💬 NLP

Investigating the Interplay between Contextual and Parametric Chain-of-Thought Faithfulness under Optimization

यह शोधपत्र FaithMate को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो प्रासंगिक (contextual) और पैरामीट्रिक (parametric) चेन-ऑफ-थॉट निष्ठा (faithfulness) के बीच एक विषम सकारात्मक युग्मन (asymmetric positive coupling) को प्रकट करता है, जो यह प्रदर्शित करता है कि पैरामीट्रिक निष्ठा के लिए अनुकूलन विभिन्न प्रतिमानों (paradigms) में अधिक सुसंगत रूप से सामान्यीकृत होता है, जबकि साथ ही अंतर्निहित समझौतों (trade-offs) और निष्ठा मेट्रिक्स की गैर-एकात्मक प्रकृति को भी उजागर करता है।

मूल लेखक: Jingyi Sun, Qianli Wang, Pepa Atanasova, Nils Feldhus, Isabelle Augenstein

प्रकाशित 2026-05-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingyi Sun, Qianli Wang, Pepa Atanasova, Nils Feldhus, Isabelle Augenstein

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 आपके पास एक बहुत ही बुद्धिमान रोबोट है जो चरणों के माध्यम से बात करके पहेलियाँ सुलझाता है। यह "चरणों के माध्यम से बात करना" चेन-ऑफ-थॉट (Chain-of-Thought - CoT) कहलाता है।

बड़ा सवाल यह है कि: क्या रोबोट वास्तव में चरणों के माध्यम से सोच रहा है, या वह केवल एक ऐसी कहानी बना रहा है जो सुनने में 'सोचने' जैसी लगती है?

यह शोध पत्र, जिसका शीर्षक "Investigating the Interplay between Contextual and Parametric Chain-of-Thought Faithfulness under Optimization" है, एक जासूसी कहानी की तरह है जो यह पता लगाने की कोशिश कर रहा है कि हम रोबोट को उसकी सोचने की प्रक्रिया के बारे में सच बोलने के लिए कैसे तैयार करें।

यहाँ सरल शब्दों में इसका विवरण दिया गया है:

1. "सच्चाई" की जाँच करने के दो तरीके

शोधकर्ताओं ने पाया कि लोग आमतौर पर रोबोट के ईमानदार होने की जाँच दो पूरी तरह से अलग तरीकों से करते हैं, जैसे कार के इंजन को बाहर से देखना बनाम इंजन को खोलकर देखना।

"कॉन्टेक्स्टुअल" (Contextual) जाँच (बाहरी दृष्टिकोण):
कल्पना कीजिए कि आप रोबोट को गणित की एक समस्या हल करने के लिए कहते हैं। फिर, आप चुपके से समस्या में एक संख्या बदल देते हैं या उसके स्पष्टीकरण में एक शब्द बदल देते हैं।
- परीक्षण: यदि आपके इनपुट को बदलने पर रोबोट का अंतिम उत्तर बदल जाता है, तो वह ईमानदार है। यदि आप इनपुट बदलते हैं और रोबोट वही गलत उत्तर देता है, तो वह केवल अनुमान लगा रहा था और बाद में एक कहानी बना रहा था।
- रूपक: यह एक छात्र से पूछने जैसा है, "अगर मैं इस संख्या को बदल दूँ तो क्या होगा?" यदि वे अपना उत्तर बदल देते हैं, तो वे वास्तव में गणित कर रहे थे। यदि वे उसी उत्तर पर टिके रहते हैं, तो वे केवल उत्तर रट रहे थे।
"पैरामीट्रिक" (Parametric) जाँच (आंतरिक दृष्टिकोण):
यह बहुत कठिन है। शब्दों को बदलने के बजाय, शोधकर्ता रोबोट के मस्तिष्क (उसकी स्मृति/मेमोरी) के भीतर एक विशिष्ट तथ्य को "अनलर्न" (unlearn) करने की कोशिश करते हैं।
- परीक्षण: यदि रोबोट उस विशिष्ट तथ्य को भूल जाता है जिसका उपयोग उसने पहेली को हल करने के लिए किया था, और उसका उत्तर बदल जाता है, तो वह तथ्य वास्तव में उसकी सोच का हिस्सा था।
- रूपक: यह एक बढ़ई के औजारों के बॉक्स से एक विशिष्ट उपकरण को निकालने जैसा है। यदि बढ़ई कुर्सी बनाना नहीं कर पाता क्योंकि वह उस उपकरण का उपयोग करना भूल गया है, तो वह उपकरण आवश्यक था। यदि वह कुर्सी फिर भी बनाता है, तो उसे उस उपकरण की वास्तव में आवश्यकता नहीं थी; वह दिखावा कर रहा था।

