💻 computer science

Graded strength of comparative illusions is explained by Bayesian inference

यह अध्ययन यह प्रदर्शित करके भाषा प्रसंस्करण के नॉइज़ी-चैनलल बेयज़ियन अनुमान सिद्धांत (noisy-channel Bayesian inference theory) को मान्य और विस्तारित करता है कि एक नवीन मॉडल, जो सांख्यिकीय भाषा मॉडलों को मानव व्यवहार संबंधी डेटा के साथ संश्लेषित करता है, तुलनात्मक भ्रमों (comparative illusions) की क्रमिक शक्ति की सफलतापूर्वक भविष्यवाणी करता है और सर्वनाम बनाम पूर्ण संज्ञा वाक्यांश वाले विषयों से संबंधित पूर्व में अनकहे प्रभावों की व्याख्या करता है।

मूल लेखक: Yuhan Zhang, Erxiao Wang, Cory Shain

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuhan Zhang, Erxiao Wang, Cory Shain

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: हमारा मस्तिष्क हमें "झूठ" क्यों बोलता है

कल्पना कीजिए कि आप एक खराब, शोर-शराबे वाली फोन लाइन पर अपने एक दोस्त को कहानी सुनाते हुए सुन रहे हैं। वे कुछ ऐसा कहते हैं जिसका कोई खास मतलब नहीं निकलता, जैसे, "मैंने तुमसे ज़्यादा सेब खाए।" रुकिए, यह तो ठीक है। लेकिन कल्पना कीजिए कि वे कहते हैं, "रूस जाने वाले लोगों की संख्या मुझसे अधिक है।"

आपका मस्तिष्क एक पल के लिए रुक जाता है। वह जानता है कि यह वाक्य अजीब है। "मैं" (एक अकेला व्यक्ति) "अधिक लोग" (एक समूह) के साथ इस तरह तुलना नहीं किया जा सकता जिससे कोई तार्किक अर्थ निकले। यह एक पूरी पिज्जा की तुलना एक स्लाइस से करने और यह कहने जैसा है कि, "पूरा पिज्जा स्लाइस से बड़ा है।"

फिर भी, अधिकांश लोग उस वाक्य को पढ़ते हैं और सोचते हैं, "हाँ, यह तो ठीक लग रहा है।" वे तुरंत यह नहीं समझ पाते कि यह बेतुका है। इसे तुलनात्मक भ्रम (Comparative Illusion) कहा जाता है।

यह शोध पत्र पूछता है: हमारा मस्तिष्क इस बेतुकेपन को क्यों स्वीकार कर लेता है?

लेखकों का तर्क है कि हमारे मस्तिष्क खराब नहीं हैं; वास्तव में वे बहुत बेहतर काम कर रहे हैं। वे एक मानसिक शॉर्टकट का उपयोग कर रहे हैं जिसे बेशियन अनुमान (Bayesian Inference) कहा जाता है (एक फैंसी तरीका जिसका अर्थ है "अनुभव और संभावना के आधार पर अनुमान लगाना")।

"नॉइज़ी चैनल" (शोर वाला माध्यम) का रूपक

अपने मस्तिष्क को एक जासूस के रूप में सोचें जो एक अपराध को सुलझाने की कोशिश कर रहा है, लेकिन गवाह (वक्ता) एक नॉइज़ी चैनल (जैसे कि एक खराब रेडियो कनेक्शन) के माध्यम से गवाही दे रहा है।

सिग्नल (संकेत): आप वह अजीब वाक्य सुनते हैं: "रूस जाने वाले लोगों की संख्या मुझसे अधिक है।"
शोर (Noise): आपका मस्तिष्क जानता है कि कभी-कभी लोग बोलते समय गलतियाँ करते हैं, या सिग्नल बिगड़ जाता है।
अनुमान (Guess): "यह कचरा है" कहने के बजाय, आपका मस्तिष्क पूछता है: "वक्ता का संभवतः क्या कहने का इरादा था, यह देखते हुए कि उनसे गलती हो सकती है?"

