💻 संगणक विज्ञान

Factored Reasoning with Inner Speech and Persistent Memory for Evidence-Grounded Human-Robot Interaction

यह शोधपत्र JANUS को प्रस्तुत करता है, जो सहायक रोबोटों के लिए एक संज्ञानात्मक आर्किटेक्चर (cognitive architecture) है, जो संदर्भ बनाए रखने, निर्णयों को सत्यापित करने और बाहरी साक्ष्यों के आधार पर प्रतिक्रियाओं को पुष्ट करने के लिए फैक्टर्ड रीजनिंग (factored reasoning), आंतरिक वाक् (inner speech) और निरंतर स्मृति (persistent memory) का उपयोग करता है, जिससे स्केलेबल और ऑडिट करने योग्य मानव-रोबोट संपर्क सक्षम होता है।

मूल लेखक: Valerio Belcamino, Mariya Kilina, Alessandro Carfì, Valeria Seidita, Fulvio Mastrogiovanni, Antonio Chella

प्रकाशित 2026-02-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Valerio Belcamino, Mariya Kilina, Alessandro Carfì, Valeria Seidita, Fulvio Mastrogiovanni, Antonio Chella

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

कल्पना कीजिए कि एक रोबोटिक सहायक है जो न केवल आपसे बातें करता है, बल्कि बोलने से पहले सोचता भी है, आपकी कही हुई बातों को हफ्तों तक याद रखता है, और यह सुनिश्चित करने के लिए अपना होमवर्क भी चेक करता है कि वह मनगढ़ंत बातें न कर रहा हो। यह JANUS के पीछे का मूल विचार है, जो इस शोध पत्र में वर्णित रोबोट के लिए एक नया "मस्तिष्क" है।

यहाँ बताया गया है कि JANUS कैसे काम करता है, जिसे सरल अवधारणाओं और रोजमर्रा के उदाहरणों में विभाजित किया गया है।

1. समस्या: "एक-मस्तिष्क" की बाधा (The "One-Brain" Bottleneck)

अधिकांश वर्तमान रोबोटिक सहायक एक ही व्यक्ति की तरह काम करते हैं जो एक साथ तीन काम करने की कोशिश कर रहा हो: आपको सुनना, आपके अर्थ को समझना, तथ्यों की जांच करना और फिर जवाब देना। यदि वे भ्रमित हो जाते हैं, तो वे आपको गलत उत्तर भी पूरे आत्मविश्वास के साथ दे सकते हैं क्योंकि उन्होंने दोबारा जांच करने के लिए रुकने की कोशिश नहीं की।

लेखकों का कहना है कि यह जोखिम भरा है, विशेष रूप से आहार संबंधी सलाह जैसी चीजों के लिए जहाँ एक गलत उत्तर आपके स्वास्थ्य के लिए बुरा हो सकता है। उन्हें एक ऐसी प्रणाली की आवश्यकता थी जो सोचने और बोलने को अलग कर सके।

2. समाधान: विशिष्ट श्रमिकों वाली एक फैक्ट्री

एक विशाल मस्तिष्क होने के बजाय, JANUS एक सुव्यवस्थित फैक्ट्री की तरह है जिसमें अलग-अलग श्रमिक (मॉड्यूल) हैं जिनके पास विशिष्ट कार्य हैं। वे काम पूरा करने के लिए एक-दूसरे को नोट्स (पर्चियां) पास करते हैं।

