DLT-Corpus: A Large-Scale Text Collection for the Distributed Ledger Technology Domain
यह शोध पत्र DLT-Corpus प्रस्तुत करता है, जो वैज्ञानिक साहित्य, पेटेंट और सोशल मीडिया से 2.98 बिलियन टोकन का एक बड़े पैमाने का, डोमेन-विशिष्ट टेक्स्ट संग्रह है, जिसका उपयोग यह प्रदर्शित करने के लिए किया जाता है कि DLT अनुसंधान बाजार वृद्धि से पहले आता है और LedgerBERT जैसे उन्नत NLP टूल जारी करना है।
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
डिस्ट्रिब्यूटेड लेजर टेक्नोलॉजी (DLT) की दुनिया की कल्पना करें—जो कि ब्लॉकचेन और क्रिप्टोकरेंसी जैसी तकनीकों का एक परिवार है—एक विशाल, हलचल भरे शहर के रूप में। वर्षों तक, इस शहर को समझने की कोशिश करने वाले शोधकर्ताओं को केवल कुछ बिखरे हुए सड़क संकेतों (मुख्यतः प्राइस चार्ट और ट्रेडिंग ऐप्स) का उपयोग करके रास्ता खोजना पड़ता था। वे ब्लूप्रिंट, नगर परिषद की बैठक के विवरण और स्थानीय कैफे की चर्चाओं से वंचित थे।
यह शोध पत्र DLT-Corpus पेश करता है, जो एक विशाल नई लाइब्रेरी है जो अंततः इस डिजिटल शहर की "पूरी कहानी" को संकलित करती है। यहाँ लेखक बताते हैं कि उन्होंने क्या बनाया और उन्होंने क्या खोजा, जिसे सरल भाषा में समझाया गया है:
1. बड़ी लाइब्रेरी (द कॉर्पस)
DLT-Corpus को एक विशाल गोदाम के रूप में सोचें जिसमें 2.98 बिलियन शब्द (टोकन) और 22 मिलियन दस्तावेज़ शामिल हैं। लेखकों ने इसे केवल रैंडम तरीके से नहीं उठाया; उन्होंने इसे तीन अलग-अलग अनुभागों में सावधानीपूर्वक व्यवस्थित किया, जैसे कि एक लाइब्रेरी के तीन अलग-अलग विंग (पंख):
- एकेडेमिक विंग (वैज्ञानिक साहित्य): 37,440 शोध पत्र। ये वे "ब्लूप्रिंट" हैं जहाँ वैज्ञानिक और इंजीनियर सबसे पहले नए विचारों का खाका खींचते हैं।
- पेटेंट विंग: 49,023 पेटेंट फाइलिंग। ये वे "कानूनी दस्तावेज" हैं जहाँ कंपनियाँ आधिकारिक तौर पर नए आविष्कारों पर अपना स्वामित्व दावा करती हैं।
- टाउन स्क्वायर (सोशल मीडिया): ट्विटर/X से 22 मिलियन पोस्ट। यह वह "चर्चा" है जहाँ आम लोग इस बारे में बात करते हैं कि वे क्या खरीद रहे हैं, बेच रहे हैं और क्या उम्मीद कर रहे हैं।
यह विशेष क्यों है?
इससे पहले, इस क्षेत्र का अध्ययन करने वाले अधिकांश कंप्यूटर प्रोग्राम केवल "टाउन स्क्वायर" (सोशल मीडिया) या विशिष्ट ट्रेडिंग डेटा को देखते थे। वे गहरे तकनीकी विषयों को छोड़ देते थे। यह नई लाइब्रेरी सामान्य इंटरनेट टेक्स्ट की तुलना में विशिष्ट तकनीकी कीवर्ड्स में 8.7 गुना अधिक समृद्ध है। यह एक सामान्य बोलचाल की डिक्शनरी की तुलना एक इंजीनियरिंग विश्वकोश से करने जैसा है; दूसरा इस उद्योग की विशिष्ट भाषा को कंप्यूटर को सिखाने के लिए बहुत बेहतर है।
2. "स्मार्ट स्टूडेंट" (LedgerBERT)
यह साबित करने के लिए कि यह लाइब्रेरी उपयोगी है, लेखकों ने एक कंप्यूटर मॉडल (AI का एक प्रकार जिसे LedgerBERT कहा जाता है) को इसे पढ़ने के लिए प्रशिक्षित किया।
- परीक्षण: उन्होंने AI को टेक्स्ट में विशिष्ट तकनीकी शब्दों (जैसे "Proof of Stake" या "Merkle Tree") को खोजने के लिए कहा, जिसे 'नेम्ड एंटिटी रिकग्निशन' (Named Entity Recognition) कहा जाता है।
- परिणाम: इस नई लाइब्रेरी पर प्रशिक्षित AI मॉडल, मानक AI मॉडलों की तुलना में इन शब्दों को खोजने में 23% बेहतर रहा। इसने DLT जगत की "बोली" को बहुत तेज़ी से सीखा क्योंकि इसके पास अध्ययन के लिए बहुत उच्च गुणवत्ता वाली सामग्री थी।