आपका मस्तिष्क दो चीजें कैलकुलेट करता है:

प्रायर (Prior): इस बात की कितनी संभावना है कि वक्ता एक समझदारी भरा वाक्य कहना चाहता था? (बहुत अधिक)।
लाइकलीहुड (Likelihood): उस समझदारी भरे वाक्य को इस अजीब वाक्य में गलती से बदलना कितना आसान है? (यह भी काफी आसान है)।

यदि दोनों के उत्तर "हाँ" हैं, तो आपका मस्तिष्क निष्कर्ष निकालता है: "आह, वे कुछ समझदारी भरी बात कहना चाहते थे, लेकिन सिग्नल में शोर आ गया। मैं बस इस वाक्य को उसी समझदारी भरे संस्करण के रूप में स्वीकार कर लूँगा।"

शोधकर्ताओं ने क्या किया

पिछले अध्ययनों ने सुझाव दिया था कि यह "नॉइज़ी चैनल" सिद्धांत सच है, लेकिन उन्होंने केवल सबसे स्पष्ट उदाहरणों को देखा था। यह शोध पत्र यह देखना चाहता था कि क्या यह सिद्धांत समझा सकता है कि कुछ भ्रम दूसरों की तुलना में अधिक शक्तिशाली क्यों होते हैं।

उन्होंने इस तरह के वाक्यों का परीक्षण किया:

मजबूत भ्रम: "रूस जाने वाले छात्रों की संख्या मैं से अधिक है।" (यह बहुत स्वाभाविक लगता है)।
कमजोर भ्रम: "रूस जाने वाले छात्रों की संख्या शिक्षक से अधिक है।" (यह थोड़ा संदिग्ध लगता है)।

वे जानना चाहते थे: क्यों "मैं" वाला संस्करण हमें "शिक्षक" वाले संस्करण की तुलना में अधिक मूर्ख बनाता है?

प्रयोग: "एडिटर" (संपादक) का खेल

यह पता लगाने के लिए, शोधकर्ताओं ने 500 से अधिक लोगों के साथ दो प्रयोग किए।

रेटिंग गेम: उन्होंने लोगों से अजीब वाक्यों को कितना "स्वाभाविक" बताने के लिए कहा। जैसा कि अपेक्षित था, "मैं" वाले संस्करण को उच्च अंक मिले (लोगों ने सोचा कि यह ठीक है), जबकि "शिक्षक" वाले संस्करण को कम अंक मिले।
एडिटर गेम: उन्होंने लोगों को संपादक की भूमिका निभाने के लिए कहा। उन्होंने उन्हें अजीब वाक्य दिए और कहा, "इस वाक्य को न्यूनतम बदलावों के साथ ठीक करें ताकि यह समझ में आ सके।"

परिणाम:

जब लोगों ने "मैं" वाला संस्करण देखा, तो उन्होंने अक्सर उसमें कोई बदलाव नहीं किया, या बहुत मामूली बदलाव किए। इसका मतलब है कि उनका मस्तिष्क बहुत आश्वस्त था कि वाक्य ठीक था।
जब उन्होंने "शिक्षक" वाला संस्करण देखा, तो उन्होंने उसे ठीक करने के लिए बड़े बदलाव किए। इसका मतलब है कि उनका मस्तिष्क कम आश्वस्त था।

गणित का हिस्सा: "प्रोबेबिलिटी मशीन"

शोधकर्ताओं ने अपने सिद्धांत को सिद्ध करने के लिए एक कंप्यूटर मॉडल बनाया। उन्होंने दो सामग्रियों का उपयोग किया:

AI भाषा मॉडल: उन्होंने यह गणना करने के लिए शक्तिशाली AI (जैसे GPT-2) का उपयोग किया कि वास्तविक दुनिया में एक "समझदारी भरा" वाक्य होने की कितनी संभावना है।
एडिट डिस्टेंस (संपादन दूरी): उन्होंने समझदारी भरे वाक्य और अजीब वाक्य के बीच का "शोर" मापने के लिए "एडिटर गेम" के डेटा का उपयोग किया।

उन्होंने इन दोनों को एक गणितीय सूत्र (बेश के नियम/Bayes' Rule) का उपयोग करके जोड़ा ताकि यह भविष्यवाणी की जा सके कि एक वाक्य कितना "स्वीकार्य" होना चाहिए।

खोज:
मॉडल पूरी तरह से काम कर गया। इसने भविष्यवाणी की कि जिन वाक्यों में "शोर" (गलती) छोटा है और "समझदारी भरा अर्थ" बहुत सामान्य है, उन्हें अत्यधिक स्वीकार्य माना जाएगा।