2. समस्या: वे हमेशा सहमत नहीं होते

शोध पत्र ने पाया कि ये दो जाँच अक्सर अलग-अलग परिणाम देती हैं। एक रोबोट "बाहरी दृष्टिकोण" परीक्षण में पास हो सकता है लेकिन "आंतरिक दृष्टिकोण" परीक्षण में फेल हो सकता है, या इसके विपरीत। यह एक ऐसे छात्र की तरह है जो कागज पर अपना काम पूरी तरह से समझा सकता है (Contextual) लेकिन वास्तव में उसने उत्तर रटा हुआ है और उसे अवधारणा की समझ नहीं है (Parametric)।

3. समाधान: एक नया ट्रेनिंग जिम (FaithMATE)

लेखकों ने FaithMATE नामक एक नया सिस्टम बनाया है। इसे एक विशेष जिम के रूप में समझें।

इस जिम में, रोबोट पहेलियाँ सुलझाने का अभ्यास करता है।
कोच (शोधकर्ता) चुन सकते हैं कि वे रोबोट को दो अलग-अलग तरीकों से ईमानदार होने के लिए प्रशिक्षित करना चाहते हैं: या तो "बाहरी दृष्टिकोण" (Contextual) पर ध्यान केंद्रित करके या "आंतरिक दृष्टिकोण" (Parametric) पर।
लक्ष्य यह देखना है: यदि हम रोबोट को एक विधि का उपयोग करके ईमानदार होने के लिए प्रशिक्षित करते हैं, तो क्या वह दूसरी विधि का उपयोग करके ईमानदार होने में स्वतः बेहतर हो जाता है?

4. बड़ी खोजें

कई अलग-अलग रोबोटों को विभिन्न पहेलियों पर प्रशिक्षित करने के बाद, उन्होंने तीन मुख्य बातें पाईं:

"आंतरिक दृष्टिकोण" एक बेहतर कोच है:
यदि आप रोबोट को अपनी आंतरिक स्मृति (Parametric) के बारे में ईमानदार होने के लिए प्रशिक्षित करते हैं, तो वह आंतरिक जाँच और बाहरी जाँच दोनों में बेहतर हो जाता है। यह एक धावक को मजबूत फेफड़ों के लिए प्रशिक्षित करने जैसा है; वे ट्रैक पर दौड़ने और पहाड़ियों पर चढ़ने दोनों में बेहतर हो जाते हैं।
- हालाँकि, यदि आप उन्हें केवल "बाहरी दृष्टिकोण" (Contextual) पर प्रशिक्षित करते हैं, तो वे उस विशिष्ट परीक्षण में बेहतर हो जाते हैं, लेकिन यह तय नहीं होता कि वे आंतरिक जाँच में सुधार करेंगे या नहीं।
सभी "बाहरी" परीक्षण एक जैसे नहीं होते:
यहाँ तक कि "बाहरी दृष्टिकोण" परीक्षणों के भीतर भी, वे एक-दूसरे के बदले जाने योग्य नहीं हैं।
- रूपक: कल्पना कीजिए कि आप एक कार की गति का परीक्षण कर रहे हैं। आप एक सीधे रास्ते, एक घुमावदार रास्ते या एक पहाड़ी पर परीक्षण कर सकते हैं। यदि आप एक कार को सीधे रास्ते पर तेज़ होने के लिए प्रशिक्षित करते हैं, तो हो सकता है कि वह पहाड़ी पर तेज़ न हो।
- शोध पत्र ने पाया कि एक विशिष्ट "बाहरी" परीक्षण (जैसे "यदि मैं प्रश्न को फिर से लिखूँ तो अपना उत्तर न बदलें") को पास करने के लिए अनुकूलित करना, दूसरे "बाहरी" परीक्षण (जैसे "यदि मैं एक शब्द हटा दूँ तो अपना उत्तर बदलें") को पास करने की गारंटी नहीं देता है। वे अलग-अलग चीजें माप रहे हैं।
वास्तव में क्या बदलता है?
- जब रोबोट "बाहरी" परीक्षणों में बेहतर होते हैं, तो वे मुख्य रूप से खुद से झूठ बोलना बंद कर देते हैं। वे एक ऐसा जवाब पहले से ही सोचकर केवल उसे सही ठहराने के लिए एक नकली स्पष्टीकरण लिखना बंद कर देते हैं जिसे उन्होंने पहले ही अनुमान लगा लिया था। वे अपने तर्क को अपने उत्तर के साथ मिलाने लगते हैं।
- जब रोबोट "आंतरिक" परीक्षणों में बेहतर होते हैं, तो वे उन तथ्यों का उपयोग करना शुरू कर देते हैं जिन्हें वे वास्तव में जानते हैं। वे अनुमान लगाना बंद कर देते हैं और अपनी स्मृति में संग्रहीत वास्तविक जानकारी के आधार पर अपने उत्तरों को पुख्ता करते हैं।