3. लाइब्रेरी ने क्या खुलासा किया (विश्लेषण)
लेखकों ने इस लाइब्रेरी का उपयोग यह देखने के लिए किया कि विचार इस शहर में कैसे यात्रा करते हैं। उन्होंने दो दिलचस्प पैटर्न पाए:
पैटर्न A: "विचार की यात्रा" (The Idea Journey)
उन्होंने तीन बड़े कॉन्सेप्ट्स को ट्रैक किया: स्टेबलकॉइन्स (वास्तविक मुद्रा से जुड़ा डिजिटल पैसा), DEXs (विकेंद्रीकृत एक्सचेंज), और AMMs (स्वचालित ट्रेडिंग टूल्स)।
- निष्कर्ष: ये विचार लगभग हमेशा एकेडेमिक विंग (शोध पत्रों) में पहले दिखाई देते हैं।
- यात्रा: वर्षों बाद, वे पेटेंट विंग (कंपनियों द्वारा उन्हें सुरक्षित करने के प्रयास) में दिखाई देते हैं। अंत में, बहुत बाद में, वे टाउन स्क्वायर (सोशल मीडिया) में विस्फोट करते हैं जहाँ हर कोई उनके बारे में बात करने लगता है।
- रूपक: यह प्रयोगशाला में एक वैज्ञानिक खोज की तरह है, जो बाद में एक फैक्ट्री में उत्पाद बनता है, और अंत में टिकटॉक पर एक ट्रेंड बन जाता है। शोध बाज़ार का नेतृत्व करता है, न कि इसके विपरीत।
पैटर्न B: "भावनात्मक मौसम" (The Emotional Weather)
उन्होंने बाज़ार के प्रति लोगों की भावना (सेंटिमेंट) बनाम शोधकर्ता कितना काम कर रहे हैं, इसकी तुलना की।
- निष्कर्ष: भले ही बाज़ार क्रैश हो जाए (एक "क्रिप्टो विंटर" जहाँ कीमतें गिर जाती हैं), सोशल मीडिया पर लोग अत्यधिक आशावादी (बुलिश) रहते हैं। वे कीमतों की परवाह किए बिना तकनीक की प्रशंसा करना जारी रखते हैं।
- विपरीत स्थिति: हालाँकि, वैज्ञानिक और पेटेंट धारक अधिक ज़मीनी स्तर पर होते हैं। उनका काम दैनिक समाचारों के साथ ऊपर-नीचे नहीं होता है। इसके बजाय, उनकी गतिविधि समय के साथ लगातार बढ़ती है, जो उद्योग की अल्पकालिक मूड स्विंग्स के बजाय इसके दीर्घकालिक विकास को ट्रैक करती है।
- चक्र: लेखक एक "पुण्य चक्र" (virtuous cycle) का वर्णन करते हैं: शोध नए उपकरण बनाता है ये उपकरण बाज़ार को बढ़ने में मदद करते हैं एक बढ़ता हुआ बाज़ार और अधिक शोध के लिए धन उपलब्ध कराता है।
4. खेल के नियम (नैतिकता और सीमाएं)
लेखक इस लाइब्रेरी को बनाने के बारे में बहुत सावधान थे:
- कॉपीराइट उल्लंघन नहीं: उन्होंने केवल ओपन-एक्सेस पेपर्स, सार्वजनिक सरकारी पेटेंट और सोशल मीडिया डेटा का उपयोग किया जो 2023 में ट्विटर द्वारा अपने नियम बदलने से पहले का था।
- गोपनीयता: उन्होंने लोगों की गोपनीयता की रक्षा के लिए सोशल मीडिया पोस्ट से सभी यूजरनेम हटा दिए, केवल टेक्स्ट और तारीख रखी।
- भाषा: लाइब्रेरी वर्तमान में केवल अंग्रेजी में है, क्योंकि विज्ञान और पेटेंट के लिए यह प्रमुख भाषा है।
सारांश
संक्षेप में, लेखकों ने डिस्ट्रिब्यूटेड लेजर टेक्नोलॉजी की दुनिया के लिए पहली विशाल, व्यापक लाइब्रेरी बनाई। उन्होंने सिद्ध किया कि यदि आप समझना चाहते हैं कि यह तकनीक कहाँ जा रही है, तो आपको केवल स्टॉक की कीमतों या ट्विटर ट्रेंड्स को नहीं देखना चाहिए। आपको शोध पत्रों को देखना चाहिए, क्योंकि वहीं भविष्य लिखा जा रहा है, इससे कई साल पहले जब बाकी दुनिया तक वह पहुँचता है। उन्होंने लाइब्रेरी, प्रशिक्षित AI मॉडल और टूल्स को मुफ्त में जारी किया है ताकि अन्य लोग इस शोध को आगे बढ़ा सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।