💬 NLP

Towards Reward Modeling for AI Tutors in Math Mistake Remediation

यह शोध पत्र मानव प्राथमिकताओं से एक शैक्षणिक पदानुक्रम (pedagogical hierarchy) व्युत्पन्न करके, विरोधाभासी प्रतिक्रिया युग्मों (contrastive response pairs) को संश्लेषित करके, और एक संक्षिप्त 0.5B-पैरामीटर वाले ब्रैडली-टेरी रिवॉर्ड मॉडल को प्रशिक्षित करके AI गणित ट्यूटर्स के मूल्यांकन की चुनौती को संबोधित करता है, जो मानव प्राथमिकता परीक्षणों पर 0.74 की युग्म सटीकता (pairwise accuracy) प्राप्त करता है और बड़े सामान्य-उद्देश्य वाले मॉडलों से बेहतर प्रदर्शन करता है।

मूल लेखक: Kseniia Petukhova, Ekaterina Kochmar

प्रकाशित 2026-03-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kseniia Petukhova, Ekaterina Kochmar

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 आप अपने बच्चे के लिए एक व्यक्तिगत गणित ट्यूटर (शिक्षक) रख रहे हैं। आप केवल ऐसा व्यक्ति नहीं चाहते जो $2+2=4$ जैसे समीकरण को हल कर सके; आप चाहते हैं कि वह आपके बच्चे को इसे खुद हल करना सिखाए।

यदि ट्यूटर बस चिल्लाकर कहता है, "उत्तर 4 है!", तो उसने वास्तव में कुछ नहीं सिखाया है। उन्होंने केवल एक 'चीट कोड' दे दिया है। हालाँकि, एक बेहतरीन ट्यूटर शायद कहेगा, "हम्म, आइए आपके चरणों को देखते हैं। क्या आपको याद है कि जोड़ने से पहले गुणा करना था?" यह छात्र को उस "अहा!" (समझ आने वाले) क्षण तक ले जाता है।

यह शोध पत्र इस बारे में है कि आर्टिफिशियल इंटेलिजेंस (AI) को एक बेहतरीन ट्यूटर बनने के लिए कैसे सिखाया जाए, और इससे भी महत्वपूर्ण बात यह है कि AI को यह परखना कैसे सिखाया जाए कि एक ट्यूटर अच्छा काम कर रहा है या नहीं।

यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "रोबोट टीचर" का जाल

हमारे पास शक्तिशाली AI मॉडल हैं जो मनुष्यों की तरह चैट कर सकते हैं। लेकिन जब हम उनसे गणित के ट्यूटर के रूप में कार्य करने के लिए कहते हैं, तो वे सबसे महत्वपूर्ण हिस्से में विफल हो जाते हैं: पेडागोजी (शिक्षण की कला)।

खराब AI: "यहाँ उत्तर है। यह 50 है।" (उबाऊ, अनुपयोगी, सिखाता नहीं है)।
अच्छा AI: "आप करीब हैं! लेकिन याद रखें, हमें पहले शेष दूरी ज्ञात करने की आवश्यकता है। उसने पहले कितनी दूरी तय की है?" (सहायक, समझ विकसित करता है)।

मानक कंप्यूटर परीक्षण (जैसे वर्तनी या व्याकरण की जाँच करना) इन दोनों के बीच अंतर नहीं कर सकते। वे एक ऐसे न्यायाधीश की तरह हैं जो केवल यह जाँचता है कि शेफ ने सही सामग्री का उपयोग किया है या नहीं, लेकिन यह नहीं चखता कि सूप वास्तव में स्वादिष्ट है या नहीं। हमें यह मापने के लिए एक तरीके की आवश्यकता थी कि एक ट्यूटर की प्रतिक्रिया का "स्वाद" कैसा है।

2. समाधान: एक "टेस्ट टेस्ट" बनाना

शोधकर्ताओं ने एक रिवॉर्ड मॉडल (Reward Model) बनाने का निर्णय लिया। इसे एक "टेस्ट टेस्टर" (स्वाद चखने वाला) AI समझें। इसका एकमात्र काम दो अलग-अलग ट्यूटर प्रतिक्रियाओं को देखना और कहना है, "प्रतिक्रिया A, प्रतिक्रिया B से बेहतर है क्योंकि यह छात्र को अधिक सीखने में मदद करती है।"

