🤖 AI

In-Context Examples Suppress Scientific Knowledge Recall in LLMs

यह शोध पत्र यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स में इन-कॉन्टेक्स्ट उदाहरण जोड़ने से उनकी अंतर्निहित वैज्ञानिक ज्ञान को याद करने और लागू करने की क्षमता दब सकती है, जिससे वे अनुभवजन्य पैटर्न फिटिंग (empirical pattern fitting) पर निर्भर हो जाते हैं, भले ही उदाहरण सही अंतर्निहित सूत्रों द्वारा ही निर्मित किए गए हों।

मूल लेखक: Chaemin Jang, Woojin Park, Hyeok Yun, Dongman Lee, Jihee Kim

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chaemin Jang, Woojin Park, Hyeok Yun, Dongman Lee, Jihee Kim

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: जब उदाहरण आपको वह भुला देते हैं जो आप जानते हैं

कल्पना कीजिए कि आप एक प्रतिभाशाली छात्र हैं जिसने भौतिकी, रसायन विज्ञान और अर्थशास्त्र के नियमों को रट लिया है। आप जानते हैं कि सही सूत्रों का उपयोग करके किसी समस्या को कैसे हल किया जाता है। लेकिन फिर, आपका शिक्षक आपको एक ट्विस्ट के साथ एक टेस्ट देता है: समस्या को हल करने से पहले, वे आपको समान समस्याओं के 10 उदाहरण उनके उत्तरों के साथ दिखाते हैं।

आप सोच सकते हैं, "बहुत बढ़िया! ये उदाहरण मुझे नियमों को बेहतर तरीके से याद रखने में मदद करेंगे।"

इस शोध पत्र ने खोजा कि इसके विपरीत सच है। जब AI (लार्ज लैंग्वेज मॉडल) उन उदाहरणों को देखता है, तो वह वास्तव में अपने रटे हुए वैज्ञानिक नियमों का उपयोग करना बंद कर देता है और इसके बजाय उदाहरणों में मौजूद पैटर्न के आधार पर अनुमान लगाने लगता है। यह एक मास्टर शेफ की तरह है जो, किसी व्यंजन की कुछ तस्वीरें देखने के बाद, रेसिपी भूल जाता है और केवल तस्वीरों को देखकर सामग्री का अनुमान लगाने की कोशिश करता है।

लेखक इसे "नॉलेज डिस्प्लेसमेंट" (ज्ञान विस्थापन) कहते हैं। उदाहरण ज्ञान को मजबूत नहीं करते; वे उसे रास्ते से हटा देते हैं।

AI सोचने के दो तरीके

यह शोध पत्र AI द्वारा वैज्ञानिक समस्याओं को हल करने के लिए उपयोग किए जाने वाले दो अलग-अलग "मोड्स" का वर्णन करता है:

"टेक्स्टबुक मोड" (ज्ञान-संचालित - Knowledge-Driven):
- यह कैसे काम करता है: AI एक समस्या देखता है (जैसे, "कोई वस्तु कितनी तेज़ी से ठंडी होती है?"), कीवर्ड्स को पहचानता है, और अपनी मेमोरी से सही सूत्र निकालता है (जैसे न्यूटन का कूलिंग लॉ)। फिर वह गणित का उपयोग करके चरण-दर-चरण उत्तर की गणना करता है।
- उपमा: यह एक मैकेनिक की तरह है जो इंजन की अजीब आवाज़ सुनता है, वर्षों के प्रशिक्षण के आधार पर जानता है कि कौन सा हिस्सा खराब है, और सही टूल का उपयोग करके उसे ठीक करता है।
"पैटर्न मोड" (उदाहरण-संचालित - Example-Driven):
- यह कैसे काम करता है: AI सूत्रों को अनदेखा कर देता है। इसके बजाय, वह प्रॉम्प्ट में दिए गए 10 उदाहरणों को देखता है और एक शॉर्टकट या ट्रेंड खोजने की कोशिश करता है। वह यह कहकर उत्तर का अनुमान लगाता है, "उदाहरणों में, जब संख्या बढ़ी, तो उत्तर कम हुआ, इसलिए मैं भी वैसा ही करूँगा।"
- उपमा: यह एक ऐसे मैकेनिक की तरह है जिसने कभी इंजन की पढ़ाई नहीं की है, लेकिन वह खराब हिस्सों वाली कारों की 10 तस्वीरें देखता है। वह बिना यह समझे कि इंजन शोर क्यों कर रहा है, केवल यह देखकर सुधार का अनुमान लगाता है कि "इन सभी तस्वीरों में टायर पंचर था, इसलिए मैं बस अनुमान लगा लूँगा कि टायर पंचर है।"