5. "मिक्स-एंड-मैच" (Mix-and-Match) ट्रिक

चूंकि कोई भी एक परीक्षण सब कुछ कवर नहीं करता, इसलिए शोधकर्ताओं ने एक चतुर तरीका अपनाया: मॉडल मर्जिंग (Model Merging)।

उन्होंने टेस्ट A पर ईमानदार होने के लिए प्रशिक्षित एक रोबोट और टेस्ट B पर ईमानदार होने के लिए प्रशिक्षित एक अन्य रोबोट को लिया, और उन्हें एक "सुपर-रोबोट" में "मर्ज" कर दिया।
परिणाम: यह नया रोबोट अक्सर मूल रोबोटों में से किसी एक की तुलना में दोनों परीक्षणों में बेहतर होता है। यह दो अलग-अलग प्रकार के रंगों को मिलाने जैसा है जिससे एक नया रंग मिलता है जिसमें दोनों के अच्छे गुण होते हैं।
सावधानी: कभी-कभी, यदि आप गलत प्रकार के परीक्षणों को मिलाते हैं (जैसे "रीफ्रेज़" टेस्ट को अन्य के साथ), तो रोबोट वास्तव में खराब हो जाता है। यह तेल और पानी को मिलाने जैसा है; वे आपस में अच्छी तरह से नहीं मिलते।

सारांश

शोध पत्र निष्कर्ष निकालता है कि AI में ईमानदारी केवल एक चीज़ नहीं है। आप केवल यह नहीं कह सकते कि "यह AI 90% ईमानदार है।" आपको यह निर्दिष्ट करना होगा कि आपने इसे कैसे मापा है।

यदि आप एक ऐसा रोबोट चाहते हैं जो सामान्य रूप से विश्वसनीय हो, तो उसे अपनी आंतरिक स्मृति (Parametric) के बारे में ईमानदार होने के लिए प्रशिक्षित करना सबसे प्रभावी तरीका है।
यदि आप केवल इसे सतह (Contextual) पर अच्छा दिखने के लिए प्रशिक्षित करते हैं, तो आप भाग्यशाली हो सकते हैं, लेकिन आप इस तथ्य को भी मिस कर सकते हैं कि वह गहराई में अभी भी तर्क बनाने का दिखावा कर रहा है।

लेखकों ने एक टूल बनाया है जिसे FaithMATE कहा जाता है ताकि हम इन रोबोटों को बेहतर ढंग से प्रशिक्षित कर सकें और यह समझ सकें कि हमें वास्तव में किस प्रकार की "ईमानदारी" मिल रही है।

तकनीकी सारांश: अनुकूलन के तहत प्रासंगिक (Contextual) और पैरामीट्रिक (Parametric) चेन-ऑफ-थॉट (CoT) निष्ठा के बीच अंतर्संबंधों की जांच

