Nghiên cứu với AI

Ôn lại: Description-Discernment loop

Nhắc nhanh từ Bài 14.1. Đây là vòng lặp trung tâm của công việc hàng ngày với AI:

Chìa khóa: không mong prompt đầu tiên cho output hoàn hảo. Mong nó cho starting point tốt, rồi iterate.

Trong research, vòng lặp này thường chạy 3-5 vòng. Vòng 1 là "định hướng rộng". Vòng 2-3 là "zoom vào đúng chỗ". Vòng 4-5 là "verify và fill gaps".

      Maria mô tả cái    ──►   AI trả về
      cô cần biết              thông tin
             ▲                      │
             │                      ▼
      Maria điều chỉnh    ◄── Maria thẩm định:
      mô tả dựa trên           đúng? đủ? đáng tin?
      bài học                  thiếu gì?

Kịch bản: Maria research housing Seattle

Giả định Maria đã xong vòng Delegation-Diligence. Cô đã quyết định:

Giờ vào Description-Discernment.

• ✅ AI hỗ trợ research — tăng tốc định hướng
• ✅ Dùng Claude (plan không train on user data) — vì sẽ nhắc đến funder names và strategy nội bộ
• ✅ Maria giữ quyền quyết định chiến lược expansion
• ✅ Maria verify mọi claim quan trọng trước khi dùng trong funding proposal

Vòng 1: Từ prompt mờ đến prompt rich-context

❌ Prompt kém (generic)

AI sẽ trả về bản tóm tắt Wikipedia-ish — đúng nhưng vô dụng. Không actionable. Không hiểu Maria cần gì.

✅ Prompt tốt — Áp dụng đủ 3 phần Description

Product Description (cái gì):

Process Description (làm như thế nào):

Performance Description (hành xử ra sao):

Pro tip: Upload thay vì gõ

Nếu Maria có note research trước đó, brand guidelines, hay organization one-pager, cô upload chúng vào cuộc trò chuyện trước khi đặt câu hỏi. AI hiểu context sâu hơn.

Cùng một câu hỏi với và không có context → chất lượng output khác một trời một vực.

• Claude: Dùng Projects để lưu context persistent.
• ChatGPT: Upload files trực tiếp vào chat.
• Mọi tool: Include một "context section" đầu prompt — ngắn nhưng chứa organization background.

Vòng 2: Thẩm định — Discernment trong research

AI trả về 1,400 từ trên Seattle housing. Trông chỉn chu. Đủ sections. Nhưng... dùng được chưa?

Đây là checklist tâm trí Maria chạy qua khi review:

Product Discernment

Process Discernment

Performance Discernment

• [ ] Tên program (ví dụ "Seattle Housing Authority Program X") có đúng không?
• [ ] Income threshold số liệu có cụ thể không? Có đúng không?
• [ ] Deadline funding có current không?
• [ ] Có source cho mỗi claim lớn không?
• [ ] Ngôn ngữ nhắc đến low-income families có tôn trọng không, hay có deficit-framing?
• [ ] Có bất kỳ section nào nghe "template AI" — vague và generic?
• [ ] AI đã search current sources hay trả lời từ training data cũ?
• [ ] Bỏ sót area nào mà Maria (expert) expect phải có?
• [ ] Có assumption về Seattle demographics hay chính sách không đúng?
• [ ] Nếu có comparison Portland-Seattle — có nuanced hay over-simplify?
• [ ] AI đang giao tiếp practical hay chuyển sang academic tone?
• [ ] Có nịnh ("That's a great question!") làm loãng substance không?
• [ ] Khi không chắc, AI có flag rõ không — hay che đậy uncertainty?

Vòng 3: Iterate — Không reject, không accept nguyên

Maria thấy: draft good overall, nhưng có 3 issues:

Maria KHÔNG:

Maria iterate:

AI sẽ:

Đây là description-discernment loop ở dạng purest. Mỗi vòng, Maria narrowing vào information reliable hơn.

• Nhiều sources nghe như từ news articles, không phải government websites
• Deadlines funding không có source
• Tone một số đoạn hơi academic
• Vứt toàn bộ output → phí thời gian đã đầu tư
• Accept nguyên → risk publish thông tin sai
• Tìm/verify sources (nếu có web access)
• Hoặc acknowledge uncertainty với specific claims không chắc
• Điều chỉnh tone

Ba chiến lược discernment thực chiến

Chiến lược 1: Flag claims cần verify ngay khi đọc

Khi đọc output AI, đánh dấu (mental hoặc literal) 3 loại claim:

Chiến lược 2: Evaluate process gaps

Hỏi: AI có thực sự tìm up-to-date information hay chỉ đưa best guess từ training data?