खोज: जब आप AI को उदाहरण देते हैं (सही उदाहरण होने पर भी), तो वह लगभग हमेशा "टेक्स्टबुक मोड" से "पैटर्न मोड" में स्विच हो जाता है। वह वास्तविक विज्ञान करना बंद कर देता है और "पैटर्न मैचिंग" करने लगता है।

आश्चर्य: कभी यह मदद करता है, कभी नुकसान पहुँचाता है

शोधकर्ताओं ने पाँच क्षेत्रों (अर्थशास्त्र, रसायन विज्ञान, भौतिकी, जीव विज्ञान और भूविज्ञान) में 60 विभिन्न वैज्ञानिक समस्याओं पर इसका परीक्षण किया। उन्होंने पाया कि हालांकि AI हमेशा "पैटर्न मोड" में स्विच हो गया, लेकिन अंतिम स्कोर का परिणाम प्रत्येक विषय के लिए अलग था।

यहाँ बताया गया है कि यह कैसे हुआ:

"नुकसान पहुँचाने वाला" मामला (अर्थशास्त्र और रसायन विज्ञान):
- क्या हुआ: AI सूत्रों को पूरी तरह से जानता था। उदाहरण दिखाए जाने पर, उसने उनका उपयोग करना बंद कर दिया और पैटर्न का अनुमान लगाने लगा।
- परिणाम: स्कोर काफी गिर गया।
- उपमा: एक गणित के जीनियस की कल्पना करें जो पहाड़े (multiplication table) को पूरी तरह से जानता है। यदि आप उन्हें $2 \times 2 = 4$ के कुछ उदाहरण दिखाते हैं, तो वे "2 गुना 2" सोचना छोड़ सकते हैं और सिर्फ इसलिए "शायद यह 5 है?" का अनुमान लगा सकते हैं क्योंकि उदाहरण कुछ खास तरह के दिख रहे थे। वे गलत उत्तर देते हैं क्योंकि वे उस नियम को भूल जाते हैं जो वे पहले से जानते थे।
"मदद करने वाला" मामला (भूविज्ञान):
- क्या हुआ: AI सूत्र तो जानता था, लेकिन विशिष्ट संख्याओं (जैसे चट्टानों का घनत्व) को याद रखने में वह खराब था। वह बार-बार गलत नंबरों का अनुमान लगा रहा था। उदाहरण दिखाए जाने पर, उसने संख्याओं को याद करने की कोशिश छोड़ दी और उत्तर का अनुमान लगाने के लिए उदाहरणों के पैटर्न को देखना शुरू कर दिया।
- परिणाम: स्कोर बढ़ गया।
- उपमा: एक छात्र की कल्पना करें जो रेसिपी का सूत्र तो जानता है लेकिन हमेशा नमक की मात्रा भूल जाता है। यदि आप उन्हें तैयार व्यंजन की 10 तस्वीरें दिखाते हैं, तो वे नमक की मात्रा याद करने की कोशिश करने के बजाय केवल तस्वीरों से स्वाद की नकल कर सकते हैं। उन्हें बेहतर व्यंजन मिलता है, लेकिन उन्होंने रेसिपी नहीं सीखी; वे बस पैटर्न के साथ भाग्यशाली रहे।
"कोई बदलाव नहीं" वाला मामला (भौतिकी और जीव विज्ञान):
- क्या हुआ: AI मोड बदल गया, लेकिन इन विशिष्ट समस्याओं के लिए "पैटर्न मोड" संयोग से "टेक्स्टबुक मोड" जितना ही अच्छा था।
- परिणाम: स्कोर वही रहा।
- उपमा: यह कार चलाने जैसा है। आप GPS (टेक्स्टबुक मोड) का उपयोग करके गाड़ी चला सकते हैं या अपने दोस्त की कार का पीछा करके (पैटर्न मोड)। यदि आपका दोस्त बिल्कुल सही गाड़ी चला रहा है, तो आप भी उसी समय पहुँचेंगे। लेकिन आप अब GPS का उपयोग नहीं कर रहे हैं।

ऐसा क्यों होता है?