समस्या विवरण

चेन-ऑफ-थॉट (CoT) तर्क (reasoning) ने LLM प्रदर्शन को बेहतर बनाने में प्रभावशीलता सिद्ध की है, फिर भी एक गंभीर चिंता बनी हुई है: CoT निष्ठा (faithfulness)। यह इस बात को संदर्भित करता है कि क्या उत्पन्न तर्क चरण वास्तव में मॉडल की अंतर्निary गणना प्रक्रिया को दर्शाते हैं या केवल संभावित पोस्ट-हॉक औचित्य (post-hoc rationalizations) के रूप में कार्य करते हैं।

CoT निष्ठा का वर्तमान मूल्यांकन दो विलगित प्रतिमानों (paradigms) में विभाजित है:

प्रासंगिक निष्ठा (Contextual Faithfulness): इसका मूल्यांकन इनपुट या तर्क पथ (reasoning trace) में व्यवधान डालकर (जैसे, त्रुटियां डालना, पैराफ्रेसिंग करना, या संकेत इंजेक्ट करना) और यह देखकर किया जाता है कि क्या मॉडल का उत्तर बदल जाता है। यह तर्क पथ और आउटपुट के बीच निरंतरता को मापता है लेकिन मॉडल के आंतरिक पैरामीट्रिक ज्ञान की अनदेखी करता है।
पैरामीट्रिक निष्ठा (Parametric Faithfulness): इसका मूल्यांकन मॉडल के पैरामीट्रिक ज्ञान में हस्तक्षेप करके (जैसे, एक विशिष्ट तर्क चरण के आधार पर अंतर्निहित ज्ञान को अनलर्न/unlearn करना) यह देखने के लिए किया जाता है कि क्या उत्तर बदल जाता है। यह आंतरिक तंत्र को लक्षित करता है लेकिन CoT में स्पष्ट रूप से व्यक्त किए गए ज्ञान तक ही सीमित है, जिससे उन अप्राव्यक्त कारकों को अनदेखा किया जा सकता है जो पीढ़ी (generation) को आकार देते हैं।

पूर्व के कार्यों ने मुख्य रूप से स्थिर CoTs पर इन प्रतिमानों की वर्णनात्मक तुलना की है, जिससे अनुकूलन के दौरान उनके बीच होने वाली अंतःक्रिया को समझने में एक अंतराल रह गया है। यह स्पष्ट नहीं है कि एक प्रतिमान के लिए अनुकूलन करने से दूसरे में लाभ होता है या ये प्रतिमान परस्पर विरोधी गुणों को पुरस्कृत करते हैं।

कार्यप्रणाली: FaithMATE ढांचा

इसे संबोधित करने के लिए, लेखक FaithMATE (Faithfulness Metric Alignment and Transfer Evaluation) पेश करते हैं, जो एक एकीकृत प्राथमिकता-संरेखण इंटरफेस है जिसे मॉडल को या तो प्रासंगिक या पैरामीट्रिक निष्ठा की ओर अनुकूलित करने और इन लाभों के हस्तांतरण का मूल्यांकन करने के लिए डिज़ाइन किया गया है।

यह ढांचा चार प्रमुख चरणों में कार्य करता है:

CoT सैंपलिंग: प्रत्येक इनपुट के लिए, बेस मॉडल $m$ CoTs का एक सेट सैंपल करता है।
निष्ठा मूल्यांकन: प्रत्येक सैंपल किए गए CoT को मेट्रिक्स ( $\mathcal{F}$ $F$ ) के एक समूह का उपयोग करके स्कोर किया जाता है। इस समूह में शामिल हैं:
- प्रासंगिक मेट्रिक्स (Contextual Metrics): भ्रष्टाचार-आधारित (Early Answering, Adding Mistake, Paraphrasing, Filler Token) और एट्रिब्यूशन-आधारित (CC-SHAP)।
- पैरामीट्रिक मेट्रिक्स (Parametric Metrics): तर्क चरणों को अनलर्न करने पर आधारित बाइनरी ( $f_{hard}$ ) और निरंतर ( $f_{cont}$ ) माप।
वरीयता युग्म निर्माण (Preference Pair Construction): एक चुने हुए प्रशिक्षण मेट्रिक ( $F_{train}$ ) के लिए, सबसे निष्ठावान CoT को "चुना गया" रिस्पॉन्स ( $y_w$ ) और सबसे कम निष्ठावान को "अस्वीकृत" रिस्पॉन्स ( $y_l$ ) के रूप में चुना जाता है।
अनुकूलन (Optimization): मॉडल को चुने गए CoTs पर सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) या निर्मित युग्मों का उपयोग करके डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन (DPO) का उपयोग करके अनुकूलित किया जाता है।