इस टेस्ट टेस्टर को प्रशिक्षित करने के लिए, उन्हें उदाहरणों के एक विशाल पुस्तकालय की आवश्यकता थी जहाँ मनुष्यों ने कहा हो, "हाँ, यह वाला बेहतर है।"

चुनौती: मनुष्य व्यस्त हैं

हजारों गणित संबंधी बातचीत को ग्रेड देने के लिए मनुष्यों से कहना धीमा और महंगा है। इसके अलावा, मनुष्य कभी-कभी असहमत होते हैं। एक व्यक्ति सोच सकता है कि ट्यूटर बहुत सख्त था, जबकि दूसरा सोच सकता है कि वे बिल्कुल सही थे।

जादुई ट्रिक: सिंथेटिक डेटा (द "क्लोनिंग" लैब)

केवल मनुष्यों द्वारा सब कुछ ग्रेड करने का इंतजार करने के बजाय, शोधकर्ताओं ने एक चतुर ट्रिक का उपयोग किया। उन्होंने मौजूदा गणित की समस्याओं को लिया और एक सुपर-स्मार्ट AI का उपयोग करके ट्यूटर प्रतिक्रियाओं के नए, थोड़े अलग संस्करण बनाए।

कल्पना कीजिए कि आपके पास एक आदर्श केक रेसिपी है।

चरण 1: आप एक "खराब" केक (जो जला हुआ है) लेते हैं और AI से केवल "जले हुए" हिस्से को ठीक करने के लिए कहते हैं।
चरण 2: आप एक "अच्छे" केक को लेते हैं और AI से इसे थोड़ा और खराब करने के लिए कहते हैं (शायद बहुत अधिक चीनी डाल दें)।
चरण 3: आप जोड़े बनाते हैं: "यह ठीक किया हुआ केक बनाम जला हुआ केक" और "अच्छा केक बनाम चीनी की अधिकता वाला केक।"

इन हजारों "विपरीत जोड़ों" (जहाँ एक दूसरे से विशिष्ट तरीके से स्पष्ट रूप से बेहतर है) को बनाकर, उन्होंने बिना हर एक को मनुष्यों द्वारा ग्रेड कराए, एक विशाल प्रशिक्षण डेटासेट बनाया।

3. "अच्छी ट्यूटरिंग" का पदानुक्रम (Hierarchy)

शोधकर्ताओं ने महसूस किया कि सभी शिक्षण गलतियाँ समान नहीं होती हैं। उन्होंने एक महत्व की सीढ़ी बनाई जो इस पर आधारित थी कि मानव विशेषज्ञ वास्तव में किन चीजों की परवाह करते हैं:

सीढ़ी के शीर्ष पर (अनिवार्य): क्या गणित सही है? क्या यह समझ में आता है? (यदि AI कहता है "2+2=5", तो खेल खत्म है)।
सीढ़ी के मध्य में (मुख्य भाग): क्या AI ने छात्र की गलती को पहचाना? क्या इसने उत्तर देने के बजाय चरण-दर-चरण मार्गदर्शन किया?
सीढ़ी के निचले भाग में (अच्छे-तो-हैं): क्या लहजा मैत्रीपूर्ण है? क्या यह "मानवीय" है?

उपमा: एक कार की कल्पना करें।

तथ्यात्मकता (Factuality) इंजन है। यदि यह काम नहीं करता है, तो कार कहीं नहीं जा सकती।
स्कैफोल्डिंग (मार्गदर्शन) स्टीयरिंग व्हील है। यह आपको सही मंजिल तक पहुँचाता है।
लहजा (Tone) चमड़े की सीटें हैं। वे अच्छी होती हैं, लेकिन यदि इंजन टूटा हुआ है, तो कार बेकार है।

शोधकर्ताओं ने पाया कि पिछले तरीकों ने इन सभी विशेषताओं को समान रूप से महत्वपूर्ण माना (जैसे यह कहना कि इंजन और चमड़े की सीटें एक ही हैं)। उनकी नई विधि AI को इंजन और स्टीयरिंग व्हील को प्राथमिकता देने के लिए सिखाती है।