शोध पत्र ने पाया कि AI का "टेक्स्टबुक मोड" बहुत नाजुक है। यह कीवर्ड्स (Keywords) पर निर्भर करता है।

यदि समस्या कहती है "Consumer Surplus", तो AI "अर्थशास्त्र सूत्र" के बारे में सोचता है।
यदि आप शब्दों को बदलकर "Alpha Wave" (उसी अवधारणा के लिए एक नकली नाम) कर देते हैं, तो AI पूरी तरह से सूत्र भूल जाता है।

हालाँकि, "पैटर्न मोड" को शब्दों की परवाह नहीं होती। यह केवल संख्याओं को देखता है। इसलिए, जब आप AI को संख्याओं के साथ उदाहरण देते हैं, तो वह तुरंत पैटर्न मोड में स्विच हो जाता है क्योंकि यह आसान है, भले ही उदाहरण उन नियमों के साथ पूरी तरह से सुसंगत हों जिन्हें वह पहले से जानता है।

उपयोगकर्ताओं के लिए मुख्य चेतावनी

यह शोध पत्र विज्ञान के लिए AI का उपयोग करने वाले किसी भी व्यक्ति के लिए एक चेतावनी के साथ समाप्त होता है:

यह मान न लें कि AI को उदाहरण देने से वह अपने ज्ञान का उपयोग करने में बेहतर होगा।
वास्तव में, यह इसके विपरीत भी कर सकता है। यह AI को वैज्ञानिक की तरह सोचने के बजाय एक अनुमान लगाने वाले (गुएसर) की तरह सोचने पर मजबूर कर सकता है। कभी-कभी यह अनुमान लगाने वाला भाग्यशाली होता है और बेहतर स्कोर प्राप्त करता है, लेकिन अक्सर यह खराब स्कोर प्राप्त करता है क्योंकि यह उन नियमों को भूल जाता है जिन्हें उसे जानना चाहिए था।

संक्षेप में: उदाहरणों ने AI को कुछ नया नहीं सिखाया; उन्होंने बस उसे वह भुला दिया जो वह पहले से जानता था।

यहाँ शोध पत्र "In-Context Examples Suppress Scientific Knowledge Recall in LLMs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वैज्ञानिक तर्क (scientific reasoning) में प्रयुक्त लार्ज लैंग्वेज मॉडल्स (LLMs) में एक विरोधाभासी घटना की जांच करता है: इन-कॉन्टेक्स्ट लर्निंग (ICL) मॉडल के पूर्व-प्रशिक्षित (pre-trained) वैज्ञानिक ज्ञान को सुदृढ़ करने के बजाय उसे दबा (suppress) सकता है।

जबकि ICL का उपयोग उदाहरण प्रदान करके प्रदर्शन सुधारने के लिए व्यापक रूप से किया जाता है, लेखक यह परिकल्पना करते हैं कि उन कार्यों के लिए जिनमें लेटेंट स्ट्रक्चर रिकवरी (डेटा से छिपे हुए मापदंडों का अनुमान लगाना) की आवश्यकता होती है, उदाहरण जोड़ने से मॉडल की तर्क रणनीति बदल जाती है। अपने पूर्व-प्रशिक्षित भारों (weights) से सही वैज्ञानिक सूत्र को खोजने और लागू करने (ज्ञान-संचालित व्युत्पत्ति - Knowledge-Driven Derivation) के बजाय, मॉडल उदाहरण-संचालित फिटिंग (Example-Driven Fitting) (पैटर्न पहचान के माध्यम से इनपुट-आउटपुट मैपिंग का अनुमान लगाना) की ओर स्थानांतरित हो जाता है।

महत्वपूर्ण रूप से, यह दमन तब भी होता है जब इन-कॉन्टेक्स्ट उदाहरण उसी सटीक वैज्ञानिक सूत्र द्वारा उत्पन्न किए जाते हैं जिसे मॉडल पहले से जानता है, जिसका अर्थ है कि उदाहरणों और मॉडल के पूर्व ज्ञान के बीच कोई संघर्ष नहीं है।

2. कार्यप्रणाली (Methodology)

