📊 statistics

Human- vs. AI-generated tests: dimensionality and information accuracy in latent trait evaluation

यह अध्ययन बॉडी अवेयरनेस क्वेश्चनर (Body Awareness Questionnaire) के एआई-जनित और मानव-विकसित संस्करणों की तुलना करता है, जिसमें यह पाया गया है कि हालांकि सतही शब्दावली समान है, एआई रूपांतरण आयामीयता और सूचनात्मक सटीकता में महत्वपूर्ण अंतर प्रदर्शित करते हैं, जो एआई-संचालित मापन उपकरणों के कठोर सांख्यिकीय सत्यापन की आवश्यकता को रेखांकित करते हैं।

मूल लेखक: Mario Angelelli, Morena Oliva, Serena Arima, Enrico Ciavolino

प्रकाशित 2026-02-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mario Angelelli, Morena Oliva, Serena Arima, Enrico Ciavolino

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: क्या एक AI बेहतर (या बदतर) टेस्ट लिख सकता है?

कल्पना कीजिए कि आप एक शिक्षक हैं जिसे यह मापने के लिए एक क्विज़ बनाना है कि छात्र अपने शरीर के प्रति कितने "जागरूक" हैं (जैसे यह नोटिस करना कि क्या उनका दिल तेजी से धड़क रहा है या क्या वे तनाव में हैं)। आपके पास मानव विशेषज्ञों द्वारा बनाया गया एक आदर्श, समय-सिद्ध क्विज़ है।

अब, आप एक बहुत ही स्मार्ट AI (जैसे ChatGPT) से एक नया क्विज़ लिखने के लिए कहते हैं जो बिल्कुल मानव वाले क्विज़ जैसा ही दिखे। AI अपना काम करता है, और नया क्विज़ सतह पर लगभग एक जैसा ही दिखता है। शब्द समान हैं, प्रश्न उन्हीं विषयों के बारे में हैं, और छात्र उनके उत्तर भी ठीक तरह से दे रहे हैं।

पेपर यह सवाल पूछता है: क्या AI का क्विज़ वास्तव में सतह के नीचे भी मानव वाले क्विज़ जैसा ही है?

शोधकर्ताओं (मारियो, मोरेना, सेरेना और एनरिको) ने दोनों क्विज़ को सूक्ष्मदर्शी (microscope) के नीचे रखने का फैसला किया। उन्होंने केवल शब्दों को नहीं देखा; उन्होंने उत्तरों के पीछे के गणित (math) को देखा ताकि यह पता चल सके कि क्या AI गुप्त रूप से कुछ अलग माप रहा है या वह एक ढीला-ढाला काम कर रहा है।

उपमा: "परछाईं वाला कठपुतली" बनाम "असली हाथ"

मानव-निर्मित टेस्ट (Human-Generated Test) को एक दीवार पर पड़ने वाली एक असली हाथ की परछाईं के रूप में सोचें। परछाईं का आकार हाथ से पूरी तरह मेल खाता है क्योंकि हाथ ठोस और सुसंगत है।

AI-निर्मित टेस्ट (AI-Generated Test) को लकड़ी और कपड़े से बनी एक कठपुतली के रूप में सोचें। दूर से देखने पर (या यदि आप केवल शब्दों को देखते हैं), वह कठपुतली बिल्कुल हाथ जैसी दिखती है। लेकिन यदि आप उसे छूते हैं, तो उसके जोड़ अलग तरह से हिलते हैं। इसकी "हड्डियाँ" (आंतरिक तर्क) एक जैसी नहीं हैं।

शोधकर्ताओं ने पाया कि हालांकि AI की कठपुतली मानव हाथ की तरह दिखती थी, लेकिन इसकी आंतरिक संरचना डगमगाती और असंगत थी।

उन्होंने क्या पाया (तीन बड़े अंतर)

1. "एक ही दिशा वाला दिमाग" बनाम "भ्रमित दिमाग" (Dimensionality)