4. परिणाम: छोटा दिमाग, बड़ा दिल

उन्होंने इस नए डेटा का उपयोग करके अपने "टेस्ट टेस्टर" (रिवॉर्ड मॉडल) को प्रशिक्षित किया।

आश्चर्य: उन्होंने एक अपेक्षाकृत छोटा AI मॉडल (0.5 बिलियन पैरामीटर्स) उपयोग किया। आमतौर पर, बड़े मॉडल अधिक स्मार्ट होते हैं।
जीत: उनके छोटे मॉडल ने, जो इस विशिष्ट "ट्यूटरिंग" डेटा पर प्रशिक्षित था, वास्तव में बहुत बड़े, सामान्य-उद्देश्य वाले AI मॉडलों को पछाड़ दिया।

यह एक विशिष्ट गंध खोजने के लिए प्रशिक्षित एक छोटे, विशेष कुत्ते जैसा है। भले ही एक विशाल, सर्व-उद्देश्य वाला खोज कुत्ता बड़ा हो, आपका छोटा, विशेष कुत्ता उस विशिष्ट चीज़ को खोजने में बेहतर है।

5. यह क्यों मायने रखता है

यह शोध पत्र हमें AI शिक्षा के भविष्य के लिए एक ब्लूप्रिंट देता है।

पहले: हमारे पास AI ट्यूटर थे जो स्मार्ट तो थे लेकिन अक्सर आलसी (केवल उत्तर देना) थे।
अब: हमारे पास एक उपकरण है जो स्वचालित रूप से जांच सकता है कि एक AI ट्यूटर वास्तव में सिखा रहा है या केवल नकल (चीटिंग) कर रहा है।

अपना डेटा और कोड जारी करके, लेखक पूरी दुनिया को चाबियाँ सौंप रहे हैं। अब, डेवलपर्स ऐसे AI ट्यूटर बना सकते हैं जो न केवल गणित जानते हैं, बल्कि यह भी जानते हैं कि इंसान को गणित कैसे सिखाया जाए।

संक्षेप में: शोधकर्ताओं ने AI शिक्षकों के लिए एक विशेष "न्यायाधीश" बनाया। उन्होंने इस न्यायाधीश को सिखाया कि एक अच्छा शिक्षक क्या होता है, इसके लिए हजारों "अच्छे बनाम बुरे" उदाहरण बनाए। परिणाम एक ऐसा सिस्टम है जो एक deekhe (आलसी) AI ट्यूटर को मीलों दूर से पहचान सकता है, जिससे यह सुनिश्चित होता है कि हमारे भविष्य के AI सहायक वास्तव में हमें सीखने में मदद करें।

यहाँ शोध पत्र "Towards Reward Modeling for AI Tutors in Math Mistake Remediation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

AI ट्यूटर्स, विशेष रूप से गणित की गलतियों के सुधार (math mistake remediation) के संदर्भ में, उनकी शैक्षणिक गुणवत्ता का मूल्यांकन करना एक महत्वपूर्ण चुनौती बनी हुई है।