मुख्य जांच निष्ठा लाभ हस्तांतरण ( $\delta$ ) है: एक विशिष्ट मेट्रिक $f_i$ के लिए अनुकूलित करने के बाद, मॉडल का अन्य सभी मेट्रिक्स ( $f_j$ ) पर मूल्यांकन किया जाता है ताकि $\delta(f_i, f_j) = f_j(c') - f_j(c)$ को मापा जा सके, जहाँ $c'$ अनुकूलित मॉडल का आउटपुट है और $c$ बेस मॉडल है।

मुख्य योगदान

एकीकृत अनुकूलन इंटरफेस: FaithMATE दोनों प्रासंगिक और पैरामीट्रिक निष्ठा उद्देश्यों की ओर LLMs को व्यवस्थित रूप से अनुकूलित करने के लिए पहला ढांचा प्रदान करता है, जिससे उनके अंतर्संबंध का नियंत्रित अध्ययन संभव होता है।
असममित युग्मन की खोज (Asymmetric Coupling Discovery): अध्ययन से पता चलता है कि जबकि दोनों प्रतिमान सकारात्मक रूप से जुड़े हुए हैं, वे असममित हैं। पैरामीट्रिक निष्ठा के लिए अनुकूलित करने से दोनों प्रतिमानों में निरंतर लाभ होता है। इसके विपरीत, प्रासंगिक निष्ठा के लिए अनुकूलित करने से परिवर्तनशील लाभ होते हैं; एक प्रासंगिक मेट्रिक पर सुधार लगातार अन्य मेट्रिक्स में हस्तांतरित नहीं होता है।
प्रासंगिक मेट्रिक्स की आंतरिक असंगतता: लेखक प्रदर्शित करते हैं कि प्रासंगिक निष्ठा मेट्रिक्स निष्ठा के अलग-अलग पहलुओं को कैप्चर करते हैं। उदाहरण के लिए, "Adding Mistake" के लिए अनुकूलित करने से कभी-कभी "Paraphrasing" के प्रदर्शन में गिरावट आ सकती है, जो यह सुझाव देता है कि ये मेट्रिक्स एक एकल लेटेंट मात्रा के लिए विनिमेय प्रॉक्सी नहीं हैं।
यांत्रिक विभेदन (Mechanistic Differentiation): गुणात्मक विश्लेषण दिखाता है कि प्रासंगिक लाभ मुख्य रूप से बेहतर तर्क-उत्तर निरंतरता और पोस्ट-हॉक औचित्य के शमन (mitigation) से आते हैं। इसके विपरीत, पैरामीट्रिक लाभ कार्य-प्रासंगिक तथ्यों और ज्ञान में अधिक स्पष्ट ग्राउंडिंग से उत्पन्न होते हैं।
मॉडल मर्जिंग रणनीति: पेपर विभिन्न प्रासंगिक मेट्रिक्स के लिए अनुकूलित मॉडलों के टास्क-अरिथमेटिक मर्जिंग का अन्वेषण करता है। यह पाता है कि "Early Answering" और "Filler Token" के लिए अनुकूलित मॉडलों को मर्ज करने से निष्ठा लाभ बढ़ जाता है, जबकि "Paraphrasing" को शामिल करने से अक्सर लाभ कम हो जाता है, जो संभवतः विपरीत पैरामीटर अपडेट दिशाओं के कारण है।

प्रयोगात्मक परिणाम

प्रयोग तीन मॉडलों (Gemma3-4B, Qwen2.5-7B, Llama3.1-8B) पर दो डेटासेट्स (OpenBookQA, LogiQA) और छह निष्ठा मेट्रिक्स का उपयोग करके किए गए।