महत्वपूर्ण रूप से, उन्होंने पाया कि मस्तिष्क केवल एक सबसे अच्छे अनुमान को नहीं चुनता है। यह उन सभी संभावित अनुमानों का औसत निकालता है जो वह निकाल सकता है।

रूपक: कल्पना कीजिए कि आप मौसम का अनुमान लगाने की कोशिश कर रहे हैं। यदि आपके 10 दोस्त "धूप है" कह रहे हैं और 1 दोस्त "बारिश हो रही है" कह रहा है, तो आप केवल बहुमत को नहीं चुनते। आप सभी की राय को तौलते हैं। मस्तिष्क भी वही करता है। यदि अजीब वाक्य के पीछे कई अर्थ निकल सकते हैं, तो मस्तिष्क उसे स्वीकार करने में अधिक आश्वस्त महसूस करता है।

निष्कर्ष

यह शोध पत्र सिद्ध करता है कि भाषा के ये भ्रम हमारे मस्तिष्क की विफलता नहीं हैं; ये इसकी एक विशेषता हैं।

हमारे मस्तिष्क लगातार मददगार होने की कोशिश कर रहे हैं। जब हम एक ऐसा वाक्य सुनते हैं जो थोड़ा अजीब लगता है, तो हमारा मस्तिष्क केवल "त्रुटि" (Error) नहीं कहता। इसके बजाय, वह पूछता है, "उनका संभवतः क्या कहने का इरादा था?" यदि उत्तर एक बहुत ही सामान्य, समझदारी भरा वाक्य है, तो हमारा मस्तिष्क उस अजीब संस्करण को ऐसे स्वीकार कर लेता है जैसे कि वह सही हो।

भ्रम की ताकत इस बात पर निर्भर करती है कि हमारे मस्तिष्क के लिए शोर के पीछे एक समझदारी भरा अर्थ खोजना कितना आसान है। यदि "सुधार" आसान है और अर्थ सामान्य है, तो भ्रम मजबूत होता है। यदि सुधार कठिन है, तो भ्रम कम हो जाता है, और हमें एहसास होता है कि वाक्य बेतुका है।

संक्षेप में: हम वह नहीं सुनते जो कहा गया है; हम वह सुनते हैं जो हमें उम्मीद थी कि कहा जाएगा, भले ही सिग्नल टूटा हुआ हो।

तकनीकी सारांश: बेयसियन इन्फरेंस (Bayesian Inference) द्वारा व्याख्या की गई तुलनात्मक भ्रमों की श्रेणीबद्ध शक्ति (Graded Strength)

समस्या
तुलनात्मक भ्रम (Comparative Illusions - CIs) भाषाई घटनाएँ हैं जहाँ समझने वाले अर्थ संबंधी विसंगति वाले वाक्यों को व्यवस्थित रूप से स्वीकार्य मान लेते हैं (जैसे, 'More students have been to Russia than I have' [मैं जितना रूस गया हूँ, उससे अधिक छात्र रूस जा चुके हैं])। यद्यपि यह वाक्य निरर्थक है क्योंकि 'than'-क्लॉज (clause) एक तुलनीय स्तर प्रदान करने में विफल रहता है, फिर भी समझने वाले इसे स्वाभाविक मानते हैं। पूर्व शोध ने प्रस्तावित किया है कि CIs "नॉइज़ी-चैनल" (noisy-channel) इन्फरेंस का परिणाम हैं, जहाँ समझने वाले एक दूषित संकेत ( $s_p$ ) से वक्ता के इच्छित अर्थ ( $s_i$ ) का अनुमान लगाने के लिए बेयसियन तर्क (Bayesian reasoning) का उपयोग करते हैं। पोस्टीरियर प्रोबेबिलिटी (posterior probability) $p(s_i|s_p)$ , इच्छित अर्थ की प्रायर प्रोबेबिलिटी (prior probability) $p(s_i)$ और भ्रष्टाचार की संभावना (likelihood of corruption) $p(s_p|s_i)$ के समानुपाती होती है।

हालाँकि, इस सिद्धांत (जैसे, Zhang et al., 2025) के लिए पूर्व अनुभवजन्य समर्थन में महत्वपूर्ण सीमाएँ थीं:

इसने पूर्ण पोस्टीरियर वितरण (full posterior distribution) को मात्रात्मक रूप से मॉडल नहीं किया, जिससे प्रायर प्रोबेबिलिटीज ( $p(s_i)$ ) को समझाने में विफलता हुई।
यह मुख्य रूप से सबसे अधिक भ्रम पैदा करने वाले CI प्रकारों (सर्वनाम कर्ता/pronominal subjects) पर केंद्रित था और अन्य CI प्रकारों (जैसे, पूर्ण संज्ञा वाक्यांश कर्ता/full noun phrase subjects) में पाए जाने वाले श्रेणीबद्ध भ्रम की शक्ति (graded strength of illusions) की व्याख्या नहीं कर सका।
इसमें एक एकीकृत मात्रात्मक ढांचा (unified quantitative framework) का अभाव था जो यह भविष्यवाणी कर सके कि मॉर्फोसिंटैक्स (morphosyntax) में परिवर्तन (जैसे, सर्वनाम बनाम संज्ञा वाक्यांश, एकवचन बनाम बहुवचन) भ्रम की शक्ति को कैसे प्रभावित करते हैं।

कार्यप्रणाली (Methodology)
लेखकों ने नॉइज़ी-चैनल परिकल्पना का मात्रात्मक परीक्षण करने के लिए दो प्रयोग और एक सांख्यिकीय मॉडलिंग चरण आयोजित किए।

प्रयोग 1 (स्वीकार्यता निर्णय/Acceptability Judgment):
- प्रतिभागी: 494 मूल अंग्रेजी भाषी (पिछले अध्ययनों की तुलना में दस गुना अधिक)।
- डिज़ाइन: 'than'-क्लॉज के रूप (Form) (सर्वनाम बनाम संज्ञा वाक्यांश) और संख्या (Number) (एकवचन बनाम बहुवचन) का 2x2 वीथिन-सब्जेक्ट्स (within-subjects) हेरफेर।
- कार्य: प्रतिभागियों ने 30 महत्वपूर्ण CI वाक्यों और नियंत्रण वाक्यों को 7-पॉइंट लिकर्ट स्केल (Likert scale) पर प्राकृतिकता के लिए रेट किया।
- लक्ष्य: विभिन्न CI प्रकारों में श्रेणीबद्ध भ्रम की शक्ति का व्यवहारिक आधार (behavioral baseline) स्थापित करना।
प्रयोग त (वाक्य सुधार/Sentence Correction):
- प्रतिभागी: 199 मूल अंग्रेजी भाषी।
- कार्य: प्रतिभागियों ने संपादकों के रूप में कार्य किया, जिन्होंने प्रयोग 1 के विसंगतिपूर्ण CI वाक्यों को सुसंगत, अर्थपूर्ण वाक्यों में बदलने के लिए न्यूनतम संभव संपादन किए।
- विश्लेषण:
  - गुणात्मक (Qualitative): सुधारे गए वाक्यों को व्याख्या प्रकारों (जैसे, "घटना तुलना", "व्यक्तिगत तुलना", "घटना निषेध") में वर्गीकृत किया गया।
  - मात्रात्मक (Quantitative): मूल विसंगतिपूर्ण वाक्य और सुधारे गए वाक्य के बीच डैमेरौ-लेवेनश्टीन दूरी (Damerau-Levenshtein distance - DLD) की गणना की गई, जो शोर की संभावना (noise likelihood) $p(s_p|s_i)$ के प्रॉक्सी के रूप में कार्य करती है।
सांख्यिकीय मॉडलिंग (Statistical Modeling):
- पोस्टीरियर सन्निकटन (Posterior Approximation): लेखकों ने बेयज़ नियम का उपयोग करके नॉइज़ी-चैनल पोस्टीरियर $p(s_i|s_p)$ $p (s_{i} ∣ s_{p})$ का एक मात्रात्मक सन्निकटन बनाया:
  $\hat{p}(s_i|s_p) = \frac{\hat{p}(s_i)\hat{p}(s_p|s_i)}{\hat{p}(s_p)}$
  - प्रायर्स ( $\hat{p}(s_i)$ ) और साक्ष्य ( $\hat{p}(s_p)$ ): दो सांख्यिकीय भाषा मॉडलों (GPT-2 Small और OPT) से वाक्य संभावनाओं का उपयोग करके अनुमानित।
  - लाइकलीहुड ( $\hat{p}(s_p|s_i)$ ): प्रयोग 2 से एडिट दूरियों (edit distances) के आधार पर $e^{-\text{DLD}}$ के समानुपाती के रूप में अनुमानित।
- लिंकिंग फंक्शन्स (Linking Functions): दो परिकल्पनाओं का परीक्षण किया गया कि पोस्टीरियर स्वीकार्यता को कैसे प्रभावित करता है:
  - मैक्स लिंक ( $f_{max}$ ): स्वीकार्यता एकल सबसे संभावित व्याख्या द्वारा संचालित होती है।
  - मीन लिंक ( $f_{mean}$ ): स्वीकार्यता कई संभावित व्याख्याओं की औसत संभावना द्वारा संचालित होती है।
- रिग्रेशन (Regression): प्रयोग 1 की स्वीकार्यता रेटिंग की भविष्यवाणी करने के लिए बेयसियन मल्टीलेवल संचयी ऑर्डिनल रिग्रेशन मॉडल का उपयोग किया गया। इन मॉडलों में सिंटैक्टिक लॉग-ऑड्स रेशियो (SLOR), ट्रायल ऑर्डर और बेसलाइन कंट्रोल सेंटेंस स्वीकार्यता को नियंत्रित करते हुए नॉइज़ी-चैनल पोस्टीरियर अनुमानों को भविष्यवक्ता (predictors) के रूप में शामिल किया गया।

