ใช้ AI เขียน performance review: 6 พรอมต์ และตัวอย่างรีวิวจริง

พรอมต์รับเป้าหมาย หลักฐานของคุณ และเกณฑ์ให้คะแนน ส่วนคะแนนคุณให้เอง

พรอมต์เดียวเขียนฉบับร่างแรกของ performance review ที่ใช้ได้จริง เมื่อมีสามอย่าง: เป้าหมายที่ตั้งไว้ตอนต้นรอบ หลักฐานที่คุณดึงเองจากระบบตั๋ว ปฏิทิน และตัวเลข และเกณฑ์ให้คะแนนพร้อมคำนิยาม JPMorgan Chase อนุญาตให้ผู้จัดการทำแบบนี้ได้พอดี ภายใต้แนวปฏิบัติที่ว่าเครื่องมือนี้ "ไม่อาจแทนวิจารณญาณของมนุษย์" และห้ามใช้ AI กำหนดคะแนนหรือตัดสินเรื่องค่าตอบแทนและการเลื่อนตำแหน่ง (Bloomberg, 13 พฤศจิกายน 2025) นี่คือพรอมต์ที่เราส่งให้สองโมเดลเมื่อ 29 กันยายน 2026 วิศวกรซัพพอร์ตและตัวเลขของเธอเป็นข้อมูลสมมติ สิ่งสำคัญคือโครงสร้าง

เขียนความเห็นของหัวหน้าสำหรับ performance review ประจำปี ใช้เฉพาะหลักฐานด้านล่าง ถ้าต้องใช้ข้อเท็จจริงที่ฉันไม่ได้ให้ ให้เขียน [NEEDED] แทนการแต่งขึ้นเอง โครงสร้าง: หนึ่งย่อหน้าต่อหนึ่งเป้าหมาย (ผลลัพธ์ก่อน แล้วค่อยหลักฐาน) หนึ่งย่อหน้าเรื่องด้านที่ควรพัฒนา แล้วเสนอคะแนนรวมตามสเกลของเราพร้อมเหตุผลหนึ่งประโยค ไม่เกิน 250 คำ ห้ามใช้คำคุณศัพท์เกี่ยวกับนิสัยของบุคคล ให้เขียนแค่สิ่งที่เขาทำและผลที่เกิดขึ้น

ตำแหน่ง: วิศวกรซัพพอร์ต อยู่ในตำแหน่ง 2 ปี สเกลคะแนน: 1 ต่ำกว่าความคาดหวัง, 2 ตรงตามความคาดหวังบางส่วน, 3 ตรงตามความคาดหวัง, 4 เกินความคาดหวัง, 5 เกินความคาดหวังอย่างมาก คะแนน 3 คือคะแนนที่คาดหวังสำหรับปีที่ทำงานได้ดี คะแนน 4 ต้องมีผลกระทบที่วัดได้เกินขอบเขตตำแหน่ง

เป้าหมาย 1: ลดเวลาตอบกลับครั้งแรกค่ามัธยฐานของตั๋ว tier 2 จาก 9 ชั่วโมงให้เหลือไม่ถึง 4 หลักฐาน: รายงาน Zendesk เวลาตอบกลับครั้งแรกค่ามัธยฐาน 3.6 ชั่วโมงตั้งแต่ไตรมาส 2 ถึงไตรมาส 4 จัดการตั๋ว 3,100 ใบในปี เทียบกับค่าเฉลี่ยของทีมที่ 2,400 ใบ

เป้าหมาย 2: ส่งมอบหน้าสถานะ (status page) ที่ลูกค้าเห็นได้ หลักฐาน: ส่งมอบ 14 มีนาคม ช้ากว่าเป้าหมาย 1 กุมภาพันธ์หกสัปดาห์ ความล่าช้าเกิดจากการพึ่งพา SSO ของผู้ให้บริการภายนอกซึ่งเธอควบคุมไม่ได้ มีการโพสต์เหตุการณ์ 22 รายการลงหน้านี้นับจากเปิดตัว

เป้าหมาย 3: สอนงานพนักงานใหม่สองคนให้จัดการตั๋วได้เองภายใน 8 สัปดาห์ หลักฐาน: พนักงานใหม่ทั้งสองคนจัดการตั๋วได้เองภายในสัปดาห์ที่ 6 (บันทึกการคุยตัวต่อตัวของหัวหน้า เดือนเมษายนและพฤษภาคม)

บันทึกด้านการพัฒนา: ในไตรมาส 3 มีการยกระดับเรื่องสองครั้งที่ลูกค้าถูกบอกวันที่แก้ไขก่อนที่ทีมวิศวกรรมจะยืนยัน (Jira SUP-2211, SUP-2287)

สองคำสั่งในพรอมต์นี้ทำงานหนักที่สุด "[NEEDED] แทนการแต่งขึ้นเอง" ทำให้โมเดลไม่ตกแต่งเป้าหมายด้วยตัวเลขที่คุณไม่เคยวัด ในการรันของเรา Claude Sonnet 4.5 เขียน [NEEDED] หนึ่งจุดตรงที่เราไม่ได้ให้หลักฐานว่ามีการแก้ไขหลังการยกระดับสองครั้ง ส่วน Gemini 2.5 Pro ไม่เขียนเลย และเติมประโยคเรื่องขั้นตอนที่เราไม่เคยให้ไว้ "ห้ามใช้คำคุณศัพท์เกี่ยวกับนิสัยของบุคคล" ทำให้ฉบับร่างอยู่กับสิ่งที่เกิดขึ้นจริง ซึ่งเป็นสิ่งที่พนักงานโต้แย้งได้และฝ่าย HR ปกป้องได้

หลักฐานต้องมาจากคุณ เพราะโมเดลไม่มีอย่างอื่นให้ใช้ รายงาน State of People Strategy ปี 2025 ของ Lattice พบว่า 49% ของผู้จัดการรู้สึกว่าการทบทวนฟีดแบ็กทั้งปีเป็นเรื่องยาก และทั้งปีนั้นคือสิ่งที่พรอมต์ต้องการพอดี: ไฟล์ส่งออกจาก Zendesk หรือ Jira ปฏิทิน บันทึก commit บันทึกการคุยตัวต่อตัว และตัวเลขบนแดชบอร์ด พรอมต์ที่ 2 เปลี่ยนไฟล์เหล่านั้นเป็นบรรทัดหลักฐานก่อนจะเขียนอะไร

ด้านล่างคือข้อมูลดิบที่ส่งออกมาครอบคลุมช่วงรีวิวของคนนี้: [วางรายการตั๋ว ปฏิทินที่ส่งออก บันทึก commit หรือรายงานยอดขาย ต่อกันไปทีละอัน] เปลี่ยนให้เป็นบรรทัดหลักฐาน หนึ่งรายการต่อหนึ่งบรรทัด แต่ละบรรทัดระบุวันที่หรือช่วงวันที่ สิ่งที่ทำ และตัวเลขจากไฟล์ส่งออก จัดกลุ่มภายใต้เป้าหมายเหล่านี้: [วางเป้าหมาย] รายการที่ไม่สนับสนุนเป้าหมายใดให้ใส่ใต้ "อื่น ๆ" ถ้าตัวเลขหายไปให้เขียน [NUMBER NEEDED] ห้ามสรุปหรือให้คะแนนอะไร และห้ามเพิ่มรายการที่ไม่มีอยู่ในไฟล์ส่งออก

คุณไม่ได้เป็นคนแรกที่ทำแบบนี้ Resume Builder สำรวจผู้จัดการสหรัฐฯ 1,342 คนที่มีลูกทีมในเดือนมิถุนายน 2025 พบว่า 65% ใช้เครื่องมือ AI ในงาน และในกลุ่มนั้น 91% ใช้ประเมินผลงาน โดย 53% เลือก ChatGPT เป็นอันดับแรก

ใช้ AI เขียน self review: อินพุตเดิม พร้อมจุดพลาดหนึ่งข้อที่พูดตรง ๆ

self review ที่เขียนด้วย AI เริ่มจากอินพุตสามอย่างเดียวกัน และเสนอคะแนนเดียวคือคะแนนที่หลักฐานของคุณรองรับ พร้อมระบุสิ่งหนึ่งที่คุณจะทำต่างออกไปด้วยภาษาตรงไปตรงมา self assessment ที่ไม่มีจุดพลาดเลยอ่านเหมือนเขียนโดยเครื่องหรือคนที่ไม่ใส่ใจ และ 26% ของพนักงานสงสัยอยู่แล้วว่าเคยได้รับรีวิวที่ AI เขียน (ZeroBounce, สำรวจมืออาชีพสหรัฐฯ 1,000 คน, กันยายน 2025) ลำดับการเปิดใช้ของ Citi บอกได้ว่าเรื่องนี้กลายเป็นเรื่องปกติแค่ไหน: ตั้งแต่มิถุนายน 2025 พนักงานร่างการประเมินตัวเองด้วยเครื่องมือ AI ของบริษัทได้ และสี่เดือนต่อมาผู้จัดการก็ได้รับความช่วยเหลือแบบเดียวกัน

เขียน self assessment ของฉันสำหรับรีวิวรอบ [ช่วงเวลา] เป้าหมายของฉันคือ: [วาง] หลักฐานของฉัน ทั้งหมดมาจากบันทึกของฉันเอง: [วางบรรทัดหลักฐานจากพรอมต์ที่ 2] สเกลคะแนนของเรา: [วางพร้อมคำนิยามของแต่ละระดับ] ใช้บุรุษที่หนึ่ง ไม่เกิน 300 คำ หนึ่งย่อหน้าต่อหนึ่งเป้าหมายโดยขึ้นต้นด้วยผลลัพธ์แล้วตามด้วยหลักฐาน จากนั้นหนึ่งย่อหน้าที่ระบุสิ่งที่ฉันจะทำต่างออกไป: [อธิบายจุดพลาดในหนึ่งบรรทัด] เสนอคะแนนที่หลักฐานของฉันรองรับและบอกว่าเป็นระดับไหน ห้ามเสนอคะแนนที่สูงกว่านั้น ถ้าต้องใช้ตัวเลขที่ฉันไม่ได้ให้ ให้เขียน [NUMBER NEEDED] ห้ามอ้างเรื่องทัศนคติ ความพยายาม หรือศักยภาพของฉัน ให้เขียนแค่สิ่งที่ฉันทำและผลที่เกิดขึ้น

ตัวเลขทุกตัวใน self review ควรเป็นตัวเลขที่หัวหน้าตรวจสอบได้ในระบบที่คุณดึงมา เพราะนั่นคือที่ที่เขาจะไปดู ผลลัพธ์สามข้อที่พยุง self review ก็คือสามข้อเดียวกับที่พยุงคำขอขึ้นเงินเดือน พรอมต์เขียนเหตุผลใน ใช้ AI ขอขึ้นเงินเดือน จึงสร้างหัวข้อให้ได้ทั้งสองงาน และ self review คือที่ที่ดีกว่าสำหรับบันทึกเรื่องเหล่านี้ไว้ก่อน

ขั้นสุดท้ายคือน้ำเสียง และสำคัญกว่าในฉบับร่างของหัวหน้า เพราะ self review ที่อ่านเหมือนโมเดลเขียนบอกหัวหน้าว่าคุณไม่ได้เขียนเอง พรอมต์ที่ 4 ใช้ประโยคของคุณเองเป็นตัวอย่าง และใช้ได้กับอีเมลงานทุกฉบับในแบบเดียวกัน

นี่คือสามย่อหน้าที่ฉันเขียนเอง จากอีเมลหรือเอกสาร: [วาง] เขียน self review ด้านล่างใหม่ให้ตรงกับวิธีเขียนของฉัน ทั้งความยาวประโยค คำศัพท์ และวิธีเริ่มประโยค ลบคำคุณศัพท์ทุกคำที่ไม่ได้ผูกกับตัวเลข ห้ามเพิ่ม ลบ หรือสลับลำดับข้อเท็จจริงใด ๆ และคงตัวเลขทุกตัวกับ [NUMBER NEEDED] ทุกจุดไว้ตามเดิม [วางฉบับร่าง]

AI ตัวไหนเขียน performance review ได้ดีที่สุด? เรารันพรอมต์เดียวบนสองโมเดล

Claude Sonnet 4.5 เขียนรีวิวที่รอบคอบกว่า ส่วน Gemini 2.5 Pro เขียนได้อบอุ่นกว่า และทั้งคู่เสนอคะแนนเดียวกันคือ 4 จากหลักฐานที่เหมือนกัน เราส่งพรอมต์ที่ 1 โดยไม่แก้ไขให้ทั้งสองโมเดลผ่าน API เดียวกัน (endpoint any-llm ของ fal.ai) เมื่อ 29 กันยายน 2026 ที่ temperature 0.3 รันโมเดลละครั้ง โดยเปิดการให้เหตุผลของ Gemini เพราะ endpoint บังคับสำหรับโมเดลนั้น การทดสอบทั้งหมดใช้เงินไม่ถึงหนึ่งเซนต์

ผลลัพธ์ของ Claude แก้ไขเฉพาะมาร์กอัปตัวหนา:

Goal 1: First-Response Time The median first-response time target was met, with Zendesk data showing 3.6 hours across Q2-Q4, below the 4-hour goal. This was achieved while handling 3,100 tickets, 29% above the team average of 2,400.

Goal 2: Status Page The customer-facing status page shipped on 14 March, six weeks later than the 1 February target due to a vendor SSO dependency outside her control. Since launch, 22 incidents have been posted to the page.

Goal 3: New Hire Mentoring Both assigned new hires reached unsupervised ticket handling by week 6, two weeks ahead of the 8-week target, as documented in manager one-on-one notes from April and May.

Development Areas Two escalations occurred in Q3 (SUP-2211, SUP-2287) where fix dates were communicated to customers before engineering confirmation. [NEEDED: evidence of improvement or corrective action taken after these incidents.]

Proposed Rating: 4 (Exceeds) The combination of meeting the response-time goal while handling significantly above-average ticket volume, accelerating new hire readiness, and delivering the status page despite external delays demonstrates measurable impact beyond standard role expectations.

ผลลัพธ์ของ Gemini ไม่มีการแก้ไข:

You exceeded the goal to reduce median first-response time, achieving 3.6 hours against a target of under 4 hours from Q2 to Q4. This was accomplished while handling 3,100 tickets for the year, above the team average of 2,400.

The customer-facing status page was shipped on 14 March. While this was after the 1 February target, the delay was due to a vendor dependency outside your control. The page has been used to post 22 incidents since launch.

You met the goal to mentor two new hires. Both were handling tickets unsupervised by week 6, ahead of the 8-week target, according to one-on-one notes from April and May.

For development, focus on communication during escalations. In Q3, two customers were given a fix date before engineering had confirmed it (SUP-2211, SUP-2287). The process is to wait for an engineering estimate before providing a date to the customer.

Proposed rating: 4 (Exceeds). The significant outperformance on ticket volume and response time created a measurable positive impact on the customer experience beyond the defined expectations for the role.

คะแนนคือจุดที่ทั้งสองโมเดลเอนไปทางเดียวกัน และเป็นเหตุผลที่คะแนนต้องอยู่ในมือคุณ สเกลระบุว่า 3 คือคะแนนที่คาดหวังสำหรับปีที่ทำงานได้ดี และ 4 ต้องมีผลกระทบที่วัดได้เกินขอบเขตตำแหน่ง ทั้งสองโมเดลถือว่าตั๋ว 3,100 ใบเทียบกับค่าเฉลี่ย 2,400 คือผลกระทบนั้น และไม่มีโมเดลไหนนำความล่าช้าหกสัปดาห์ของเป้าหมาย 2 หรือการยกระดับสองครั้งมาชั่งในประโยคให้คะแนน จากหลักฐานนี้ 4 พอโต้แย้งได้ 3 พร้อมบรรทัดเรื่องการยกระดับก็เช่นกัน และโมเดลเลือกตัวเลือกที่ใจกว้างกว่าทั้งสองครั้ง พรอมต์ที่ 5 ให้มันแย้งอีกฝั่งก่อนที่คุณจะตัดสิน

นี่คือฉบับร่างรีวิวและสเกลคะแนนของเรา: [วางทั้งสองอย่าง] ฉบับร่างเสนอคะแนน [คะแนน] เขียนข้อโต้แย้งที่แข็งที่สุดหนึ่งย่อหน้าสำหรับคะแนนที่ต่ำกว่าหนึ่งระดับ และข้อโต้แย้งที่แข็งที่สุดสำหรับคะแนนที่สูงกว่าหนึ่งระดับ โดยใช้เฉพาะหลักฐานในฉบับร่างและคำนิยามของสเกลเอง จากนั้นระบุหลักฐานทุกชิ้นที่คะแนนที่เสนอมองข้าม ห้ามแนะนำคะแนน

ดังนั้น AI ตัวไหนดีที่สุด: สำหรับรีวิว โมเดลสำคัญน้อยกว่าหลักฐาน เพราะสองโมเดลระดับแนวหน้าที่ได้หลักฐานเดียวกันให้คะแนนเดียวกัน ต่างกันที่น้ำเสียงและประโยคที่แต่งเพิ่มหนึ่งประโยค เลือก Claude ถ้าต้องการให้ชี้หลักฐานที่ขาด เลือก Gemini ถ้าต้องการฉบับร่างที่เขียนถึงพนักงานตรง ๆ การมีทั้งสองอยู่ที่เดียวช่วยได้ในฤดูรีวิวที่มีลูกทีมแปดคน บน Whizi คุณปักสเกลคะแนนและนิยามสมรรถนะไว้ในโปรเจกต์ครั้งเดียว (ณ กันยายน 2026 โปรเจกต์รองรับไฟล์ที่ปักไว้ได้สูงสุด 10 ไฟล์ ไฟล์ละ 10 MB รวมถึง .docx และ PDF และคำสั่งโปรเจกต์ได้สูงสุด 32,000 ตัวอักษรที่แนบไปกับทุกข้อความ) แล้วรันหลักฐานของลูกทีมแต่ละคนผ่าน Claude และ Gemini โดยไม่ต้องวางสเกลซ้ำ (โปรเจกต์ทำงานอย่างไร) จุดที่ Whizi สู้ไม่ได้คืออีกครึ่งของงาน: ไม่มีการเชื่อมต่อ HRIS และไม่มีบัญชีทีม จึงไม่มีอะไรถูกดึงจาก Workday, Lattice หรือ Zendesk ให้คุณ Performance Assist ของ Citi "รวบรวมข้อมูลทั้งหมดนั้นจากระบบของเราโดยอัตโนมัติ" ตามคำของ Patricia Gould หัวหน้าฝ่าย total rewards ของ Citi และ AI Agent ของ Lattice สรุปฟีดแบ็กที่ผ่านมาจากภายใน Lattice บน Whizi คุณต้องส่งออกแล้ววางเอง

ต้องบอก HR หรือพนักงานไหมว่า AI ช่วยเขียนรีวิว?

ที่นายจ้างรายใหญ่สองแห่งที่เปิดเผยจุดยืน คำตอบต่างกัน: Citi แจ้งพนักงานและให้ทุกคนปฏิเสธรีวิวที่ AI ร่างได้ และถึงเดือนธันวาคม 2025 มีไม่ถึง 1% ที่ทำ ส่วนแนวปฏิบัติของ JPMorgan ตามที่ Bloomberg รายงาน จำกัดสิ่งที่ผู้จัดการทำกับเครื่องมือได้ แต่ไม่ได้กำหนดให้แจ้งลูกทีม JPMorgan ห้ามให้ AI กำหนดคะแนน ส่วน Citi ให้ผู้จัดการรับผิดชอบการประเมินขั้นสุดท้าย ที่อื่นทั้งหมด คำตอบคือนโยบาย AI ของบริษัทคุณ และข้อแรกในเช็กลิสต์ของ Lattice และ Textio ก็เหมือนของเรา: อ่านก่อนวาง จุดยืนของนายจ้างสหรัฐฯ ที่ระบุชื่อ ตามที่รายงานระหว่าง 13 พฤศจิกายนถึง 2 ธันวาคม 2025:

ตัวเลขจากการสำรวจบอกว่าคำถามนี้เกิดขึ้นแล้วในทีมส่วนใหญ่ ในการสำรวจของ Resume Builder เดือนมิถุนายน 2025 "More than 20% say they allow AI to make decisions without human input either all the time (5%) or often (16%)" และมีเพียง 32% ของผู้จัดการที่ใช้ AI บริหารคนที่ผ่านการอบรมเรื่องนี้อย่างเป็นทางการ การสำรวจของ ZeroBounce เดือนกันยายน 2025 พบว่า 41% ของผู้จัดการเคยร่างหรือแก้รีวิวด้วย AI การสำรวจของ Gartner เดือนธันวาคม 2025 กับผู้ตอบ 1,622 คนพบว่า "managers reported an average of four hours saved across different parts of the performance management process when using AI" และคำแนะนำเดือนเมษายน 2026 คือให้ถือ AI เป็น "as an input to managerial judgment rather than a replacement for it"

การทดลองภาคสนามเรื่องการเปิดเผยเพียงชิ้นเดียวพบว่ามีต้นทุนจากการบอก และมีทางแก้ Tong, Jia, Luo และ Fang ใน Strategic Management Journal ปี 2021 วัดฟีดแบ็กที่ AI สร้างภายในบริษัทจริง และเขียนว่า "employees may develop a negative perception of AI feedback once it is disclosed to them, thus harming their productivity" ผลที่ลดลงตามอายุงานของพนักงาน วิธีแก้ที่เสนอคือรูปแบบที่นโยบายทุกข้อข้างต้นลงเอย: ผู้จัดการเป็นผู้ส่งฟีดแบ็กด้วยน้ำเสียงของผู้จัดการ ไม่ว่าอะไรจะเป็นผู้ร่าง Peter Cassat หุ้นส่วนที่ CM Law บอก HR Dive เมื่อเดือนธันวาคม 2025 ว่าการใช้ AI ประเมินพนักงาน "could subject organizations to discrimination claims as well as substantial compliance obligations" ซึ่งเป็นเหตุผลทางกฎหมายที่การให้คะแนนยังเป็นของมนุษย์ที่ธนาคาร กฎของรัฐและเมืองต่างกัน และหน้านี้ไม่ใช่คำปรึกษาทางกฎหมาย คำถามสำหรับ HR หรือที่ปรึกษากฎหมายของคุณคือ เครื่องมือร่างนับเป็นเครื่องมือตัดสินใจอัตโนมัติในที่ที่คุณอยู่หรือไม่ AI สำหรับ HR รวบรวมกฎหมายจ้างงานเกี่ยวกับ AI ของสหรัฐฯ หกฉบับ ได้แก่ฉบับที่ครอบคลุมค่าตอบแทนและการลงโทษ และฉบับที่ยกเว้นการร่างไว้ในตัวบทเอง

เขียนรีวิวด้วย AI ฟรีได้ไหม?

ได้ เวอร์ชันฟรีของ ChatGPT, Claude และ Gemini รับพรอมต์ที่ 1 ตามที่เขียนไว้ และเครื่องมือสร้างรีวิวโดยเฉพาะทำงานเดียวกันด้วยแบบฟอร์มแทนพรอมต์ TechnologyAdvice ทดสอบเครื่องมือสร้างรีวิวฟรีแปดตัวในเดือนมีนาคม 2026 และเก็บไว้สี่ตัว: Easy-Peasy.AI (2 รีวิวต่อวัน), Writify.AI (ไม่จำกัด มีโฆษณา), Vondy (4 ครั้งก่อนสมัคร) และ GravityWrite (1,000 คำต่อเดือน) แบบฟอร์มจะถามชื่อพนักงาน ให้ใส่ตำแหน่งงานแทนในเครื่องมือใดก็ตามที่คุณยังไม่ได้อ่านข้อกำหนดข้อมูล (สิ่งที่ไม่ควรวางลงในแชต AI)

ไม่ว่าฟรีหรือเสียเงิน ให้ทำการตรวจหนึ่งอย่างที่เครื่องมือแบบฟอร์มข้ามไป การทดสอบฟีดแบ็กของ ChatGPT โดย Textio เดือนมกราคม 2023 พบว่ามันสันนิษฐานว่าพยาบาลเป็นผู้หญิง 9 ครั้งจาก 10 และเขียนฟีดแบ็กให้ผู้หญิงยาวกว่าราว 15% โดยส่วนที่ยาวเพิ่มส่วนใหญ่เป็นคำวิจารณ์ พรอมต์ที่ 6 รันการตรวจนั้นกับชุดรีวิวของคุณเองก่อนส่งอะไรเข้าระบบ

นี่คือฉบับร่างรีวิว [N] ฉบับจากทีมของฉัน โดยแทนชื่อด้วยตัวอักษร: [วาง] เปรียบเทียบและระบุ: รีวิวใดที่ยาวหรือสั้นกว่าค่ามัธยฐานเกิน 20% คำคุณศัพท์เกี่ยวกับนิสัยทุกคำ (เชื่อถือได้ ทำงานด้วยยาก ร่าเริง ก้าวร้าว) และปรากฏในรีวิวไหน สรรพนามหรือคำที่บ่งเพศ และข้อกล่าวอ้างที่ไม่มีตัวเลขหรือวันที่รองรับ ส่งออกเป็นตารางหนึ่งแถวต่อหนึ่งข้อค้นพบ ห้ามเขียนอะไรใหม่

กฎที่ทุกนโยบายในหน้านี้เห็นตรงกันสรุปได้ในประโยคเดียว: หลักฐานมาจากคุณ ฉบับร่างมาจากโมเดลได้ ส่วนคะแนนและบทสนทนายังเป็นของคุณ