रिसेप्शनिस्ट (स्कोप डिटेक्शन): जब आप कहते हैं, "मैं तिरामिसु (tiramisu) के बारे में जानना चाहता हूँ," तो रिसेप्शनिस्ट यह पता लगाता है कि आपको किस विभाग की आवश्यकता है। क्या हम फिल्मों के बारे में बात कर रहे हैं? यात्रा के बारे में? या भोजन के बारे में?
अनुवादक (इंटेंट रिकग्निशन): यह कार्यकर्ता आपके सामान्य वाक्य ("क्या तिरामिसु मेरी डाइट के लिए ठीक है?") को एक सख्त, संरचित रूप में अनुवाद करता है जिसे रोबोट समझ सके (कार्य: DishInfo, आइटम: Tiramisu)।
लाइब्रेरियन (मेमोरी एजेंट): यह एक महत्वपूर्ण कार्यकर्ता है। JANUS सब कुछ एक विशाल, अस्त-व्यस्त ढेर में याद नहीं रखता। इसके पास तीन प्रकार की मेमोरी है:
- शॉर्ट-टर्म बफर: जो आपने पिछले कुछ मिनटों में कहा।
- कोर मेमोरी: आपके बारे में महत्वपूर्ण, स्थिर तथ्य (जैसे आपकी एलर्जी या दैनिक कैलोरी लक्ष्य)।
- आर्काइव (संग्रह): पुरानी बातचीत के लिए एक गहरा स्टोरेज रूम।
- जादू: लाइब्रेरियन तय करता है: "क्या मुझे गहरे आर्काइव में खोजने की जरूरत है, या उत्तर मेरे शॉर्ट-टर्म नोट्स में है?" यह रोबोट को तेज और केंद्रित रखता है।
आंतरिक आवाज (इनर स्पीच): यह इस शोध पत्र का सबसे रचनात्मक विचार है। कल्पना कीजिए कि एक रोबोट के भीतर एक मौन आंतरिक एकालाप (monologue) चल रहा है। आपसे बोलने से पहले, वह खुद से फुसफुसाता है: "रुको, क्या यूजर ने मुझे अपनी कैलोरी सीमा बताई थी? नहीं। मैं अभी जवाब नहीं दे सकता। मुझे पूछने की जरूरत है।"
- यह "इनर स्पीच" एक कंट्रोल चैनल है। यह जांचता है कि क्या रोबोट के पास सभी तथ्य हैं। यदि नहीं, तो यह रोबोट को बोलने से रोकता है और इंसान से सवाल पूछने के लिए ट्रिगर करता है। यह इस आंतरिक संदेह को आपको कभी नहीं दिखाता; यह बस पहले योजना को ठीक कर देता है।
शोधकर्ता (क्वेरी जनरेशन): यदि रोबट को तथ्यों की आवश्यकता है (जैसे तिरामिसु में कार्ब्स की मात्रा), तो यह कार्यकर्ता डेटाबेस के लिए एक सटीक खोज क्वेरी लिखता है।
वक्ता (आउटर स्पीच): अंत में, यह कार्यकर्ता सत्यापित तथ्यों और रोबोट के निर्णय को लेता है और आपसे बोलकर संवाद करता है। चूंकि "इनर स्पीच" ने पहले ही सब कुछ जांच लिया है, इसलिए "स्पीकर" आत्मविश्वासी और ईमानदार होता है।

3. "फैक्टर्ड" दृष्टिकोण: काम की जांच करना

शोध पत्र इसे "फैक्टर्ड रीजनिंग" आर्किटेक्चर कहता है। इसे एक बेकर द्वारा रेसिपी चेक करने की तरह समझें।

पुराना तरीका: बेकर सब कुछ मिला देता है और उम्मीद करता है कि केक का स्वाद सही होगा।
JANUS का तरीका: बेकर सामग्री (मेमोरी) की जांच करता है, ओवन का तापमान (इनर स्पीच) चेक करता है, और उसके बाद ही केक को ओवन में डालता है (एक्शन)। यदि कोई चरण गायब है, तो प्रक्रिया रुक जाती है।

यह सुनिश्चित करता है कि रोबोट का उत्तर साक्ष्यों पर आधारित (grounded in evidence) है। यदि रोबोट कहता है, "तिरामिसु में 40 ग्राम कार्ब्स हैं," तो वह ठीक से बता सकता है कि उसे यह संख्या कहाँ से मिली। वह केवल अनुमान नहीं लगा सकता।

4. उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने JANUS का परीक्षण एक आहार सहायता (dietary assistance) परिदृश्य में किया (लोगों को उनकी खाने की योजनाओं में मदद करना)। उन्होंने केवल यह नहीं पूछा कि "क्या रोबोट अच्छा लगा?" उन्होंने प्रत्येक कार्यकर्ता का व्यक्तिगत रूप से परीक्षण किया:

क्या रिसेप्शनिस्ट ने सही विभाग चुना? (हाँ, 98.5% सटीकता)।
क्या ट्रांसलेटर ने अनुरोध को सही ढंग से समझा? (हाँ, 100% सटीकता)।
क्या इनर वॉइस ने जानकारी गायब होने पर रोबोट को सही ढंग से रोका? (हाँ, 100% सटीकता)।
क्या रिसर्चर ने डेटाबेस में सही डेटा खोजा? (हाँ, 96.7% सटीकता)।

उन्होंने मनुष्यों से रोबोट के स्पष्टीकरणों को रेट करने के लिए भी कहा। "आउटर स्पीच" (जो रोबोट आपसे कहता है) को बहुत स्पष्ट और सहायक माना गया। दिलचस्प बात यह है कि "इनर स्पीच" (रोबोट के आंतरिक नोट्स) को मनुष्यों द्वारा कम "पठनीय" (readable) माना गया, जिसे लेखक अच्छा बताते हैं। यह साबित करता है कि सिस्टम सफलतापूर्वक अपने आंतरिक "रफ ड्राफ्ट" को अपने पॉलिश किए गए अंतिम संदेश से अलग रखने में सफल रहा।

5. मुख्य निष्कर्ष (The Bottom Line)

JANUS उन रोबोटिक सहायकों के लिए एक ब्लूप्रिंट है जो सुरक्षित, विश्वसनीय और ईमानदार होते हैं।

यह केवल उत्तरों के लिए "भ्रमित" (hallucinate) नहीं होता; यह पहले अपनी मेमोरी और तथ्यों की जांच करता है।
यह अपनी गलतियों को पकड़ने के लिए "इनर वॉइस" का उपयोग करता है इससे पहले कि वे सार्वजनिक त्रुटियां बनें।
यह दिनों या हफ्तों तक आपको याद रखता है, न कि केवल एक बातचीत के लिए।

शोध पत्र निष्कर्ष निकालता है कि सोचने का यह "फैक्ट्री" स्टाइल मॉडल ऐसे रोबोट बनाने का एक आशाजनक तरीका है जिन पर वास्तविक दुनिया की स्थितियों में, जैसे कि लोगों को उनके स्वास्थ्य प्रबंधन में मदद करने के लिए, भरोसा किया जा सके, बिना एक साथ हर चीज में परफेक्ट होने की आवश्यकता के।

तकनीकी सारांश: साक्ष्य-आधारित मानव-रोबोट संपर्क के लिए आंतरिक भाषण और निरंतर स्मृति के साथ खंडित तर्क (Factored Reasoning)

समस्या विवरण
सहायक रोबोटों का नियंत्रित प्रदर्शनों से दीर्घकालिक, वास्तविक दुनिया के परिनियोजन (जैसे, स्वास्थ्य सेवा या घरेलू सेटिंग्स में) की ओर संक्रमण के लिए ऐसे सिस्टम की आवश्यकता है जो केवल एकल सत्रों के बजाय दिनों या महीनों तक सुसंगत व्यवहार बनाए रख सकें। वर्तमान लार्ज लैंग्वेज मॉडल (LLM)-आधारित संज्ञानात्मक आर्किटेक्चर अक्सर दीर्घकालिक (long-horizon) इंटरैक्शन में तीन महत्वपूर्ण बाधाओं के साथ संघर्ष करते हैं: (i) यह पहचानना कि आवश्यक जानकारी कब गायब है, (ii) पुनर्प्राप्त साक्ष्य (retrieved evidence) और असमर्थित अनुमानों (unsupported inferences) के बीच अंतर करना, और (iii) अपूर्ण योजनाओं के साथ आगे बढ़ने के बजाय स्पष्टीकरण कब मांगना है, इसका निर्णय लेना। एक महत्वपूर्ण चुनौती "अभिव्यक्ति बनाम नियंत्रण" (expressiveness vs. control) का तनाव है; जबकि LLM शक्तिशाली तर्क प्रदान करते हैं, वे अक्सर विचार-विमर्श (deliberation), टूल आह्वान (tool invocation), और स्पष्टीकरण को एक ही पीढ़ी चरण (generation step) में समाहित कर देते हैं। यह युग्मन मध्यवर्ती निर्णयों को सत्यापित करना कठिन बना देता है, उपयोगकर्ता मॉडलों में unverifiable धारणाओं के संचय का जोखिम पैदा करता है, और "आत्मविश्वासी लेकिन गलत" प्रतिक्रियाओं की ओर ले जा सकता है जो विश्वास और सुरक्षा को कमजोर करती हैं।