बेंचमार्क निर्माण

लेखकों ने पांच वैज्ञानिक डोमेन में 60 लेटेंट स्ट्रक्चर रिकवरी कार्यों से बना एक कठिनाई-संतुलित बेंचमार्क (difficulty-balanced benchmark) तैयार किया:

डोमेन: जीव विज्ञान (Biology), रसायन विज्ञान (Chemistry), अर्थशास्त्र (Economics), भौतिकी (Physics), और भूविज्ञान (Geoscience) (प्रत्येक डोमेन के लिए 12 कार्य)।
कार्य संरचना: प्रत्येक कार्य एक विशिष्ट आर्किटेक्चर का पालन करता है: $X \to \Theta \to Y$ $X \to Θ \to Y$ ।
- $X$ (अवलोकनीय/Observables): मॉडल को दिए गए कच्चे डेटा (raw data)।
- $\Theta$ (लेटेंट वेरिएबल्स/Latent Variables): छिपे हुए पैरामीटर (जैसे, अभिक्रिया स्थिरांक, लोच मापांक) जिन्हें डोमेन नियमों का उपयोग करके अनुमानित किया जाना चाहिए।
- $Y$ (लक्ष्य/Target): वह अंतिम मात्रा जिसकी गणना अनुमानित मापदंडों का उपयोग करके की जानी है।
जटिलता: कार्यों में अवलोकनीय (observables), लेटेंट वेरिएबल्स की संख्या और समीकरण के प्रारूप (रैखिक, गैर-रैखिक, भिन्नात्मक, आदि) भिन्न होते हैं ताकि यह सुनिश्चित हो सके कि निष्कर्ष किसी विशिष्ट समीकरण प्रकार के कारण उत्पन्न आर्टिफैक्ट न हों।

प्रयोगात्मक सेटअप

मॉडल: प्रयोग चार मॉडलों पर किए गए: GPT-5.2 (प्राथमिक), Claude Sonnet 4.6, Llama 4 Maverick, और DeepSeek V3.2।
शर्तें:
- जीरो-शॉट (Zero-Shot): मॉडल बिना किसी उदाहरण के केवल चेन-ऑफ-थॉट (CoT) तर्क का उपयोग करके कार्य को हल करता है।
- 10-शॉट (10-Shot): मॉडल को परीक्षण मामले के समान ही अंतर्निहित सूत्र द्वारा उत्पन्न 10 इनपुट-आउटपुट जोड़े दिए जाते हैं (कोई मध्यवर्ती व्युत्पत्ति प्रदान नहीं की जाती है)।
रणनीति वर्गीकरण (Strategy Classification): एक स्वचालित क्लासिफायर (जिसे मानव एंनोटेटर्स द्वारा 98% सहमति के साथ मान्य किया गया है) मॉडल के CoT प्रक्षेपवक्र (trajectory) को तीन मोडों में वर्गीकृत करता है:
1. पैरामीट्रिक ( $S_{know}$ ): एक नामित सूत्र प्राप्त करता है और बीजगणितीय रूप से उत्तर व्युत्पन्न करता है।
2. अनुभवजन्य ( $S_{emp}$ ): डोमेन कानूनों को लागू किए बिना उदाहरणों के पैटर्न को फिट करता है।
3. हाइब्रिड (Hybrid): एक सूत्र का उपयोग करता है लेकिन उदाहरणों के आधार पर गुणांकों (coefficients) को कैलिब्रेट करता है।

अतिरिक्त विश्लेषण

सिमेंटिक डिकॉय (Semantic Decoy): यह परीक्षण करने के लिए कि क्या ज्ञान की रिकॉल सतह के संकेतों (surface cues) पर निर्भर करती है, डोमेन-विशिष्ट शब्दावली को बदला गया (जैसे, "Consumer Surplus" $\to$ "Gamma Rad")।
आंतरिक प्रतिनिधित्व (Internal Representations): ओपन-सोर्स मॉडल्स (Qwen, Mistral, Llama) के हिडन स्टेट्स का विश्लेषण किया गया ताकि प्रतिनिधित्व स्थान (representation space) में बदलाव देखा जा सके।
हस्तक्षेप (Interventions): यह देखने के लिए कि क्या विस्थापन (displacement) को कम किया जा सकता है, संरचनात्मक प्रॉम्प्टिंग तकनीकों (जैसे, सूत्र घोषणा को मजबूर करना, नेगेटिव प्रॉम्प्टिंग) का परीक्षण किया गया।