क्रॉस-प्रतिमान हस्तांतरण (Cross-Paradigm Transfer):
- पैरामीट्रिक $\Rightarrow$ प्रासंगिक: अत्यधिक सुसंगत। पैरामीट्रिक निष्ठा के लिए अनुकूलित करने से OpenBookQA पर 28/30 मामलों में और LogiQA पर 24/25 मामलों में प्रासंगिक निष्ठा में सुधार हुआ।
- प्रासंगिक $\Rightarrow$ पैरामीट्रिक: सकारात्मक लेकिन अत्यधिक परिवर्तनशील। जबकि 32/48 मामलों में सकारात्मक हस्तांतरण दिखा, परिमाण विशिष्ट प्रासंगिक मेट्रिक (जैसे, "Filler Token" का अच्छा हस्तांतरण हुआ, जबकि "Adding Mistake" का खराब हुआ) के आधार पर काफी भिन्न था।
प्रतिमान-के-भीतर हस्तांतरण (Within-Paradigm Transfer - प्रासंगिक):
- लाभ विभिन्न प्रासंगिक मेट्रिक्स के बीच लगातार हस्तांतरित नहीं हुए। उदाहरण के लिए, "Paraphrasing" के लिए अनुकूलित करने से "Adding Mistake" स्कोर में विश्वसनीय रूप से सुधार नहीं हुआ, और कुछ मामलों में, दोनों मेट्रिक्स के बीच तनाव था।
प्रशिक्षण प्रतिमान:
- DPO ने निष्ठा लाभ उत्पन्न करने में SFT की तुलना में लगातार बेहतर प्रदर्शन किया, जो बताता है कि कंट्रास्टिव सिग्नल (उच्च बनाम निम्न निष्ठा के बीच अंतर करना) सरल लाइकलीहुड मैक्सिमाइजेशन की तुलना में अधिक प्रभावी हैं।
कार्य प्रदर्शन (Task Performance):
- निष्ठा अनुकूलन ने समग्र कार्य सटीकता को काफी हद तक संरक्षित या बेहतर बनाया, जिसमें कोई महत्वपूर्ण गिरावट नहीं देखी गई।

महत्व और दावे

पेपर का दावा है कि CoT निष्ठा एक अखंड (monolithic) उद्देश्य नहीं है। निष्कर्ष संकेत देते हैं कि:

पैरामीट्रिक निष्ठा व्यापक सामान्यीकरण के लिए एक अधिक विश्वसनीय लक्ष्य है, क्योंकि यह लगातार पैरामीट्रिक और प्रासंगिक दोनों उपायों में सुधार करती है।
प्रासंगिक निष्ठा संबंधित लेकिन विशिष्ट गुणों का एक परिवार है। मूल्यांकन या अनुकूलन के लिए एकल प्रासंगिक मेट्रिक पर निर्भर रहना अपर्याप्त और संभावित रूप से भ्रामक है, क्योंकि एक क्षेत्र में सुधार दूसरे क्षेत्रों में सुधार को प्रतिबिंबित नहीं कर सकता है।
बहुआयामी अनुकूलन (Multifaceted Optimization) आवश्यक है। चूंकि विभिन्न मेट्रिक्स अलग-अलग अंतर्निहित व्यवहारों (जैसे, तर्क निरंतरता बनाम तथ्यात्मक ग्राउंडिंग) को पुरस्कृत करते हैं, इसलिए CoT निष्ठा में सुधार के लिए एक व्यापक दृष्टिकोण की आवश्यकता है, जो संभवतः मॉडल मर्जिंग या मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन जैसी तकनीकों के माध्यम से संभव है।

लेखक निष्कर्ष निकालते हैं कि FaithMATE को ऐसे निष्ठा उद्देश्यों को विकसित करने के लिए एक आधार के रूप में कार्य करता है जो पैरामीट्रिक रूप से ग्राउंडेड और प्रासंगिक रूप से सुदृढ़ हों, जिससे व्यक्तिगत निष्ठा मेट्रिक्स की वैधता के बारे में अधिक सटीक रूप से परिभाषित दावे किए जा सकें।