मानक मेट्रिक्स की सीमाएँ: पारंपरिक नेचुरल लैंग्वेज जनरेशन (NLG) मेट्रिक्स (जैसे BLEU, ROUGE) डोमेन-अज्ञेय (domain-agnostic) होते हैं और संदर्भ ग्रंथों (reference texts) पर निर्भर करते हैं। वे सूक्ष्म शैक्षणिक पहलुओं को पकड़ने में विफल रहते हैं, जैसे कि क्या एक ट्यूटर ने गलती की पहचान की है, तर्क को सहारा (scaffold) दिया है, या अंतिम उत्तर बताने से बचा है।
मौजूदा बेंचमार्क की सीमाएँ: हालांकि MRBench जैसे बेंचमार्क मौजूद हैं, वे एक 8-आयामी एनोटेशन वर्गीकरण (जैसे गलती की पहचान, क्रियाशीलता, लहजा) पर निर्भर करते हैं। इन आयामों को एक एकल स्कोर में संयोजित करने के पिछले प्रयास (जैसे भारित-योग/weighted-sum स्कोर) अक्सर टाई (ties) का परिणाम देते हैं और सभी आयामों में समान महत्व मान लेते हैं। यह अवास्तविक है; उदाहरण के लिए, "मार्गदर्शन प्रदान करना" "ट्यूटर के लहजे" की तुलना में शैक्षणिक रूप से अधिक महत्वपूर्ण है।
मुख्य अंतराल (The Core Gap): एक मजबूत रिवॉर्ड मॉडल (reward model) का अभाव है जो ट्यूटर के समग्र प्रतिक्रिया की गुणवत्ता के लिए मानवीय प्राथमिकताओं का सटीक अनुमान लगा सके, जिसमें प्रतिस्पर्धी शैक्षणिक लक्ष्यों (जैसे, क्रियात्मक होना बनाम उत्तर प्रकट न करना) के बीच संतुलन बनाया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक पाइपलाइन का प्रस्ताव करते हैं जो मानव-संरेखित प्राथमिकता डेटा का उपयोग करके एक विशेष रिवॉर्ड मॉडल बनाने के लिए प्रशिक्षित है, जिसमें भारित-योग रैंकिंग और सिंथेटिक डेटा संवर्धन (augmentation) का मिश्रण शामिल है।

A. एक शैक्षणिक पदानुक्रम (Pedagogical Hierarchy) प्राप्त करना

लेखकों ने यह निर्धारित करने के लिए MRBench डेटा पर मानव युग्म वरीयता एनोटेशन (human pairwise preference annotation) आयोजित किया कि मनुष्य बेहतर प्रतिक्रिया चुनने के लिए किन शैक्षणिक पहलुओं को प्राथमिकता देते हैं। चर्चा और विश्लेषण के माध्यम से, उन्होंने एक मूल्यवान पहलुओं का पदानुक्रम स्थापित किया (घटते क्रम में महत्व):

तथ्यात्मकता + विरोधाभास का अभाव + निरर्थकता का अभाव: प्रतिक्रिया सही और प्रासंगिक होनी चाहिए।
गलती की पहचान + स्थान: त्रुटि को स्पष्ट रूप से या अंतर्निहित रूप से पहचानना।
स्कैफोल्डिंग (Scaffolding) + क्रियाशीलता: समाधान देने के बजाय (जब तक स्कैफोल्डिंग विफल न हो जाए) छात्र का चरण-दर-चरण मार्गदर्शन करना।
लक्षितता (Targetedness): मूल गलत धारणा को संबोधित करना।
अंतिम उत्तर प्रकट न करना: समाधान बताकर उसे आसान न बनाना।
स्पष्टता + सुसंगतता: तार्किक प्रवाह और स्पष्ट शब्दावली।

B. सिंथेटिक डेटा संवर्धन (Synthetic Data Augmentation)

यह पहचानते हुए कि मानव एनोटेशन महंगा है और प्रारंभिक भारित-योग रैंकिंग मानवीय प्राथमिकताओं के साथ पूरी तरह से मेल नहीं खाती है, लेखकों ने 'कॉन्ट्रास्टिव लर्निंग फ्रॉम AI रिवीज़न' (CLAIR) से प्रेरित एक सिंथेटिक डेटा जनरेशन पाइपलाइन विकसित की।