Test: Nếu AI không mention date cụ thể, không cite source, đưa ra rounded statistics → likely just best guess. Ask directly:

AI trung thực sẽ acknowledge. Nếu AI của bạn không admit uncertainty — đó là red flag về quality của tool đó.

Chiến lược 3: Observe AI behavior

Performance discernment = để ý cách AI đang "là" trong conversation:

Nếu AI quá nịnh, adjust performance description:

• Đang helpful hay đang people-pleasing?
• Đang push back khi bạn sai hay agree với mọi thứ?
• Tone có match với context nonprofit bạn cung cấp không?

┌─────────────────────────────────────────────────┐
│  CLAIM CLASSIFICATION MATRIX                    │
│                                                 │
│   🟢 LOW-RISK          Không specific, không    │
│      claims           time-sensitive. Nền tảng. │
│                       → Dùng như context         │
│                                                 │
│   🟡 VERIFY-LATER      Specific numbers,        │
│      claims           active programs.          │
│                       → Mark, check sau         │
│                                                 │
│   🔴 VERIFY-BEFORE     Deadlines, legal reqs,   │
│      claims           eligibility.              │
│                       → Check ngay              │
│                                                 │
└─────────────────────────────────────────────────┘

Maria's final output

Sau 4 vòng Description-Discernment, Maria có:

Quan trọng hơn: Maria không outsource tư duy. Cô dùng AI để accelerate orientation — giờ có thể make decisions informed hơn. Khi write funding proposal, Maria apply diligence: verify claims, own final result.

Research với AI = accelerator, không phải replacement.

• 1,800 từ Seattle housing policy overview
• 12 sources được verify (6/12 cô đã click-through và đọc gốc)
• 3 gaps AI admitted — Maria sẽ reach out người Seattle để fill (đây là điều AI không làm được)
• 2 insights surprise Maria ban đầu không nghĩ tới

Ví dụ theo ngành — Research trong các vai trò nonprofit

🏠 Housing / Homelessness Services

Pain point: "Mỗi khi chính sách mới ra, tôi mất 2-3 ngày đọc + hỏi peers để hiểu impact."

Giải pháp:

🎓 Education / Workforce Development

Pain point: "Research best practices cho youth program — phải đọc 20+ reports, synthesize."

Giải pháp:

💰 Development / Fundraising

Pain point: "Tìm foundation prospects fit với mission + budget size của tôi tốn cả tuần."

Giải pháp:

⚖️ Policy / Advocacy

Pain point: "Tracking multiple bills qua state legislatures, understanding implications cho communities."

Giải pháp:

🏥 Health / Social Services

Pain point: "Hiểu new Medicaid policy changes và ảnh hưởng đến patient intake."

Giải pháp:

📊 Grants Management

Pain point: "Preparing grant report — need to reference comparable programs, benchmarks."

Giải pháp:

• Prompt rich-context: policy + nonprofit role + populations served
• Iterate 3-4 vòng verify
• Output: 1-page briefing cho team
• Kết quả: 2-3 ngày → 3-4 giờ
• Upload 5-10 key reports
• Prompt: "Synthesize common themes across these reports. Identify areas of consensus vs. contested. Flag evidence strength."
• Discernment: verify 2-3 citations để trust
• Kết quả: 1 tuần → 1-2 ngày
• Prompt với organization details cụ thể: mission, budget size, populations, geography
• AI suggest funders + giving history patterns
• Discernment: check mỗi funder thật sự fund org size / type của bạn
• Verify current application cycles
• Kết quả: 1 tuần → 1 ngày (20+ prospects vetted)
• Weekly prompt: "Scan recent legislation trong [state] affecting [population]. Flag top 3 bills theo impact level."
• AI output briefing
• Verify key bills trên official legislature site
• Kết quả: Tracking trở nên feasible — thay vì miss legislation
• Upload policy document (nếu public)
• Prompt: "Summarize impact cho [specific patient population]. What changes trong our intake process?"
• Iterate: verify specific thresholds với CMS sites
• Kết quả: 1 ngày → 2 giờ + 1 implementation plan
• Prompt: "Research programs similar to ours [describe]. Find published outcomes, benchmarks, best practices."
• AI pulls từ multiple sources
• Discernment: verify 3 most-cited studies
• Kết quả: Richer context → stronger grant reports

Prompt templates cho research

1. Policy landscape overview

2. Funding / grant prospecting

Tôi là [role] tại [organization type], phục vụ [population]. 
Context: [key org characteristics].

Cần hiểu: [specific policy area] trong [geography], 
đặc biệt thay đổi từ [timeframe].