प्रमुख योगदान (Key Contributions)

पुनरावृत्ति और विस्तार (Replication and Expansion): अध्ययन इस मुख्य निष्कर्ष की पुष्टि करता है कि CIs को नियंत्रण वाक्यों के समान ही अत्यधिक स्वीकार्य माना जाता है, लेकिन यह श्रेणीबद्ध भ्रम की शक्ति (graded illusion strength) को प्रदर्शित करके इसका दायरा काफी बढ़ा देता है। विशेष रूप से, एकवचन सर्वनाम कर्ता सबसे मजबूत भ्रम पैदा करते हैं, जबकि बहुवचन संज्ञा वाक्यांश कमजोर भ्रम पैदा करते हैं।
पोस्टीरियर का मात्रात्मक मॉडलिंग: लेखक CIs के लिए पूर्ण नॉइज़ी-चैनल पोस्टीरियर वितरण का पहला मात्रात्मक सन्निकटन प्रदान करते हैं, जो सांख्यिकीय भाषा मॉडल की संभावनाओं को मानव व्यवहारिक एडिट डेटा के साथ एकीकृत करता है।
श्रेणीबद्ध प्रभावों की भविष्यवाणी: मात्रात्मक मॉडल सफलतापूर्वक विभिन्न मॉर्फोसिंटैक्टिक स्थितियों में भ्रम की शक्ति की भिन्नता की भविष्यवाणी करता है, जो पिछले सिद्धांतों द्वारा अनसुलझा था।
एकीकरण की प्रक्रिया (Mechanism of Integration): अध्ययन पहचान करता है कि मीन लिंकिंग फंक्शन (कई संभावित व्याख्याओं को एकत्रित करना) स्वीकार्यता की भविष्यवाणी करने में मैक्स लिंकिंग फंक्शन (एकल सबसे संभावित व्याख्या पर निर्भर रहना) से बेहतर प्रदर्शन करता है।

परिणाम (Results)

व्यवहारिक निष्कर्ष: प्रयोग 1 ने पुष्टि की कि एकवचन सर्वनाम CI, स्वीकार्यता में नियंत्रण वाक्यों के समान हैं, जबकि बहुवचन सर्वनाम और संज्ञा वाक्यांश स्थितियाँ, मापने योग्य, श्रेणीबद्ध कमी दिखाती हैं।
सुधार पैटर्न: प्रयोग 2 ने खुलासा किया कि ~80% सुधार "तर्कसंगत" (plausible) थे, जिसमें "घटना तुलना" और "व्यक्तिगत तुलना" प्रमुख व्याख्याएं थीं।
मॉडल प्रदर्शन:
- नॉइज़ी-चैनल पोस्टीरियर अनुमानों ने मजबूत नियंत्रणों (SLOR, क्रम, बेसलाइन) से ऊपर CI स्वीकार्यता रेटिंग की महत्वपूर्ण भविष्यवाणी की।
- मीन लिंकिंग फंक्शन ( $f_{mean}$ ) ने सबसे अच्छा फिट प्रदान किया, जो इंगित करता है कि स्वीकार्यता कई संभावित व्याख्याओं की समग्र संभावना से प्रभावित होती है, न कि केवल एकल सबसे संभावित व्याख्या से।
- यह परिणाम दो अलग-अलग भाषा मॉडलों (GPT-2 Small और OPT) और दो डेटासेट (वर्तमान अध्ययन और Zhang et al., 2025 से एक सार्वजनिक डेटासेट) में सुसंगत रहा।
- मैक्स लिंकिंग फंक्शन ( $f_{max}$ ) ने कमजोर भविष्य कहनेवाला शक्ति दिखाई और जब इसे मीन फंक्शन के साथ शामिल किया गया, तो अक्सर एक नकारात्मक गुणांक (negative coefficient) प्राप्त हुआ, जो बताता है कि "सर्वश्रेष्ठ" एकल व्याख्या डेटा को समझाने के लिए अपर्याप्त है।