प्रक्रिया:
1. उप-इष्टतम प्रतिक्रियाओं में सुधार: उन प्रतिक्रियाओं के लिए जिनमें प्रमुख आयामों (मार्गदर्शन, क्रियाशीलता, सुसंगतता) में खराब एनोटेशन थे, एक LLM संशोधित संस्करण बनाता है जो विशिष्ट पहलुओं में सुधार करता है (जैसे स्कैफोल्डिंग जोड़ना या स्पष्टता को ठीक करना)।
2. संयुक्त सुधार: ऐसे संस्करण उत्पन्न करना जो सभी पहलुओं में एक साथ सुधार करते हैं।
3. इष्टतम प्रतिक्रियाओं को कमतर बनाना (Degrading): उच्च गुणवत्ता वाली प्रतिक्रियाओं को लेकर उन्हें विशिष्ट आयामों के आधार पर जानबूझकर कमतर बनाना (जैसे उन्हें उत्तर प्रकट करने वाला बनाना या सुसंगतता खो देना) ताकि विरोधाभासी जोड़े (contrastive pairs) बनाए जा सकें।
4. तथ्यात्मकता जाँच: तथ्यात्मक रूप से गलत संस्करण उत्पन्न करना ताकि मॉडल हैलुसिनेशन (hallucinations) को सख्ती से दंडित करे।
उपयोग किया गया मॉडल: सिंथेटिक जोड़े उत्पन्न करने के लिए Claude-Sonnet-4 को उसकी प्रारंभिक प्राथमिकता वर्गीकरण कार्यों में बेहतर प्रदर्शन के कारण चुना गया था।
डेटासेट: इस प्रक्रिया ने 11,346 प्राथमिकता जोड़ों का एक बड़े पैमाने का डेटासेट तैयार किया, जो विभिन्न शैक्षणिक आयामों को संतुलित करता है।

C. रिवॉर्ड मॉडल प्रशिक्षण (Reward Model Training)

आर्किटेक्चर: लेखकों ने Qwen2.5-0.5B और Qwen2.5-1.5B को बैकबोन के रूप में उपयोग करते हुए और Gemma-2-2B के साथ Bradley-Terry preference models को प्रशिक्षित किया।
प्रशिक्षण डेटा: उन्होंने तीन डेटा कॉन्फ़िगरेशन का प्रयोग किया:
1. भारित-योग डेटा (Weighted-sum data): एक भारित स्कोरिंग योजना का उपयोग करके MRBench से प्राप्त जोड़े।
2. सिंथेटिक डेटा (Synthetic data): नए उत्पन्न किए गए विरोधाभासी जोड़े।
3. संयुक्त डेटा (Combined data): भारित-योग डेटा को विशिष्ट सिंथेटिक डेटा उपसमुच्चयों (जैसे, भारित-योग + "सुधारित गलती ID और स्थान") के साथ मिलाना।
उद्देश्य: युग्म तुलनाओं पर नकारात्मक लॉग-लाइक्लीहुड (negative log-likelihood) को कम करना ( $P(y^+ \succ y^-) = \sigma(r(x, y^+) - r(x, y^-))$ )।

3. मुख्य योगदान (Key Contributions)

शैक्षणिक पदानुक्रम: शैक्षणिक पहलुओं का एक मानव-व्युत्पन्न पदानुक्रम जो विभिन्न ट्यूटर व्यवहारों के सापेक्ष महत्व (जैसे, तथ्यात्मकता > लहजा) को स्पष्ट करता है।
सिंथेटिक विरोधाभासी डेटासेट: न्यूनतम विरोधाभासी ट्यूटर प्रतिक्रिया जोड़े उत्पन्न करने की एक नवीन विधि, जो व्यवस्थित रूप से प्रमुख शैक्षणिक आयामों के साथ बदलती है, जिससे उच्च-गुणवत्ता वाले मानव प्राथमिकता डेटा की कमी को दूर किया जाता है।
विशेषज्ञ रिवॉर्ड मॉडल: एक विशेष रूप से AI ट्यूटरिंग के लिए प्रशिक्षित रिवॉर्ड मॉडल जो बड़े, सामान्य-उद्देश्य वाले रिवॉर्ड मॉडल से बेहतर प्रदर्शन करता है।
ओपन रिसोर्सेज: भविष्य के अनुसंधान को सुगम बनाने के लिए एनोटेटेड मानव प्राथमिकता डेटा, सिंथेटिक ऑग्मेंटेशन डेटासेट, प्रशिक्षित मॉडल और कोड जारी करना।

4. परिणाम (Results)

मॉडलों का मूल्यांकन एक मानव प्राथमिकता टेस्ट सेट (414 जोड़े) और एक भारित-योग टेस्ट सेट पर किया गया।