Structure output theo: [assistance programs / legislation / 
compliance / funding].

Focus: actionable intelligence. Cite sources khi possible, 
flag uncertainty khi không chắc.

So sánh với [reference area] nếu relevant.

2. Funding / grant prospecting

3. Comparative research (peers / competitors)

Giúp tôi identify [type of funders] phù hợp với:

- Mission: [1-2 sentences]
- Budget size: [annual budget]
- Geography: [service area]
- Populations: [who we serve]
- Program seeking funding: [specific program]

Cho mỗi prospect, provide:
- Mission fit rationale
- Grant size range historically
- Application cycle (dates)
- Key contact / portal
- Red flags or positive signals

Priority: funders that fund orgs our size, not mega-nonprofits.
Flag any info that might be outdated.

3. Comparative research (peers / competitors)

4. Best-practices synthesis

Identify 5-7 [type of organizations] similar to us:
- [key characteristics]
- [geography overlap hoặc comparable]
- [program area]

Cho mỗi org:
- Program model (what they do differently)
- Scale (budget, reach, years operating)
- Public outcomes reported
- Partnership / funding patterns

Synthesize common patterns + key differentiators.
Flag assumptions; base trên publicly available info.

4. Best-practices synthesis

5. Community-needs trend spotting

Tôi upload 5-10 reports về [topic].

Analyze all documents. Identify:
- Areas of consensus across reports
- Areas of contested view
- Evidence quality (strong data, anecdotal, opinion?)
- Gaps (questions reports don't answer)

Output: synthesis briefing 1,200-1,500 từ, 
với evidence-backed bullets.

5. Community-needs trend spotting

6. Compliance / regulatory scan

Based on [data I provide + external sources]:

- Latest demographics in [service area]
- Service requests trends [our program data]
- External factors (policy, economic, demographic changes)
- Comparable community patterns

Identify:
- Emerging needs we should prepare for (next 12-18 months)
- Current services underutilized (and why)
- Gaps likely to grow

Frame: opportunities for planning, not predictions. 
Caveat assumptions.

6. Compliance / regulatory scan

7. Literature review (academic)

I'm a [role] at [nonprofit type]. Upcoming compliance 
concerns:

[list what worries you]

Research current requirements for:
- [specific reg area 1]
- [specific reg area 2]

For each:
- Who enforces
- What's required
- Recent changes (last 12 months)
- Penalties for non-compliance
- Common mistakes small nonprofits make

Output: action checklist, not legal opinion.
Recommend when to consult lawyer.

7. Literature review (academic)

8. Market intelligence (competitor / field scan)

Upload N papers về [topic].

Phase 1: Catalog mỗi paper:
- Author(s), year
- Research question
- Methodology
- Key findings
- Limitations noted

Phase 2: Synthesize:
- Themes across papers
- Consensus findings
- Contested findings  
- Methodological debates
- Gaps

Phase 3: Relevance to our work:
- Which findings inform our program design?
- Which challenge our assumptions?
- Which can be cited trong grant reports?

Format: synthesis doc với bibliography.

8. Market intelligence (competitor / field scan)

Scan [field / sector] activity:

- Major organizations + recent news
- Funding moves (new foundations entering, exits)
- Policy shifts affecting our field
- Emerging issues being discussed
- Key reports / white papers released

Timeframe: last 6 months.
Sources: prioritize [trusted sources].

Output: 2-page intelligence brief.

Anti-patterns — Sai lầm khi research với AI

❌ Chấp nhận first draft

Triệu chứng: AI trả về overview đẹp, bạn cảm ơn, dùng luôn.

Tại sao là sai: First drafts thường generic, chưa specific. Bạn bỏ qua cơ hội tốt nhất của description-discernment loop.

Cách đúng: Treat first output là draft zero. Iterate ít nhất 2 vòng.

❌ Prompt không có context tổ chức

Triệu chứng: "Tell me about X policy" — không mention ai bạn, bạn phục vụ ai, mục đích dùng info.

Tại sao là sai: AI không biết tailor. Output generic.

Cách đúng: Front-load context: role + org + populations + decision info will inform.

❌ Bỏ qua verify — "AI đã search web"

Triệu chứng: AI claim search web, bạn tin. Không click sources.

Tại sao là sai: AI đôi khi "search" nhưng hallucinate sources, hoặc search nhưng mis-summarize.

Cách đúng: Click-through 2-3 key sources. Đặc biệt với stakes-high claims.

❌ Dùng AI làm chuyên gia cuối cùng

Triệu chứng: "AI said X, so we're going with X." Skip gọi contact Seattle.

Tại sao là sai: AI không có relationships, không biết insider context, không có lived experience.