कार्यप्रणाली: JANUS आर्किटेक्चर
यह शोध पत्र JANUS नामक एक संज्ञानात्मक आर्किटेक्चर प्रस्तुत करता है, जिसे मानव-रोबोट इंटरैक्शन को एक पार्शियली ऑब्जर्वेबल मार्कोव डिसीजन प्रोसेस (POMDP) के रूप में मॉडल करके इन चुनौतियोंों को संबोधित करने के लिए डिज़ाइन किया गया है। इसका मुख्य नवाचार एक खंडित नियंत्रक (factored controller) है जो इंटरैक्शन को विशिष्ट, प्रकारित मॉड्यूल (typed modules) में विभाजित करता है जिनके स्पष्ट इंटरफेस होते हैं, जिससे बाहरी संचार से आंतरिक नियंत्रण तर्क को अलग किया जाता है।

प्रमुख वास्तुशिल्प घटक शामिल हैं:

खंडित तर्क पाइपलाइन (Factored Reasoning Pipeline): सिस्टम इनपुट-आउटपुट मैपिंग को एजेंटों के एक कम्प्यूटेशनल ग्राफ में विभाजित करता है:
- स्कोप डिटेक्शन (Scope Detection): सक्रिय इंटरैक्शन डोमेन की पहचान करता है।
- इन्टेंट रिकग्निशन और पोस्ट-प्रोसेसिंग: मुक्त-रूप अनुरोधों को प्रकारित मापदंडों (typed parameters) के साथ संरचित कार्य स्कीमा में मैप करता है।
- मेमोरी एजेंट: एक तीन-स्तरीय मेमोरी संरचना का प्रबंधन करने वाला एक स्टेटफुल घटक: एक सीमित हालिया-इतिहास बफर ( $H_t$ ), एक संक्षिप्त कोर मेमोरी ( $C_t$ ), और एक आर्काइवल स्टोर ( $A_t$ )। यह एक सूचना-पर्याप्तता गेट (information-sufficiency gate) का उपयोग करता है ताकि यह तय किया जा सके कि क्या आर्काइवल रिट्रीवल आवश्यक है, जिससे यह सुनिश्चित होता है कि वर्किंग कॉन्टेक्स्ट ( $W_t$ ) सीमित और सुसंगत रहे।
- इनर स्पीच (Inner Speech): एक आंतरिक नियंत्रण चैनल जो इंटेंट को मान्य करता है, पैरामीटर की पूर्णता की जाँच करता है, और निष्पादन तत्परता (execution readiness) को लागू करता है। यह निर्णय लेता है कि रोबोट को आगे बढ़ना चाहिए, स्पष्टीकरण मांगना चाहिए, डोमेन बदलना चाहिए, या किसी अनुरोध को अस्वीकार करना चाहिए। महत्वपूर्ण रूप से, यह चैनल उपयोगकर्ता को दिए जाने वाले आउटपुट से अलग है।
- क्वेरी जनरेशन: केवल तभी निष्पादन योग्य टूल कॉल (जैसे, डेटाबेस क्वेरी) उत्पन्न करता है जब बाहरी साक्ष्य की आवश्यकता होती है।
- आउटर स्पीच (Outer Speech): एविडेंस बंडल ( $B_t = W_t \cup E_t$ ) पर आधारित मानव-सामना करने वाली प्रतिक्रियाएं उत्पन्न करता है, यह सुनिश्चित करता है कि दावे पुनर्प्राप्त डेटा में निहित हों या स्पष्ट रूप से सुरक्षित डिफॉल्ट के रूप में चिह्नित हों।
इनर स्पीच और नियंत्रण: संज्ञानात्मक सिद्धांतों से प्रेरित होकर, JANUS में "इनर स्पीच" एक नियंत्रण-उन्मुख आंतरिक टेक्स्टुअल फ्लो के रूप में कार्य करता है। यह ग्राउंडिंग की अनुमति देने से पहले यह सत्यापित करता है कि कार्य स्कीमा के लिए सभी आवश्यक पैरामीटर मौजूद हैं। यदि जानकारी गायब है, तो यह आउटर स्पीच के माध्यम से स्पष्टीकरण टर्न को ट्रिगर करता है बजाय डिफॉल्ट मानों की कल्पना करने के।
मेमोरी प्रबंधन: मेमोरी को एक असीमित लॉग के बजाय एक प्रबंधित संसाधन के रूप में माना जाता है। सिस्टम नियंत्रित समेकन (consolidation) और संशोधन नीतियों का उपयोग करता है। जब हिस्टोरिक बफर क्षमता से अधिक हो जाता है, तो ट्रेसेस को संक्षेपित किया जाता है और कोर मेमोरी में विलय किया जाता है; जब कोर मेमोरी अपने बजट से अधिक हो जाती है, तो कम प्राथमिकता वाले तथ्यों को आर्काइवल स्टोर में स्थानांतरित कर दिया जाता है। यह सुनिश्चित करता है कि पर्सिस्टेंस (persistence) सीमित, सुसंगत और ऑडिट योग्य हो।
कस्टमाइजेशन लेयर: मल्टी-डोमेन संचालन का समर्थन करने के लिए, JANUS में एक रनटाइम कस्टमाइजेशन लेयर शामिल है जो कोर रीजनिंग लॉजिक को बदले बिना डोमेन-विशिष्ट स्कीमा, टूल्स और प्रॉम्प्ट्स को एनकैप्सुलेट करती है। यह सिस्टम को गतिशील रूप से डोमेन (जैसे, आहार संबंधी सलाह, यात्रा योजना) के बीच स्विच करने की अनुमति देता है।