प्रदर्शन:
- सबसे अच्छा प्रदर्शन करने वाला कॉन्फ़िगरेशन Qwen2.5-0.5B था, जिसे भारित-योग डेटा + "सुधारित गलती ID और स्थान" पर केंद्रित सिंथेटिक डेटा के संयोजन पर प्रशिक्षित किया गया था।
- इस मॉडल ने मानव प्राथमिकता टेस्ट सेट पर 0.74 युग्म सटीकता (pairwise accuracy) प्राप्त की।
- केवल सिंथेटिक डेटा का उपयोग करने पर, मॉडल ने 0.69 सटीकता प्राप्त की।
बेसलाइन के साथ तुलना:
- प्रस्तावित 0.5B-पैरामीटर मॉडल ने बड़े, सामान्य-उद्देश्य वाले रिवॉर्ड मॉडल, जिसमें Skywork-Reward-V2-Llama-3.1-8B (0.64) और RewardAnything-8B-v1 (0.68) शामिल हैं, को पीछे छोड़ दिया।
- इसने मानव टेस्ट सेट पर Macina et al. (2025) के पिछले स्टेट-ऑफ-द-आर्ट ट्यूटर-विशिष्ट मॉडल (0.69) को भी पछाड़ दिया।
त्रुटि विश्लेषण (Error Analysis): संयुक्त डेटा पर प्रशिक्षित मॉडल ने केवल भारित-योग डेटा पर प्रशिक्षित मॉडलों की तुलना में पूरक त्रुटियाँ (complementary errors) कीं। संयुक्त मॉडल ने उन प्रतिक्रियाओं के लिए मजबूत प्राथमिकता दिखाई जो तर्क को निर्देशित करती थीं और गलत धारणाओं को स्पष्ट करती थीं, जबकि भारित-योग-मात्र मॉडल कभी-कभी उन प्रतिक्रियाओं का पक्ष लेता था जो केवल समस्याओं को दोहराती थीं या उत्तर प्रकट करती थीं।

5. महत्व (Significance)

दक्षता: यह अध्ययन प्रदर्शित करता है कि एक छोटा, डोमेन-विशिष्ट मॉडल (0.5B पैरामीटर) उच्च-गुणवत्ता वाले, शैक्षणिक रूप से संरेखित डेटा पर प्रशिक्षित होने पर बड़े, सामान्य-उद्देश्य वाले मॉडलों (8B+) से बेहतर प्रदर्शन कर सकता है।
शैक्षणिक संरेखण: सरल स्कोर योग से आगे बढ़कर एक पदानुक्रम-आधारित प्राथमिकता दृष्टिकोण अपनाकर, यह कार्य AI ट्यूटर्स के मूल्यांकन के लिए एक अधिक यथार्थवादी ढांचा प्रदान करता है।
स्केलेबिलिटी: सिंथेटिक डेटा जनरेशन पाइपलाइन उन शैक्षिक डोमेन में प्राथमिकता डेटा बनाने के लिए एक स्केलेबल समाधान प्रदान करती है जहाँ मानव एनोटेशन महंगा है।
अनुप्रयोग: परिणामी रिवॉर्ड मॉडल का उपयोग AI ट्यूटर्स के स्वचालित मूल्यांकन के लिए या LLMs को अधिक प्रभावी शैक्षणिक व्यवहारों के साथ संरेखित करने के लिए Reinforcement Learning from Human Feedback (RLHF) के लिए एक रिवॉर्ड सिग्नल के रूप में किया जा सकता है।

6. सीमाएँ (Limitations)

एनोटेशन पैमाना: मानव टेस्ट सेट अपेक्षाकृत छोटा (414 जोड़े) है और आंशिक रूप से एकल-एनोटेटर लेबल पर निर्भर है।
संदर्भ निर्भरता: शैक्षणिक पदानुक्रम गणित की गलती सुधार के लिए विशिष्ट है और बिना अनुकूलन के अन्य विषयों या आयु समूहों में पूरी तरह से सामान्य नहीं हो सकता है।
सिंथेटिक पूर्वाग्रह (Synthetic Bias): सिंथेटिक डेटा एक एकल प्रोप्रायटरी मॉडल (Claude-Sonnet-4) द्वारा उत्पन्न किया गया था, जो प्राकृतिक मानव-मानव ट्यूटरिंग इंटरैक्शन में मौजूद न होने वाले शैलीगत पूर्वाग्रह पेश कर सकता है।