Cách đúng: AI accelerate orientation → human network fill gaps.

❌ Lặp lại prompt khi không hài lòng, không explain tại sao

Triệu chứng: "Không phải cái tôi cần. Thử lại." AI đoán.

Tại sao là sai: AI không biết lý do. Không cải thiện.

Cách đúng: Specific feedback: "Section 2 quá academic — rewrite punchy hơn. Section 3 thiếu cost info — add."

❌ Over-prompt với constraints khiến output rigid

Triệu chứng: 20 constraints + 10 examples → AI trả về robotic.

Tại sao là sai: Too many rules = AI stiff. Tốt nhất: 3-5 clear constraints, để room để intelligent.

Cách đúng: Start với core requirements. Thêm constraint ở iteration sau nếu cần.

Mẹo nâng cao

Mẹo 1: "Source trail" audit

Sau mỗi research session, yêu cầu AI:

Bạn sẽ ngạc nhiên bao nhiêu claim actually có source vs. synthesized từ training data.

Mẹo 2: Ask AI to red-team itself

Self-critique thường surface issues Maria (hay bạn) chưa thấy.

Mẹo 3: Layer sources

Không dependency vào 1 tool AI:

Ba layer này cover nhược điểm từng cái. Don't trust any single one.

Mẹo 4: Time-box iterations

Không iterate vô hạn. Rule thumb:

• Pass 1: Claude để synthesize
• Pass 2: Google Scholar / official sites để verify
• Pass 3: Human contact để fill blind spots
• 1st iteration: broad overview (~10 phút)
• 2-3rd iterations: sharpen focus (~15-20 phút)
• 4th+ iterations: diminishing returns — stop, verify, move on

Áp dụng ngay

Bài tập 1: Policy tracking (~30 phút)

Part I — Tự phản xạ:

Chọn 1 policy area relevant cho công việc bạn:

Draft prompt bao gồm:

Part II — Collaborate:

Share prompt với AI. Apply Discernment:

Part III — Phản xạ:

Stretch goal: Yêu cầu AI "tìm source gốc cho 1 key claim" và click-through để verify accuracy.

Bài tập 2: Donor / grant prospecting (~30 phút)

Part I: Chọn research focus (grant opps cho 1 chương trình cụ thể, corporate donors in region, foundation prospects).

Draft prompt với:

Part II: Share prompt, review response. Apply Discernment:

Part III — Phản xạ:

Stretch goal: Pick 1 suggested funder → ask AI research recent grants của họ → compare actual giving với stated priorities.

• Housing policy
• Education funding
• Healthcare access
• Immigration
• Environmental regulation
• Specific policy/legislation bạn muốn hiểu
• Context tổ chức bạn (role, populations served, why this matters)
• What you need: impact on beneficiaries, funding implications, compliance needs, advocacy opportunities
• Timeframe + geographic scope
• Identify ít nhất 2 claims cần verify
• Note missing perspectives về cộng đồng của bạn
• Flag info có vẻ outdated / generic
• Prompt đầu có đủ context không?
• Bạn sẽ revise prompt như nào cho lần tới?
• Verification steps nào bạn sẽ take trước khi dùng info này?
• Mission + specific program seeking funding
• Organization characteristics (budget, geography, populations)
• Funding parameters (grant size range, eligible expenses, timing)
• "Good fit" criteria beyond topic alignment (values, giving history, accessibility)
• Suggested funders có actually fund orgs size/type của bạn?
• Verify deadlines và eligibility
• Identify outdated info (closed programs, changed priorities)
• Note prospects align giá trị bạn, không chỉ budget needs
• AI có hiểu "aligned funder" ≠ "topically related"?
• Details nào bạn cần verify trước khi invest time apply?
• Cái gì chỉ network của bạn biết mà AI không?

Phản xạ bài học

• Cung cấp context về org đã thay đổi quality output ra sao so với prompt generic?
• Verification habits nào bạn sẽ build vào workflow khi dùng AI research?
• D nào (Description / Discernment) bạn thấy natural, D nào khó?

Tóm tắt bài học

🎯 Effective Description = context + product + process + performance — skip context, bạn skip quality.

🎯 Discernment không optional — flag claims verify, notice gaps, question recency.

🎯 Description-Discernment là loop, không phải one-shot — iterate 2-5 vòng để sharpen output.

🎯 AI accelerate research, không replace expertise — vẫn phải apply professional judgment cho mỗi deliverable.

🎯 Verify từ source gốc với stakes-high claims — AI có thể hallucinate hoặc mis-summarize.

🎯 Classify claims theo risk level — low-risk dùng được, high-risk verify-before-use.