अवधारणा: एक अच्छा मनोवैज्ञानिक परीक्षण एक मुख्य चीज़ को मापना चाहिए (जैसे "शरीर की जागरूकता")।
निष्कर्ष: मानव टेस्ट एक लेजर बीम की तरह था, जो एक स्पष्ट लक्ष्य पर केंद्रित था। हालाँकि, AI टेस्ट एक टूटे हुए लेंस वाली टॉर्च की तरह था। कभी-कभी यह शरीर की जागरूकता को मापता था, तो कभी-o यह अनजाने में कुछ और (जैसे सामान्य चिंता या भ्रम) मापने लगता था।
रूपक: यदि मानव टेस्ट एक सीधा तीर है जो लक्ष्य के केंद्र (bullseye) पर लगता है, तो AI टेस्ट एक ऐसा तीर है जो हवा में डगमगाता है और थोड़े अलग स्थान पर लगता है, भले ही उसका लक्ष्य वही था।

2. "कठिनाई की सीढ़ी" (Item Ordering)

अवधारणा: एक टेस्ट में, कुछ प्रश्न आसान होते हैं और कुछ कठिन। एक अच्छे टेस्ट में, कठिनाई का क्रम सुसंगत होना चाहिए। यदि मानव के लिए प्रश्न A, प्रश्न B से कठिन है, तो AI संस्करण के लिए भी उसे कठिन होना चाहिए।
निष्कर्ष: शोधकर्ताओं ने पाया कि AI ने इस सीढ़ी को अस्त-व्यस्त कर दिया।
- मानव टेस्ट: "प्रश्न 1 आसान है, प्रश्न 18 कठिन है।"
- AI टेस्ट: "प्रश्न 1 कठिन है, प्रश्न 18 आसान है।"
रूपक: एक वीडियो गेम लेवल की कल्पना करें। मानव डिजाइनरों ने लेवल 1 को आसान और लेवल 10 को कठिन बनाया। AI डिजाइनर ने लिस्ट देखी और गलती से लेवल 1 को एक 'बॉस फाइट' (सबसे कठिन हिस्सा) और लेवल 10 को एक 'ट्यूटोरियल' (सीखने वाला हिस्सा) बना दिया। लेवल के नाम वही थे, लेकिन अनुभव पूरी तरह से उल्टा था।

3. "फ्लैशलाइट की रोशनी" (Information Accuracy)

अवधारणा: एक टेस्ट तब सबसे उपयोगी होता है जब वह किसी व्यक्ति के बारे में सबसे सटीक जानकारी देता है। कुछ टेस्ट उन लोगों को पहचानने में बहुत अच्छे होते हैं जो बहुत जागरूक हैं, लेकिन उन लोगों को पहचानने में खराब होते हैं जो जागरूक नहीं हैं।
निष्कर्ष: मानव टेस्ट एक स्पॉटलाइट (spotlight) की तरह था। यह मध्य श्रेणी (जहाँ अधिकांश लोग आते हैं) में बहुत तेज और सटीक था। इसने शोधकर्ताओं को बताया कि एक व्यक्ति वास्तव में कहाँ खड़ा है।
AI टेस्ट एक फ्लडलाइट (floodlight) की तरह था। इसने अपनी रोशनी हर जगह फैला दी। यह गलत नहीं था, लेकिन यह "धुंधला" था। इसने एक विस्तृत रेंज में जानकारी दी, लेकिन यह मानव संस्करण जितना तेज या सटीक नहीं था।
रूपक: यदि आप कॉफी के कप का तापमान मापने की कोशिश कर रहे हैं, तो मानव टेस्ट एक सटीक थर्मामीटर है जो बताता है कि यह ठीक 60°C है। AI टेस्ट एक अनुमान है जो कहता है "यह 40°C और 80°C के बीच कहीं है।" दोनों तकनीकी रूप से "सही" हैं, लेकिन मानव वाला बहुत अधिक उपयोगी है।

द "प्रॉम्प्ट" (Prompt) समस्या

शोधकर्ताओं ने AI को टेस्ट लिखने के लिए कहने के दो अलग-अलग तरीके आजमाए:

कठोर प्रॉम्प्ट (The Strict Prompt): "यहाँ प्रश्नों की सटीक सूची है। इन्हें फिर से लिखें लेकिन अर्थ बनाए रखें।" (इससे बेहतर AI टेस्ट बना, लेकिन इसकी आंतरिक संरचना अभी भी "डगमगाती" रही)।
अस्पष्ट प्रॉम्प्ट (The Vague Prompt): "शरीर की जागरूकता के बारे में 18 प्रश्नों वाला एक टेस्ट लिखें।" (इसने बहुत खराब टेस्ट बनाया जो भ्रमित और असंगत था)।

सबक: भले ही आप AI को ठीक-ठीक बताएं कि क्या करना है, यह उस अवधारणा को उस तरह से "समझ" नहीं पाता जैसे एक मानव विशेषज्ञ समझता है। यह केवल अपने ट्रेनिंग डेटा में देखे गए पैटर्न के आधार पर अगले शब्द की भविष्यवाणी कर रहा है।

आपको इसकी परवाह क्यों करनी चाहिए?