3. मुख्य योगदान (Key Contributions)

ज्ञान विस्थापन की खोज (Discovery of Knowledge Displacement): लेखक प्रदर्शित करते हैं कि सुसंगत इन-कॉन्टेक्ट उदाहरण जोड़ने से सभी डोमेन में ज्ञान-संचालित व्युत्पत्ति ( $S_{know}$ ) से उदाहरण-संचालित फिटिंग ( $S_{emp}$ ) की ओर निरंतर बदलाव आता है।
रणनीति प्रतिस्पर्धा ढांचा (Strategy Competition Framework): वे एक ढांचा प्रस्तावित करते हैं जो यह समझाता है कि सटीकता के प्रभाव क्यों भिन्न होते हैं। बदलाव (shift) समान है, लेकिन इसका परिणाम विस्थापित रणनीति (पूर्व-प्रशिक्षित ज्ञान) और प्रतिस्थापन रणनीति (अनुभवजन्य फिटिंग) के बीच गुणवत्ता अंतराल पर निर्भर करता है।
व्यापक बेंचमार्क: एक नया 60-कार्य वाला बेंचमार्क विशेष रूप से इसलिए डिज़ाइन किया गया है ताकि वैज्ञानिक तर्क और पैटर्न फिटिंग के बीच प्रतिस्पर्धा को दृश्यमान बनाया जा सके, जिसमें विविध संरचनात्मक जटिलताएं शामिल हैं।

4. मुख्य परिणाम (Key Results)

A. समान रणनीति बदलाव, भिन्न सटीकता (Uniform Strategy Shift, Divergent Accuracy)

10 उदाहरण जोड़ने से सभी डोमेन में पैरामीट्रिक ( $S_{know}$ ) प्रक्षेपवक्रों के हिस्से में 6–20 प्रतिशत अंक की कमी आई। हालांकि, अंतिम सटीकता पर प्रभाव काफी भिन्न था:

अर्थशास्त्र (Economics): सटीकता काफी कम हो गई (−15.7pp)। यहाँ, $S_{know}$ एक बेहतर रणनीति थी (88.3% सटीकता)। अनुभवजन्य फिटिंग ( $S_{emp}$ ) की ओर बदलाव (41.7% सटीकता) के कारण भारी प्रदर्शन हानि हुई।
भूविज्ञान (Geoscience): सटीकता में सुधार हुआ (+13.3pp)। यहाँ, $S_{know}$ कमजोर था (49.2% सटीकता) क्योंकि मॉडल अक्सर सही सूत्र तो याद करता था लेकिन गलत डिफॉल्ट मापदंडों का उपयोग करता था। अनुभवजन्य फिटिंग की ओर बदलाव ने उदाहरणों से सही ढंग से इंटरपोलेट करने की अनुमति दी, जिससे वैज्ञानिक तर्क के नुकसान को छिपा दिया गया।
भौतिकी और जीव विज्ञान (Physics & Biology): सटीकता लगभग स्थिर रही। भौतिकी में, बदलाव छोटा था; जीव विज्ञान में, अनुभवजन्य रणनीति संयोगवश पैरामीट्रिक एक के समान ही प्रदर्शन करती थी।

निष्कर्ष: मॉडल चुनिikan रूप से वहां ज्ञान नहीं छोड़ता जहाँ वह गलत होता है; वह इसे हर जगह छोड़ देता है, चाहे नई रणनीति बेहतर हो या बदतर।

B. तंत्र: शब्दावली-ट्रिगर रिकॉल (Mechanism: Vocabulary-Triggered Recall)

सिमेंटिक डिकॉय प्रयोग ने खुलासा किया कि $S_{know}$ गहरे गणितीय विश्लेषण के बजाय सतही शब्दावली (डोमेन कीवर्ड) द्वारा ट्रिगर होता है।

