsicheren Belegen basieren. Wenn es Lücken gibt, versuchen Sie es erneut mit einem anderen Set von Materialien und verfeinern Sie die Aufgabe, um sich auf Hauptfragen und konkrete Aufgaben zu konzentrieren.

Implementieren Sie einen komponentenbasierten Ansatz in Ihrem Prompting-Apparat (Geräten), um Halluzinationen abzuschrecken. Bauen Sie ein Retrieval-Modul, einen Zitationsgenerator und einen Verifizierer als separate Blöcke auf und halten Sie jeden Block überprüfbar. Setzen Sie ein Limit für die Menge des aus dem Gedächtnis gezogenen Inhalts und verlangen Sie, dass checklist-ähnliche Prompts Checks an jedem Schritt auslösen. Bei der Verwendung von Modellen unterschiedlicher Komplexität (Modellen) passen Sie Prompts an ihre Stärken an: knappe Quellenextraktion für kleinere Modelle und reichhaltigere Quellenübergreifende Analysen für größere. Verwenden Sie eine solche Konstruktion, um Ausgaben mit realen Quellen auszurichten und Überabhängigkeit vom Gedächtnis zu vermeiden, besonders bei GPT-3, wo Halluzinationen wahrscheinlicher sind, wenn Prompts Quellenbeschränkungen auslassen. Probieren Sie eine Mischung aus Primärmaterialien und peer-reviewed Reviews aus, um Breite und Tiefe auszugleichen.

Schritt	Aktion	Ausgabebeispiel
1	Prompt-Rahmen	Behauptung: „X passiert.“ Quellen: [URL oder DOI]. Verifizierung: „Quelle bestätigt.“
2	Quellenauswahl	Nur eine Quelle pro Behauptung; listen Sie Materialien (Materialien) auf, die für die Validierung verwendet wurden.
3	Zitationsdetail	Autor, Jahr, Titel, Veranstaltungsort, URL, Zugriffsdatum; DOI falls verfügbar.
4	Verifizierungs-Shot	Kurzer Absatz, der zusammenfasst, wie die Quelle die Behauptung unterstützt (Shot).
5	Quellenübergreifende Überprüfung	Vergleichen Sie mit alternativen Quellen (verschiedenen); notieren Sie Konflikte (Halluzinationen).
6	Offenlegung	Geben Sie an, ob Teile unverifiziert bleiben und was als Nächstes zu überprüfen ist (überprüfen).

Redaktionelle Hygiene: Rechtschreibung, Interpunktion und Vermeidung von Vorlagenphrasen und Wiederholungen

Beginnen Sie mit einer Zwei-Schritte-Überprüfung: einem schnellen Rechtschreib- und Interpunktionsdurchgang, dann einer menschlichen Faktencheck gegen Primärinformationen. Wenn der Text von Modellen erzeugt wird, besonders OpenAI, fängt diese zweite Überprüfung Halluzinationen ab und richtet die Ausgabe mit unserem Prozess und Fakten aus. Der Text wird bereit für die Veröffentlichung und für Leser.

Halten Sie Vorlagen aus dem Haupttext heraus; einige Vorlagen schleichen sich in Entwürfe ein, und Wiederholungen wachsen. Pflegen Sie ein lebendes Glossar und eine Umformulierungs-Routine, um Boilerplate mit frischen Formulierungen zu ersetzen. Wenden Sie einen Stil-Leitfaden für Rechtschreibung, Interpunktion und Wortwahl an, damit die Stimme konsistent im Modus und über komplexe Themen hinweg bleibt. Überprüfen Sie immer Fakten mit vertrauenswürdigen Informationsquellen und vermeiden Sie Phrasen wörtlich zu übersetzen; stattdessen fassen Sie in unseren eigenen Worten zusammen, um Fehlinterpretationen zu vermeiden. Verwenden Sie Informationen aus zuverlässigen Quellen und erklären Sie, wie jede Behauptung gerechtfertigt ist (erklärt), für Transparenz.

Zwei praktische Schritte

Schritt 1: Vorlagendrift stoppen Zentralisieren Sie Boilerplate in einem Repository und paraphrasieren Sie für jedes Stück. Wenn ein Modell verwendet wird, vergleichen Sie Passagen mit den Originalquellen, um sicherzustellen, dass Sie Phrasen nicht recyceln. Für OpenAI-Ausgaben überprüfen Sie Fakten und vermeiden Sie Phrasen wörtlich zu übersetzen; schreiben Sie in frische Formulierungen um, die zu unserem Stil passen. Halten Sie ein Limit für Wiederholungen: Streben Sie nach nicht mehr als 2 % der Sätze, die dieselbe Formulierung in einem 600-Wörter-Text teilen.