यह पेपर अनुसंधान और मनोविज्ञान के भविष्य के लिए एक चेतावनी लेबल है।

सतह पर भरोसा न करें: सिर्फ इसलिए कि एक AI-निर्मित सर्वे असली सर्वे जैसा दिखता है, इसका मतलब यह नहीं है कि वह उसी चीज़ को मापता है।
"ब्लैक बॉक्स" का जोखिम: हम हमेशा यह नहीं देख सकते कि AI ने किसी प्रश्न को कठिन या आसान क्यों बनाया। यह उसके ट्रेनिंग डेटा में छिपे हुए पूर्वाग्रहों या रूढ़ियों (stereotypes) को पकड़ रहा हो सकता है।
मानवीय पर्यवेक्षण (Human Supervision) अनिवार्य है: हम टेस्ट लिखने में मदद के लिए AI का उपयोग कर सकते हैं, लेकिन हमें "गणित" (आंतरिक तर्क) की जांच करने के लिए मानव विशेषज्ञों की आवश्यकता होगी ताकि यह सुनिश्चित हो सके कि AI एक नकली संरचना का भ्रम (hallucination) पैदा नहीं कर रहा है।

निष्कर्ष (The Bottom Line)

AI एक शक्तिशाली उपकरण है, जैसे कि एक बहुत तेज़, बहुत रचनात्मक इंटर्न। लेकिन यदि आप उस इंटर्न से एक पुल (मनोवैज्ञानिक टेस्ट) बनाने के लिए कहते हैं, तो आप केवल उसके पेंट (ऊपरी दिखावट) को देखकर निर्णय नहीं ले सकते। आपको उसके नीचे के स्टील के बीमों की जांच करनी होगी। इस अध्ययन में, AI के बीम थोड़े डगमगाते हुए पाए गए, भले ही उसका पेंट का काम एकदम सही लग रहा था।

संक्षेप में: AI मानव टेस्ट के शब्दों की नकल कर सकता है, लेकिन वह उसके प्राण (सांख्यिकीय संरचना) की नकल करने में संघर्ष करता है। हमें यह सुनिश्चित करने के लिए कि हमारे द्वारा उपयोग किए जाने वाले टेस्ट वास्तव में सच बोल रहे हैं, इंसानों को प्रक्रिया में शामिल रखना होगा।

यहाँ शोध पत्र "Human- vs. AI-generated tests: dimensionality and information accuracy in latent trait evaluation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सामाजिक और मनोवैज्ञानिक अनुसंधान में लार्ज लैंग्वेज मॉडल्स (LLMs) जैसे कि ChatGPT का तेजी से बढ़ता उपयोग, स्वचालित रूप से मापन उपकरणों (जैसे प्रश्नावली) को उत्पन्न करने की क्षमता लेकर आया है। जबकि LLMs अनुवाद और अनुकूलन में दक्षता प्रदान करते हैं, मानव-सत्यापित उपकरणों की तुलना में उनकी साइकोमेट्रिक वैधता (psychometric validity) के संबंध में समझ का गंभीर अभाव है।

मुख्य समस्या यह है कि क्या AI-जनित प्रश्नावली, भले ही उन्हें मानव-निर्मित प्रपत्रों की नकल करने के लिए प्रेरित किया गया हो, उन अंतर्निहित अव्यक्त गुणों (latent traits/constructs) को सटीक रूप से पकड़ पाती है जिन्हें वे मापने का इरादा रखते हैं। विशेष रूप से, लेखक निम्नलिखित की जांच करते हैं:

क्या AI-जनित आइटम मानव-निर्मित परीक्षणों की तरह ही विमोंश (dimensionality) (एक-आयामी बनाम बहु-आयामी) बनाए रखते हैं?
क्या AI आइटम्स में समान भेदभाव शक्ति (discrimination power) और कठिनाई (difficulty) पैरामीटर होते हैं?
लेटेंट ट्रेट्स के स्पेक्ट्रम में AI-जनित परीक्षणों की सूचना सामग्री (information content/accuracy) मानव परीक्षणों की तुलना में कैसी है?

