Maieutic Prompting

Maieutic prompting tvinger en påstand igennem en runde af forklaring, modspørgsmål og revision. Du starter med et svar fra modellen. Derefter beder du den begrunde svaret, lede efter modeksempler og formulere påstanden om, hvis begrundelsen ikke holder. Navnet henviser til Sokrates' jordemodermetode, hvor svaret fremkaldes gennem spørgsmål i stedet for at blive leveret direkte.

Forskellen til chain-of-thought er retningen. Chain-of-thought bygger et ræsonnement fremad mod et svar. Maieutic prompting går baglæns fra et allerede givet svar og undersøger, om det kan bære sin egen begrundelse. Du kan bruge begge i samme forløb, men de gør ikke det samme.

Forskellen til self-consistency er, hvad der sammenlignes. Self-consistency genererer flere uafhængige svar og vælger det, der optræder oftest. Maieutic prompting arbejder på ét svar ad gangen og angriber det indefra. Konsistenskravet er logisk, ikke statistisk.

Constitutional AI ligger tættere på, men bruger et fast sæt eksterne principper som målestok. Her kommer målestokken fra påstandens egne forudsætninger.

Modellens første svar er genereret på en kort kontekst. Når du beder om en eksplicit begrundelse, tvinges forudsætningerne ud i teksten. Fra det punkt indgår de i context window og påvirker de næste tokens. En uudtalt antagelse kan ikke modsiges, en udskrevet antagelse kan.

Modspørgsmålet "er der undtagelser?" ændrer også, hvilket materiale der er sandsynligt at fortsætte med. En prompt om fugle aktiverer typiske fugle. En prompt om undtagelser fra en regel om fugle aktiverer pingviner og strudse. Det er ikke ny viden, der kommer til, men viden der ikke blev nået i første generering.

Revisionstrinnet virker, fordi modellen nu genererer et svar med både den oprindelige påstand og modeksemplerne i konteksten. Enhver formulering, der ignorerer modeksemplerne, står i direkte konflikt med tekst få linjer længere oppe. Det gør den mindre sandsynlig.

Teknikken hjælper ikke, når fejlen er faktuel snarere end logisk. Hvis modellen tror, at en bestemt lov trådte i kraft i 2019, kan ingen mængde selvudspørgen finde det korrekte årstal. Selvkritik kan kun arbejde med det, der allerede er i modellen. Faktafejl kræver kilder, altså RAG eller manuel verifikation.

Den kan aktivt gøre skade, når det første svar var rigtigt. Presset til at finde undtagelser fører nogle gange til, at modellen opfinder dem eller udvander et præcist svar til noget uforpligtende. Formuleringer som "det afhænger af konteksten" er ofte tegn på, at revisionen er kørt et trin for langt.

Den giver falsk tryghed, når selvkritikken kun er kosmetisk. Et forløb hvor modellen finder en triviel undtagelse, retter den og erklærer sig sikker, ser grundigt ud uden at være det. Længden af ræsonnementet siger intet om dets kvalitet.

På matematik og formel logik er en verifikation mod facit eller kode altid bedre end en selvvurdering.

Modeller som Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro udfører allerede en del af dette internt. De genererer indvendinger mod deres eget udkast, før de svarer. Manuel maieutik giver derfor mindre gevinst på faktuelle spørgsmål end tidligere, og de ekstra runder koster tokens og latency.

Der er stadig to tilfælde, hvor du selv bør styre processen. Det ene er, når du vil se revisionen, for eksempel i undervisning eller i dokumentation af en beslutning. Det andet er, når du kender det svage punkt bedre end modellen og kan stille et præcist modspørgsmål, som en generisk selvkontrol ikke ville finde.

På mindre modeller som Claude Haiku 4.5, GPT-5 nano og Gemini 3.7 Flash er den eksplicitte struktur mere værd. Her sker selvkritikken ikke af sig selv.