महत्व और दावे (Significance and Claims)
यह पत्र दावा करता है कि ये निष्कर्ष नॉइज़ी-चैनल इन्फरेंस को एक एकीकृत कम्प्यूटेशनल-स्तर के सिद्धांत के रूप में मजबूत अनुभवजन्य समर्थन प्रदान करते हैं। विशेष रूप से:

भ्रमों की तर्कसंगतता (Rationality of Illusions): अध्ययन तर्क देता है कि CIs केवल प्रसंस्करण की विफलता (जैसे, "गुड-इनफ" प्रोसेसिंग या उथले ह्यूरिस्टिक्स) नहीं हैं, बल्कि बेयस-इष्टतम वाक्य व्याख्या (Bayes-optimal sentence interpretation) को दर्शाते हैं। समझने वाले का मस्तिष्क शोर युक्त संवेदी इनपुट को टॉप-डाउन प्रायर्स के साथ एकीकृत करके सही ढंग से कार्य कर रहा है।
एकीकृत सिद्धांत: परिणाम अन्य भाषाई भ्रमों और गैर-भ्रामक संदर्भों के साक्ष्यों के साथ मेल खाते हैं, जो सुझाव देते हैं कि नॉइज़ी-चैनल इन्फरेंस विविध भाषा प्रसंस्करण घटनाओं के लिए एक सामान्य तंत्र है।
पद्धतिगत प्रगति: यह कार्य प्रदर्शित करता है कि स्वीकार्यता रेटिंग संभाव्य वाक्य प्रसंस्करण के एक समृद्ध स्थान को कैप्चर करती है, जो बाइनरी ग्रामैटिकलिटी जजमेंट से आगे बढ़ती है। यह सांख्यिकीय भाषा मॉडलों को व्यवहारिक डेटा के साथ जोड़कर मानव अनुमानात्मक प्रक्रियाओं को अनुमानित करने के उपयोग को मान्य करता है।
'गुड-इनफ' प्रोसेसिंग से अंतर: "गुड-इनफ" प्रोसेसिंग (एल्गोरिथमिक स्तर) और "नॉइज़ी-चैनल" इन्फरेंस (कम्प्यूटेशनल स्तर) के बीच अनुकूलता को स्वीकार करते हुए, लेखक इस बात पर जोर देते हैं कि CI प्रभावों की श्रेणीबद्ध प्रकृति को केवल संज्ञानात्मक प्रयास की बाधाओं के बजाय बेयसियन इन्फरेंस की गणितीय संरचना (पोस्टीरियर प्रोबेबिलिटी डिस्ट्रीब्यूशन) द्वारा सबसे अच्छी तरह समझाया जा सकता है।

लेखक अपने उपयोग किए गए विशिष्ट शोर मॉडल (DLD-आधारित) और व्याख्या के सटीक अस्थायी गतिशीलता (temporal dynamics) के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि शोर की संभावना (noise likelihood) शब्द और लिंकिंग फंक्शन्स को परिष्कृत करने के लिए भविष्य के कार्य की आवश्यकता है। हालाँकि, वे इस बात पर जोर देते कि मुख्य निष्कर्ष—कि श्रेणीबद्ध भ्रम की शक्ति संभावित विकल्पों की मात्रात्मक पोस्टीरियर प्रोबेबिलिटी का अनुसरण करती है—नॉइज़ी-चैनल सिद्धांत की एक मजबूत पुष्टि है।