जब डोमेन शब्दों को छद्म नामों (pseudonyms) से बदल दिया गया, तो जीरो-शॉट सटीकता गिरकर (3–14% तक) बहुत कम हो गई।
हालांकि, 10-शॉट प्रदर्शन आंशिक रूप से रिकवर हुआ (22–24% तक), जो यह सिद्ध करता है कि $S_{emp}$ शब्दावली से स्वतंत्र संख्यात्मक पैटर्न पर काम करता है।
निहितार्थ: संख्यात्मक उदाहरणों की उपस्थिति ही अनुभवजन्य मार्ग (empirical pathway) को सक्रिय कर देती है, जो शब्दावली-ट्रिगर ज्ञान मार्ग को ओवरराइड कर देती है।

C. आंतरिक प्रतिनिधित्व अभिसरण (Internal Representation Convergence)

हिडन स्टेट्स के विश्लेषण से पता चला कि 10-शॉट स्थितियों के तहत, विभिन्न डोमेन के प्रतिनिधित्व स्थान (representation spaces) अभिसरित (converge) हो गए।

जीरो-शॉट में, डोमेन अलग-अलग क्षेत्रों में थे (विशिष्ट डोमेन सर्किट को सक्रिय करते थे)।
10-शॉट में, डोमेन एक साथ करीब आ गए, विशेष रूप से भूविज्ञान, जिसने सबसे मजबूत बदलाव दिखाया। यह सुझाव देता है कि उदाहरणों की उपस्थिति में मॉडल एक डोमेन-अज्ञेयवादी (domain-agnostic) पैटर्न-फिटिंग सर्किट पर स्विच कर जाता है।

D. शमन की विफलता (Failure of Mitigation)

मानक प्रॉम्प्टिंग हस्तक्षेप (जैसे, स्पष्ट रूप से सूत्र का नाम लेना, फिटिंग के विरुद्ध नेगेटिव प्रॉम्प्ट) विस्थापन को सार्वभौमिक रूप से रोकने में विफल रहे। जब पूर्व-प्रशिक्षित ज्ञान इष्टतम रणनीति था (अर्थशास्त्र), तो केवल उन उदाहरणों की उपस्थिति के कारण हुए प्रदर्शन नुकसान को वसूलने के लिए कोई भी सुसंगत उदाहरण काम नहीं आया।

5. महत्व और निहितार्थ (Significance and Implications)

अभ्यासकर्ताओं के लिए चेतावनी (Caution for Practitioners): यह शोध पत्र चेतावनी देता है कि वैज्ञानिक अनुप्रयोगों में, इन-कॉन्टेक्ट उदाहरण प्रदान करना उस ज्ञान को विस्थापित (displace) कर सकता है जिसे वे समर्थन देने के लिए दिए गए हैं। केवल एंड-टू-एंड सटीकता पर भरोसा करना खतरनाक है, क्योंकि यह वैज्ञानिक तर्क के नुकसान को छिपा सकता है (जैसे, भूविज्ञान में, मॉडल गलत कारण से सही उत्तर प्राप्त कर रहा था)।
LLMs में वैज्ञानिक तर्क की प्रकृति: अध्ययन बताता है कि LLMs का वैज्ञानिक तर्क अक्सर पहचान-आधारित (recognition-based) (कीवर्ड द्वारा ट्रिगर) होता है न कि तर्क-आधारित (reasoning-based) (गणितीय व्युत्पत्ति)। यह इसे नाजुक बनाता है और पैटर्न मिलान के कम्प्यूटेशनल शॉर्टकट द्वारा आसानी से ओवरराइड किया जा सकता है।
व्यापक शॉर्टकट लर्निंग (Broader Shortcut Learning): इस घटना को "शॉर्टकट लर्निंग" के एक उदाहरण के रूप में फ्रेम किया गया है, जहाँ मॉडल उपलब्ध सबसे आसान रणनीति (फिटिंग) को चुनता है, बजाय सबसे मौलिक (कानूनों से व्युत्पत्ति) के, भले ही शॉर्टकट उप-इष्टतम (suboptimal) हो।
भविष्य की दिशाएं: लेखक इस प्रतिस्पर्धा के लिए जिम्मेदार विशिष्ट सर्किट की पहचान करने के लिए मैकेनिस्टिक अध्ययनों (जैसे, एक्टिवेशन पैचिंग) और नए मूल्यांकन मेट्रिक्स के लिए आह्वान करते हैं जो "ज्ञान-संचालित" और "उदाहरण-संचालित" सफलता के बीच अंतर कर सकें।