2. कार्यप्रणाली (Methodology)

2.1 प्रयोगात्मक डिजाइन (Experimental Design)

इस अध्ययन में बॉडी अवेयरनेस क्वेश्चनर (BAQ) का उपयोग किया गया, जो शारीरिक प्रतिक्रियाओं की जागरूकता को मापने वाला एक मान्य 18-आइटम वाला उपकरण है, जिसे मानव-जनित बेंचमार्क के रूप में उपयोग किया गया।

मानव संस्करण (BAQ): मूल मान्य प्रश्नावली।
AI संस्करण 1 (GPT.v1): एक अत्यधिक विशिष्ट प्रॉम्प्ट (highly specific prompt) का उपयोग करके बनाया गया, जिसमें मूल 18 आइटम्स के एक-से-एक पुनर्गठन (rephrasing) का अनुरोध किया गया था।
AI संस्करण 2 (GPT.v2): एक सामान्य प्रॉम्प्ट (generic prompt) का उपयोग करके बनाया गया, जिसमें विशिष्ट मूल आइटम्स का संदर्भ दिए बिना उसी कंस्ट्रक्ट पर एक नया 18-आइटम वाला मनोवैज्ञानिक परीक्षण बनाने का अनुरोध किया गया था।

डेटा संग्रह:

नमूना (Sample): $N=178$ प्रतिभागी जिन्हें तीन संस्करणों में यादृच्छिक रूप से विभाजित किया गया ( $n_{BAQ}=56$ , $n_{v1}=57$ , $n_{v2}=65$ )।
स्केल: 7-पॉइंट लिकर्ट स्केल (1 = "बिल्कुल भी सच नहीं" से 7 = "बहुत सच" तक)।

2.2 सांख्यिकीय ढांचा (Statistical Framework)

लेखकों ने आइटम रिस्पॉन्स थ्योरी (IRT), विशेष रूप से एक बेयसियन पदानुक्रमित ढांचे (Bayesian hierarchical framework) के भीतर ग्रेडेड रिस्पॉन्स मॉडल (GRM) का उपयोग किया। CTT (क्लासिकल टेस्ट थ्योरी) के बजाय इस दृष्टिकोण को इसलिए चुना गया क्योंकि यह उत्तरदाता के गुणों से आइटम विशेषताओं को अलग करता है और सूचना कार्यों (information functions) का विश्लेषण करता है।

मॉडल: बेयसियन GRM जो अनुमान लगाता है:
- $\gamma_j$ : आइटम भेदभाव (discrimination) पैरामीटर।
- $\beta_j$ : आइटम कठिनाई (difficulty) पैरामीटर।
- $\delta_h$ : रिस्पॉन्स श्रेणियों के लिए थ्रेशोल्ड (threshold) पैरामीटर।
अनुमान (Estimation): 20,000 पुनरावृत्तियों (iterations) और 3 चेन्स के साथ मार्कोव चेन मोंटे कार्लो (MCMC)।
विश्लेषित प्रमुख मेट्रिक्स:
1. विश्वसनीयता (Reliability): क्रोनबैक का $\alpha$ , ऑर्डिनल $\alpha$ , $\omega$ गुणांक, और कंपोजिट रिलायबिलिटी ( $\rho_C$ )।
2. विमोंश (Dimensionality): पॉलीकोरिक सहसंबंधों (polychoric correlations) का उपयोग करके एक्सप्लोरेटरी फैक्टर एनालिसिस (EFA) और एम्पिरिकल काइजर मानदंड; polyDETECT विधि का उपयोग करके अनिवार्य एक-आयामीता (essential unidimensionality) का पुष्टिकरण विश्लेषण (सूचकांक: DETECT, ASSI, RATIO)।
3. सह-मोनोटोनिसिटी (Co-monotonicity): यह जांचना कि क्या कठिनाई ( $\beta$ ) और भेदभाव ( $\gamma$ ) द्वारा आइटम्स की रैंकिंग मानव और AI संस्करणों के बीच संरक्षित है।
4. सूचना कार्य (Information Functions): आइटम सूचना फंक्शन (IIF) और टेस्ट सूचना फंक्शन (TIF) की गणना।
  - ओवरलैप इंडेक्स ( $\cap$ ): सूचना वक्रों (information curves) के बीच समानता को मापता है।
  - डोमिनेंस इंडेक्स ( $D_m$ ): लेटेंट ट्रेट डोमेन के उस अनुपात को मापता है जहाँ एक परीक्षण दूसरे की तुलना में अधिक सटीक सूचना प्रदान करता है।