Schritt 2: Den Editing-Workflow stärken Erzwingen Sie einen Zwei-Durchgangs-Workflow: mechanische Checks (Rechtschreibung, Interpunktion) und Inhaltschecks (Fakten, Klarheit). Nach Übersetzung oder Anpassung lesen Sie laut vor, um Rhythmus zu testen und sicherzustellen, dass die Informationen genau bleiben. Verwenden Sie Kommentare in E-Mails oder dem OpenAI-Log, um Vorschläge festzuhalten und Änderungen (Rat) zu Erklärungen für Mitwirkende; dies baut Vertrauen auf und hilft bei zukünftigen Edits.

Messung der redaktionellen Hygiene

Metriken verankern den Prozess: Rechtschreibfehlerrate unter 0,5 % pro 1000 Wörter, Interpunktionsgenauigkeit über 95 % und Wiederholungsrate unter 2 % der Sätze. Sammeln Sie Feedback über E-Mails, Ticketing und Editor-Notizen; nach der Veröffentlichung zeichnen Sie auf, welche Fakten geändert wurden (Fakten) und warum. Bei komplexen Themen fügen Sie ein kurzes Glossar bei; stellen Sie sicher, dass der Text real und nützlich bleibt, nicht verzerrt durch Halluzinationen. Das System, das Modelle verwendet, sollte regelmäßig auditiert werden, um aus Fehlern zu lernen und den Prozess zu verbessern.

Checklist: E-Mails, mehr, neu, einige, Modus, komplexe, wenn, nach, solch, System, das, Halluzinationen, verwendet, Modelle, eine, Information, Limit, Text, bereit, Modelle, realen, das, unserem, Prozess, Fakten, übersetzen, OpenAI, Rat, Wörter, erklärt.

Erste Schritte mit ChatGPT: Registrierung und erste Inhaltsgenerierung

Registrieren Sie sich mit einer echten E-Mail, verifizieren Sie das Konto und aktivieren Sie Zwei-Faktor-Authentifizierung, um den Zugriff zu sichern. Der Onboarding-Flow leitet Sie zur Auswahl eines Plans und zur Festlegung von Sprachpräferenzen, was hilft, Ausgaben mit Ihren Texten und anderem Inhalt abzustimmen. Diese Einrichtung hält Ihre neuronale Netzwerk-Arbeit konsistent über Themen und Materialien hinweg.

Grundlagen der Registrierung

Verwenden Sie ein vertrauenswürdiges Gerät, bestätigen Sie Ihre E-Mail und überprüfen Sie Datenschutzkontrollen. Verfolgen Sie Tokens pro Prompt, damit Sie Zeit und Kosten schätzen können. Halten Sie eine Aufzeichnung davon, wie Meinungen Entscheidungen in zukünftigen Sitzungen beeinflussen.

Wenn Sie sich erneut anmelden, speichern Sie Ihre bevorzugte Sprache, Ton und Formatierungsoptionen. Wenn Sie mit Teams arbeiten, laden Sie Mitwirkende mit rollenbasierter Zugriffsrechte ein, um Inhalte zu verwalten.

Tipps für die erste Inhaltsgenerierung

Definieren Sie einen klaren Brief für Ihre erste Aufgabe: eine Fünf-Satz-Phrasen mit einer einzigen, fokussierten Botschaft. Umreißen Sie eine Konstruktion, die mit einem Themasatz beginnt, mit zwei Unterstützungen folgt und mit einem Schluss endet. Wählen Sie eine Variante des Inhalts, den Sie erzeugen möchten, und spezifizieren Sie das Zielpublikum und den Zeitrahmen.

Nachdem Sie einen Entwurf generiert haben, überprüfen Sie auf Klarheit, passen Sie Gedanken an und entfernen Sie überflüssige Ideen. Überprüfen Sie, dass die Ausgabe lesbare Buchstaben verwendet und zum vorgesehenen Inhalt passt. Vergleichen Sie mehrere Varianten und wählen Sie die aus, die am besten die Meinung widerspiegelt, die Sie vermitteln möchten.