मुख्य योगदान
शोध पत्र तीन प्राथमिक योगदानों का दावा करता है:

एक मॉड्यूलर, मेमोरी-ऑगमेंटेड फैक्टर्ड आर्किटेक्चर: JANUS स्पष्ट रूप से इनर स्पीच (नियंत्रण/सत्यापन) को आउटर स्पीच (संचार) से अलग करता है। यह अलगाव आंतरिक विचार-विमर्श को सत्यापन और तत्परता के लिए अनुकूलित करने की अनुमति देता है, जबकि बाहरी संचार को स्पष्टता और ट्रस्ट कैलिब्रेशन के लिए अनुकूलित किया जाता है।
मल्टी-डोमेन स्विचिंग के लिए डायलॉग मैनेजमेंट इंटरफेस: यह आर्किटेक्चर डोमेन-विशिष्ट स्कीम्स और टूल्स को एनकैप्सुलेट करके रन-टाइम पर डोमेन स्विचिंग को सक्षम बनाता है, जिससे कोर रीजनिंग मॉड्यूल अपरिवर्तित रहता है।
एक समर्पित मेमोरी एजेंट: पदानुक्रमित समेकन क्षमताओं वाला एक स्टेटफुल घटक जो पर्सिस्टेंस को स्पष्ट अपडेट नीतियों के साथ एक प्रबंधित मॉड्यूल के रूप में मानता है, जिससे असंरचित इतिहास के संचय को रोका जा सके।

प्रायोगिक मूल्यांकन और परिणाम
लेखकों ने एक डाइटरी असिस्टेंस डोमेन (एडवाइजर डोमेन) में नॉलेज ग्राफ (Neo4j) पर आधारित मॉड्यूल-स्तरीय यूनिट टेस्ट का उपयोग करके JANUS का मूल्यांकन किया। मूल्यांकन केवल एंड-टू-एंड रिस्पॉन्स क्वालिटी के बजाय मध्यवर्ती वेरिएबल्स की शुद्धता पर केंद्रित था।