3. मुख्य योगदान (Key Contributions)

AI सत्यापन के लिए पद्धतिगत ढांचा: यह शोध पत्र साइकोमेट्रिक संरचनात्मक और सूचनात्मक समानता पर ध्यान केंद्रित करते हुए, केवल सामग्री समानता से आगे बढ़कर, बेयसियन IRT का उपयोग करके AI-जनित साइकोमेट्रिक उपकरणों को मान्य करने के लिए एक कठोर सांख्यिकीय प्रोटोकॉल प्रस्तावित करता है।
"एपिस्टेमिक अनिश्चितता" (Epistemic Uncertainty) का परिमाणीकरण: यह सूचना सटीकता में अंतर (ओवरलैप और डोमिनेंस इंडेक्स के माध्यम से) को मापने के लिए मेट्रिक्स पेश करता है, जो ब्लैक-बॉक्स AI जनरेशन में "छिपे हुए" अनिश्चितता के स्रोतों की पहचान करता है।
प्रॉम्प्ट संवेदनशीलता विश्लेषण: अध्ययन प्रदर्शित करता है कि प्रॉम्प्ट की विशिष्टता उत्पन्न परीक्षण के साइकोमेट्रिक गुणों को महत्वपूर्ण रूप से बदल देती है, जिससे विमोंश और आइटम क्रम प्रभावित होता है।

4. परिणाम (Results)

4.1 विश्वसनीयता और विमोंश (Reliability and Dimensionality)

विश्वसनीयता: तीनों संस्करणों ने तुलनीय आंतरिक स्थिरता (क्रोनबैक का $\alpha$ और अन्य विश्वसनीयता सूचकांक) दिखाई।
विमोंश (EFA):
- BAQ और GPT.v1: एक एक-आयामी (unidimensional) संरचना का सुझाव दिया (मूल कंस्ट्रक्ट के अनुरूप)।
- GPT.v2: एक बहु-आयामी (multidimensional) संरचना का सुझाव दिया (दो कारक रिटेन किए गए), जो दर्शाता है कि सामान्य प्रॉम्प्ट ने संरचनात्मक शोर (structural noise) पेश किया।
अनिवार्य एक-आयामीता (polyDETECT):
- जब लेटेंट गुणों के लिए बेयियन GRM अनुमानों का उपयोग किया गया, तो सभी संस्करणों ने अनिवार्य एक-आयामीता मानदंडों को पूरा किया।
- हालांकि, जब नेइव स्कोर्स (naive scores) (प्रतिक्रियाओं का माध्यिका) का उपयोग किया गया, तो GPT.v1 एक-आयामीता परीक्षण में विफल रहा, जो बताता है कि सरल स्कोरिंग विधियां AI-जनित आइटम्स की लेटेंट संरचना को प्रभावी ढंग से नहीं पकड़ सकती हैं।

4.2 पैरामीटर ऑर्डरिंग (Co-monotonicity)

को-मोनोटोनिसिटी का अभाव: भले ही GPT.v1, BAQ का सीधा पुनर्गठन था, फिर भी कठिनाई ( $\beta$ $β$ ) और भेदभाव ( $\gamma$ $γ$ ) द्वारा आइटम्स की रैंकिंग संरक्षित नहीं थी।
- BAQ के सबसे कठिन आइटम्स, GPT.v1 के सबसे कठिन आइटम्स नहीं थे।
- यह इंगित करता है कि सतह की शब्दावली समान होने के बावजूद, अंतर्निहित साइकोमेट्रिक गुण बदल गए हैं।

4.3 सूचना सटीकता (Information Accuracy)

थ्रेशोल्ड शिफ्ट: GPT.v1 ने BAQ की तुलना में कम थ्रेशोल्ड मान ( $\delta$ ) दिखाए, जो यह दर्शाता है कि उत्तरदाता उच्च रिस्पॉन्स श्रेणियों तक कैसे पहुँचते हैं इसमें बदलाव आया है। GPT.v2 ने और भी उच्च थ्रेशोल्ड दिखाए, जो बढ़ती अस्पष्टता का संकेत देते हैं।
सूचना वितरण:
- BAQ: सूचना, लेटेंट ट्रेट की केंद्रीय सीमा में केंद्रित (concentrated) और अत्यधिक सटीक है।
- GPT.v1: सूचना, लेटेंट ट्रेट के एक व्यापक रेंज में बिखरी (dispersed) हुई है। यह चरम मानों (extreme values) पर थोड़ा अधिक सूचनात्मक है लेकिन केंद्र में कम सटीक है।
ओवरलैप बनाम डोमिनेंस:
- ओवरलैप: IIFs के बीच उच्च समानता (72.8% – 93.5%), जो सतही समानता का सुझाव देती है।
- डोमिनेंस: महत्वपूर्ण विचलन। BAQ, केंद्रीय ट्रेट रेंज में हावी (63.7% सूचना) है, जबकि GPT.v1 केवल विशिष्ट चरम सीमाओं (extreme ranges) में हावी है।
- सहसंबंध: BAQ के भेदभाव पैरामीटर ( $\gamma$ ) और GPT संस्करण पर इसके प्रभुत्व के बीच एक मजबूत सकारात्मक सहसंबंध ( $\rho_S = 0.763$ ) पाया गया, जो पुष्टि करता है कि मानव परीक्षणों में उच्च-भेदभाव वाले आइटम्स केंद्रीय ट्रेट सटीकता के लिए महत्वपूर्ण हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

महत्व:
अध्ययन प्रकट करता है कि केवल विश्वसनीयता ही AI-जनित परीक्षणों को मान्य करने के लिए पर्याप्त नहीं है। दो परीक्षणों के विश्वसनीयता गुणांक समान हो सकते हैं, लेकिन उनके मौलिक विमोंश संरचना और सूचना सटीकता पूरी तरह से भिन्न हो सकती है।

कंस्ट्रक्ट वैलिडिटी का जोखिम: AI-जनित परीक्षण एपिस्टेमिक अनिश्चितता पैदा कर सकते हैं, जहाँ परीक्षण कंस्ट्रक्ट को अलग तरह से मापता है (उदाहरण के लिए, केंद्र से चरम सीमाओं की ओर ध्यान केंद्रित करना) या छिपी हुई बहु-आयामीता पेश करता है।
प्रॉम्प्ट इंजीनियरिंग का प्रभाव: LLMs की "ब्लैक बॉक्स" प्रकृति का अर्थ है कि विशिष्ट प्रॉम्प्ट के साथ भी, परिणामी उपकरण मूल मानव-निर्मित पैमाने के सैद्धांतिक आधार के साथ संरेखित नहीं हो सकते हैं।

निष्कर्ष:
लेखक निष्कर्ष निकालते हैं कि हालांकि LLMs प्रोटोटाइप बनाने के लिए शक्तिशाली उपकरण हैं, लेकिन तैनाती से पहले उन्हें मानव पर्यवेक्षण और कठोर साइकोमेट्रिक सत्यापन (विशेष रूप से IRT और सूचना कार्यों का उपयोग करके) की आवश्यकता होती है। यह अध्ययन इस बात की वकालत करता है कि AI-संचालित उपकरणों के उपयोग के दौरान यह सुनिश्चित करने के लिए कि वे सामाजिक और मनोवैज्ञानिक संकेतकों की वैधता से समझौता न करें, सटीकता के सांख्यिकीय उपायों (जैसे डोमिनेंस और ओवरलैप इंडेक्स) का उपयोग किया जाना चाहिए। भविष्य के कार्यों को बड़े नमूना आकार के साथ डिफरेंशियल आइटम फंक्शनिंग (DIF) का पता लगाना चाहिए।