मात्रात्मक परिणाम:
- स्कोप डिटेक्शन: 11 डोमेन और एक फॉलबैक के साथ 98.50% सटीकता प्राप्त की, सेमेंटिक रूप से ओवरलैपिंग डोमेन के बावजूद उच्च प्रदर्शन बनाए रखा।
- इन्टेंट रिकग्निशन: 100.00% टास्क-सिलेक्शन सटीकता और पैरामीटर एक्सट्रैक्शन के लिए 1.00 का F1 स्कोर प्राप्त किया।
- इनर स्पीच: निष्पादन तत्परता निर्धारित करने में 100.00% सटीकता प्राप्त की (अर्थात, सही ढंग से पहचानना कि स्पष्टीकरण की आवश्यकता कब है)।
- क्वेरी जनरेशन: 100.00% वैधता (सभी सफलतापूर्वक निष्पादित) के साथ Cypher क्वेरी उत्पन्न की और क्यूरेटेड रेफरेंस परिणामों के साथ 96.70% ओवरलैप स्कोर प्राप्त किया।
विलंबता और दक्षता: मीडियन टर्न-लेवल रिस्पॉन्स टाइम 0.26s (इन्टेंट रिकग्निशन) से 0.81s (इनर स्पीच) के बीच रहा। सिस्टम ने नोट किया कि विलंबता परिदृश्य-निर्भर है, साक्ष्य-आधारित उत्तरों में लगभग 2.46s लगते हैं। क्वेरी जनरेशन सबसे अधिक टोकन-गहन (token-intensive) मॉड्यूल था।
गुणात्मक मूल्यांकन: एक मिश्रित प्रोटोकॉल (मानव रेटिंग और G-Eval ऑटोमैटिक जजिंग) ने टेक्स्टुअल आउटपुट का आकलन किया। परिणामों ने आर्किटेक्चरल परिकल्पना की पुष्टि की: आउटर स्पीच को स्पष्टता और उपयोगिता के लिए उच्चतम रेटिंग मिली, जबकि इनर स्पीच और स्कोप डिटेक्शन (कंट्रोल ट्रेसेस) को स्टैंडअलोन टेक्स्ट के रूप में कम रेटिंग मिली। यह समर्थन करता है कि आंतरिक नियंत्रण टेक्स्ट निर्णय लेने के लिए अनुकूलित है, न कि मानव पठनीयता के लिए। ऑटोमैटिक जजिंग (G-Eval) को मानव रेटर्स की तुलना में कंट्रोल-ओरिएंटेड ट्रेसेस की गुणवत्ता को व्यवस्थित रूप से अधिक आंकते हुए पाया गया।

महत्व और दावे
शोध पत्र का तर्क है कि फैक्टर्ड रीजनिंग स्केलेबल, ऑडिटेबल और साक्ष्य-आधारित रोबोट सहायता के लिए एक आशाजनक मार्ग है। नियंत्रण निर्णयों को संचार से स्पष्ट रूप से अलग करके, JANUS का लक्ष्य है:

दीर्घकालिक उपयोगकर्ता मॉडलों में unverifiable धारणाओं के संचय को रोकना।
यह सुनिश्चित करना कि रोबोट के दावे एक एविडेंस बंडल से जुड़े हों, जिससे विश्वसनीयता (faithfulness) और ट्रस्ट कैलिब्रेशन बढ़ता है।
एक सत्यापन योग्य कंट्रोल लूप प्रदान करना जहाँ मध्यवर्ती निर्णयों (डोमेन चयन, इंटेंट, तत्परता) का निरीक्षण और मापन किया जा सके।

लेखक वर्तमान दायरे के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि मूल्यांकन क्यूरेटेड यूनिट टेस्ट और एक एकल डोमेन पर निर्भर है। वे स्वीकार करते हैं कि परिणाम अभी तक मल्टी-टर्न फीडबैक लूप, अपस्ट्रीम त्रुटियों से रिकवरी, या एम्बोडीड (embodied), वास्तविक दुनिया के परिनियोजन में विश्वास की गतिशीलता को कैप्चर नहीं करते हैं। भविष्य के कार्य को वास्तविक उपयोगकर्ताओं के साथ अनुदैर्ध्य (longitudinal), एंड-टू-एंड अध्ययनों के माध्यम से इन कारकों का मूल्यांकन करने के लिए आवश्यक बताया गया है।

1. समस्या: "एक-मस्तिष्क" की बाधा (The "One-Brain" Bottleneck)

2. समाधान: विशिष्ट श्रमिकों वाली एक फैक्ट्री

3. "फैक्टर्ड" दृष्टिकोण: काम की जांच करना

4. उन्होंने इसका परीक्षण कैसे किया

5. मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर