💬 NLP

Better with Experience: Self-Evolving LLM Agents for Evidence-Grounded Health Community Notes

यह शोध पत्र EvoNote को प्रस्तुत करता है, जो एक स्व-विकसित (self-evolving) LLM एजेंट फ्रेमवर्क है जो सूक्ष्म-स्तरीय क्रेडिट असाइनमेंट (fine-grained credit assignment) वाले अनुभव स्मृति (experience memory) का लाभ उठाकर साक्ष्य-आधारित स्वास्थ्य कम्युनिटी नोट्स (health Community Notes) उत्पन्न करता है, जो एक नए मल्टीमॉडल बेंचमार्क पर मानव-लिखित नोट्स की तुलना में बेहतर उपयोगिता और काफी तेज़ उत्पादन समय प्राप्त करता है।

मूल लेखक: Zihang Fu, Fanxiao Li, Jianyang Gu, Haonan Wang, Preslav Nakov, Bryan Hooi, Min-Yen Kan, Jiaying Wu

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zihang Fu, Fanxiao Li, Jianyang Gu, Haonan Wang, Preslav Nakov, Bryan Hooi, Min-Yen Kan, Jiaying Wu

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 शोध पत्र "Better with Experience: Self-Evolving LLM Agents for Evidence-Grounded Health Community Notes" का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी समस्या: "भुलक्कड़" तथ्य-जांचकर्ता (The "Amnesiac" Fact-Checker)

कल्पित कीजिए कि सोशल मीडिया पर स्वास्थ्य संबंधी गलत सूचनाओं (जैसे टीकों या चमत्कारी उपचारों के बारे में झूठे दावे) को रोकने के लिए तथ्य-जांचकर्ताओं (fact-checkers) की एक टीम काम कर रही है।

वर्तमान में, ये AI तथ्य-जांचकर्ता भुलक्कड़ इंटर्न (amnesiac interns) की तरह काम करते हैं। हर बार जब उन्हें तथ्य-जांच के लिए एक नया पोस्ट मिलता है, तो वे शून्य से शुरुआत करते हैं। वे वह नहीं याद रखते जो उन्होंने कल सीखा था।

परिदृश्य: एक इंटर्न "चमत्कारी कैंसर उपचार" के बारे में एक पोस्ट की जांच करता है और सीखता है कि स्रोत फर्जी है।
अगले दिन: एक अलग इंटर्न (या वही इंटर्न जिसका "रीसेट" हुआ मस्तिष्क है) एक समान पोस्ट देखता है जो किसी अन्य "चमत्कारी उपचार" के बारे में है। उन्हें फिर से सब कुछ शून्य से सीखना पड़ता है, जिससे वे अक्सर वही गलतियाँ दोहराते हैं या उन्हीं रेड फ्लैग्स (चेतावनी संकेतों) को पहचानने में चूक जाते हैं।

यह प्रक्रिया धीमी, अक्षम है और लोगों को लंबे समय तक गलत जानकारी के प्रति असुरक्षित छोड़ देती है।

समाधान: EVONOTE (एक "अनुभवी दिग्गज")

लेखकों ने EVONOTE नामक एक नया सिस्टम बनाया है। इसे एक इंटर्न के रूप में नहीं, बल्कि एक अनुभवी जासूस (seasoned veteran detective) के रूप में सोचें जो एक विस्तृत और व्यवस्थित केस फाइल रखता है।

काम पूरा होने के बाद सब कुछ भूल जाने के बजाय, EVONOTE हर तथ्य-जांच कार्य को एक सबक के रूप में लेता है। यह इस बात की "मेमोरी बैंक" बनाता है कि क्या काम आया और क्या नहीं, ताकि यह हर उस पोस्ट के साथ और स्मार्ट हो सके जिसे यह सुधारता है।

यह कैसे काम करता है: तीन-चरणीय लूप (The Three-Step Loop)

EVONOTE एक निरंतर लूप में काम करता है, ठीक वैसे ही जैसे एक जासूस केस सुलझाता है और अपनी हैंडबुक अपडेट करता है:

1. जांच (The Investigation - द एजेंट)
जब कोई चिह्नित पोस्ट आता है, तो EVONOTE केवल अनुमान नहीं लगाता। यह एक जासूस की तरह कार्य करता है:

दावे का विश्लेषण करना: "यह व्यक्ति वास्तव में क्या कह रहा है?"
साक्ष्य जुटाना: यह सच्चाई खोजने के लिए वेब सर्च करता है, वेबसाइटों पर जाता है और वैज्ञानिक शोध पत्रों को पढ़ता है।
नोट लिखना: यह सोशल मीडिया पोस्ट के लिए एक सुधार (correction) का मसौदा तैयार करता है।

2. प्रदर्शन समीक्षा (The Performance Review - द जज)
एक बार नोट लिख दिए जाने के बाद, एक "सोशल यूटिलिटी जज" (एक स्मार्ट AI मूल्यांकनकर्ता) काम की समीक्षा करता है। यह केवल यह नहीं पूछता, "क्या यह सच है?" बल्कि यह स्वास्थ्य संचार के आधार पर चार गहरे प्रश्न पूछता है:

समझने योग्य (Understandable): क्या यह एक आम व्यक्ति के पढ़ने के लिए आसान है?
सार्थक (Meaningful): क्या यह समझाता है कि उनके स्वास्थ्य के लिए यह क्यों महत्वपूर्ण है?
उपयोगी (Usable): क्या यह लोगों को बताता है कि आगे सुरक्षित कदम क्या उठाने चाहिए?
विश्वसनीय (Trustworthy): क्या यह स्वीकार करता है कि यदि विज्ञान 100% स्पष्ट नहीं है तो अनिश्चितता मौजूद है?

3. सीखा गया सबक (The Lesson Learned - द मेमोरी इवॉल्वर)
यही जादू वाला हिस्सा है। जज फीडबैक देता है, और एक "मेमोरी इवॉल्वर" उस फीडबैक को एक पुन: प्रयोज्य नियम (reusable rule) में बदल देता है।

उदाहरण: यदि AI ने पिछले किसी मामले में उद्धरण (quote) के संदर्भ (context) की जांच करने में चूक की थी, तो मेमोरी इवॉल्वर एक नियम बनाता है: "जब कोई पोस्ट किसी उद्धरण का उपयोग करती है, तो लिखने से पहले हमेशा पूर्ण संदर्भ की जांच करें।"
यह नियम मेमोरी बैंक में संग्रहीत किया जाता है। अगली बार जब ऐसा ही कोई पोस्ट आता है, तो सिस्टम स्वचालित रूप से इस नियम को निकाल लेता है और इसे लागू करता है, जिससे वही गलती दोबारा होने से बच जाती है।

परिणाम: तेज़ और बेहतर

शोधकर्ताओं ने 1,200 वास्तविक स्वास्थ्य पोस्ट (टेक्स्ट, इमेज और वीडियो) के एक डेटासेट पर EVONOTE का परीक्षण किया, जिन्हें पहले से ही मनुष्यों द्वारा तथ्य-जांच (fact-check) किया जा चुका था।

इंसानों को पछाड़ना: लगभग 90% मामलों में, EVONOTE द्वारा बनाए गए नोट्स को मूल मानव-लिखित नोट्स की तुलना में बेहतर रेटिंग दी गई।
गति: जबकि मनुष्यों को सुधार पर सहमति बनाने में औसतन 13 घंटे लगते हैं, EVONOTE 2 मिनट से भी कम समय में एक उच्च गुणवत्ता वाला मसौदा तैयार कर सकता है।
बेहतर साक्ष्य: EVONOTE न केवल तेजी से लिखता था; इसने बेहतर स्रोत भी खोजे। यह आधिकारिक स्वास्थ्य संगठनों (जैसे CDC) को उद्धृत करने में अधिक सक्षम था और संदिग्ध समाचार साइटों पर निर्भर रहने की संभावना कम थी।

"कैप्शन" वाली ट्रिक (The "Caption" Trick)

एक दिलचस्प खोज छवियों और वीडियो के बारे में थी। यह सिस्टम तब सबसे अच्छा काम करता है जब यह विश्लेषण करने से पहले छवियों/वीडियो को टेक्स्ट विवरण (कैप्शन) में बदल देता है।

उपमा: कल्पना कीजिए कि आप मोटे धुंधले चश्मे पहनकर एक पहेली (puzzle) सुलझाने की कोशिश कर रहे हैं (एक सीधा वीडियो AI)। इसमें टुकड़ों को देखना कठिन है। EVONOTE उन धुंधले चश्मों को उतार देता है, एक इंसान से तस्वीर का स्पष्ट वर्णन करवाता है, और फिर पहेली सुलझाता है। इसने सिस्टम को बहुत अधिक विश्वसनीय बना दिया।

निचोड़ (The Bottom Line)

यह शोध पत्र तर्क देता है कि स्वास्थ्य संबंधी गलत सूचनाओं से लड़ना "रीसेट और रिट्राई" (शून्य से शुरू करने) का खेल नहीं होना चाहिए। इसके बजाय, हमें ऐसे सिस्टम की आवश्यकता है जो अपने स्वयं के इतिहास से सीख सकें।

हर तथ्य-जांच एपिसोड को एक पुन: प्रयोज्य सबक में बदलकर, EVONOTE एक स्व-सुधार चक्र (self-improving cycle) बनाता है। यह सुनिश्चित करता है कि अगली बार जब वैसा ही कोई झूठ सामने आता है, तो सिस्टम पहले से ही उसे पहले से अधिक तेज़ी और सटीकता से बेनकाब करने के लिए तैयार हो।

यह शोध पत्र क्या दावा नहीं करता है:

यह दावा नहीं करता कि यह सिस्टम वर्तमान में सभी उपयोगकर्ताओं के लिए X (ट्विटर) पर तैनात है।
यह दावा नहीं करता कि यह पूरी तरह से मानव डॉक्टरों या तथ्य-जांचकर्ताओं की जगह लेता है; यह सुझाव देता है कि यह उनकी मदद करने के लिए एक उपकरण है।
यह दावा नहीं करता कि यह राजनीतिक या वित्तीय झूठ के लिए भी काम करता है; यह अध्ययन विशेष रूप से स्वास्थ्य संबंधी गलत सूचनाओं पर केंद्रित था।

तकनीकी सारांश: अनुभव के साथ बेहतर: साक्ष्य-आधारित स्वास्थ्य सामुदायिक नोट्स के लिए स्व-विकसित LLM एजेंट

1. समस्या विवरण

सोशल प्लेटफॉर्म पर स्वास्थ्य संबंधी गलत सूचनाओं (misinformation) के लिए समय पर, साक्ष्य-आधारित और उपयोगकर्ता के समझने योग्य सुधारों की आवश्यकता होती है। जबकि X (पूर्व में ट्विटर) के कम्युनिटी नोट्स एक स्केलेबल गवर्नेंस प्रतिमान (paradigm) प्रदान करते हैं, वर्तमान लार्ज लैंग्वेज मॉडल (LLM)-संवर्धित दृष्टिकोण एक महत्वपूर्ण सीमा से ग्रस्त हैं: वे एक वन-पास प्रतिमान (one-pass paradigm) के तहत कार्य करते हैं। प्रत्येक पोस्ट को एक अलग मामले के रूप में माना जाता है, जिससे एजेंट की स्थिति (state) रीसेट हो जाती है और पिछले मामलों से प्राप्त उपयोगी सुधार अनुभव को त्याग दिया जाता है।

यह सूत्रीकरण स्वास्थ्य गलत सूचना शासन की वास्तविकता के साथ तालमेल बिठाने में विफल रहता है, जहाँ भ्रामक दावे अक्सर समान बयानबाजी रणनीतियों (rhetorical strategies) और साक्ष्य आवश्यकताओं के माध्यम से कालानुक्रमिक रूप से दोहराए जाते हैं। फलस्वरूप, बाद के सुधार बार-बार होने वाली, टालने योग्य त्रुटियों के प्रति संवेदनशील बने रहते हैं क्योंकि सिस्टम पिछले, सफल मानव-लिखित नोट्स से प्राप्त हस्तांतरणीय साक्ष्य-खोज और लेखन रणनीतियों का लाभ नहीं उठा पाता है।

2. कार्यप्रणाली: EVONOTE ढांचा

लेखक EVONOTE पेश करते हैं, जो एक एजेंटिक ढांचा है जिसे स्व-विकसित स्वास्थ्य कम्युनिटी नोट्स जनरेशन को सक्षम करने के लिए डिज़ाइन किया गया है। पिछले दस्तावेजों या पूर्ण प्रक्षेपवक्र (trajectories) के निष्क्रिय पुनर्प्राप्ति (passive retrieval) पर निर्भर करने वाले पूर्ववर्ती तरीकों के विपरीत, EVONOTE सूक्ष्म-स्तरीय क्रेडिट असाइनमेंट (fine-grained credit assignment) को लागू करता है ताकि प्रक्षेपवक्र-स्तरीय फीडबैक को क्रियाशील, चरण-विशिष्ट मेमोरी में बदला जा सके।

मुख्य घटक

नोट-जनरेशन एपिसोड सूत्रीकरण:
प्रत्येक एपिसोड $k$ में एक फ्लैग किया गया पोस्ट $x_k$ (टेक्स्ट, इमेज, या वीडियो) शामिल है जिसे एक एकीकृत टेक्स्ट प्रतिनिधित्व $\tilde{x}_k$ में परिवर्तित किया जाता है। एजेंट एक प्रक्षेपवक्र $\tau_k$ उत्पन्न करता है जिसमें शामिल हैं:
- दावा विश्लेषण ( $c_k$ ): जांच योग्य दावों और प्राथमिकता वाले साक्ष्य आवश्यकताओं की विशिष्ट पहचान।
- एक्शन हिस्ट्री ( $H_k$ ): खोज (search) और विज़िट (visit) कार्यों का एक क्रम।
- साक्ष्य ( $E_k$ ): एकत्रित वेब साक्ष्य।
- अंतिम नोट ( $y_k$ ): जनरेट किया गया कम्युनिटी नोट।
सोशल यूटिलिटी जज (प्रक्षेपवक्र-स्तरीय मूल्यांकन):
एक विशेष एजेंट पूर्ण प्रक्षेपवक्र का पूर्व स्वास्थ्य संचार साहित्य के आधार पर चार स्वास्थ्य-विशिष्ट नोट गुणों के विरुद्ध मूल्यांकन करता है:
- समझने की क्षमता (Understandability): गैर-विशेषज्ञों के लिए भाषा की सुलभता।
- सार्थकता (Meaningfulness): स्वास्थ्य व्याख्या और जोखिम धारणा पर स्पष्टता।
- उपयोगिता (Usability): सुरक्षित, आनुपातिक अगले-चरण मार्गदर्शन का प्रावधान।
- विश्वसनीयता (Trustworthiness): अनिश्चितता के तहत साक्ष्य का अंशांकित (calibrated) उपयोग।
जज एक यूटिलिटी मोड ( $u_k$ ) असाइन करता है: असंतोषजनक (Unsatisfactory), संतोषजनक (Satisfactory), या उत्कृष्ट (Excellent)। यह मोड एक रूटिंग सिग्नल के रूप में कार्य करता है, जो यह निर्धारित करता है कि क्या एपिसोड को विफलता-परिहार (failure-avoidance), सुधार-उन्मुख (improvement-oriented), या सफलता-पुन:उपयोग (success-reuse) मेमोरी में योगदान देना चाहिए।
मेमोरी इवॉल्वर (एक्शन-स्तरीय आसवन/Distillation):
मेमोरी इवॉल्वर प्रक्षेपवक्र और यूटिलिटी मोड को पुन: प्रयोज्य मेमोरी आइटम्स के सेट $\Delta M_k$ में परिवर्तित करता है। प्रत्येक आइटम एक टुपल (tuple) के रूप में संरचित है:
- ट्रिगर (Trigger): एक स्थिति जो पहचानती है कि मेमोरी कब लागू होती है (जैसे, "पोस्ट एक विशिष्ट सांख्यिकी का उपयोग करता है जो एक कारण संबंध (causal link) का संकेत देती है")।
- एक्शन रणनीति (Action Strategy): एक पुन: प्रयोज्य सुधार रणनीति (जैसे, "प्राथमिक स्रोत के विरुद्ध सांख्यिकी को सत्यापित करें")।
- चरण (Phase): वह विशिष्ट जनरेशन स्टेज जिसे रणनीति निर्देशित करती है (दावा विश्लेषण, साक्ष्य प्राप्ति, या नोट लेखन)।
मेमोरी-निर्देशित जनरेशन:
इन्फरेंस के समय, एजेंट वर्तमान पोस्ट और निर्णय अवस्था के आधार पर प्रासंगिक मेमोरी को पुनः प्राप्त करता है।
- क्लेम एनालाइजर (Claim Analyzer): रिट्रीव किए गए क्लेम एनालिसिस मेमोरी का उपयोग करके एक सत्यापन ब्रीफ (verification brief) तैयार करता है।
- नोट राइटर (Note Writer): सर्च क्वेरी, सोर्स प्रायोरिटी और नोट फ्रेमिंग को निर्देशित करने के लिए एविडेंस एक्विजिशन और नोट राइटिंग मेमोरी का उपयोग करता है।
- बजट बाधाएं (Budget Constraints): एजेंट सख्त खोज और विज़िट बजट के तहत कार्य करता है, जिससे दक्षता सुनिश्चित होती है।
क्लोज्ड-लूप स्व-विकास (Closed-Loop Self-Evolution):
सिस्टम एक क्लोज्ड लूप बनाता है जहाँ एपिसोड $k+1$ का प्रक्षेपवط $k+2$ के लिए अनुभव का स्रोत बनता है। यह सिस्टम को मॉडल पैरामीटर्स को अपडेट किए बिना या फिक्स्ड ह्यूमन नोट्स के बैंक पर निर्भर रहे बिना, सुधार अनुभव को संचित करने की अनुमति देता है।

3. बेंचमार्क: MM-HEALTHCN

EVONOTE के मूल्यांकन के लिए, लेखकों ने MM-HEALTHCN क्यूरेट किया है, जो 1,200 उदाहरणों वाला एक मल्टीमॉडल बेंचमार्क है:

संरचना: 400 टेक्स्ट, 400 इमेज, और 400 वीडियो पोस्ट।
डेटा: मानव-लिखित कम्युनिटी नोट्स और क्राउड-डेरिव्ड हेल्पफुलनेस लेबल्स ("Helpful" या "Not Helpful") के साथ युग्मित (paired) यूजर-फ्लैग किए गए स्वास्थ्य पोस्ट।
मूल्यांकन प्रोटोकॉल: एक पदानुक्रमित यूटिलिटी जज पहले लंबाई अनुपालन (280 वर्ण) के लिए फ़िल्टर करता है, फिर साक्ष्य प्रासंगिकता, साक्ष्य शुद्धता, और नोट-शैली की उपयोगिता का आकलन करता है। एक पेयरवाइज सोशल यूटिलिटी जज चार स्वास्थ्य-विशिष्ट गुणों (समझने की क्षमता, सार्थकता, उपयोगिता, विश्वसनीयता) के आधार पर नोट्स की तुलना करता है।

4. प्रमुख परिणाम

प्रयोग MM-HEALTHCN पर मानव-लिखित नोट्स, वेब-सर्च-सक्षम LLMs (GPT-4.1, Grok-4.3, Gemini-2.5-Flash), और मौजूदा LLM-संवर्धित नोट जनरेशन सिस्टम (CrowdNotes+, DeepResearch, ExpRAG, ReMem) के विरुद्ध EVONOTE की तुलना करते हैं।

मानव नोट्स पर श्रेष्ठता: एक मानव-सत्यापित पदानुक्रमित यूटिलिटी जज के तहत, EVONOTE-जनरेटेड नोट्स 89.6% मामलों में संबंधित मानव-लिखित नोट्स की तुलना में पसंद किए गए।
अनसुलझे मामलों पर प्रदर्शन: "Needs More Ratings" वाले पोस्ट के एक अलग सेट पर (जहाँ क्राउड कंसेंसस अभी तक नहीं बना है), EVONOTE ने 82.0% मामलों में सहायक नोट्स बनाए, जिससे मानव सहमति बनने से पहले कवरेज में महत्वपूर्ण सुधार हुआ।
दक्षता: EVONOTE ने एक कैंडिडेट सुधार को तैयार करने के लिए औसत समय को मानव-नोट पाइपलाइन के 13 घंटे से अधिक से घटाकर 2 मिनट से कम कर दिया।
साक्ष्य की गुणवत्ता: EVONOTE ने अन्य बेसलाइन्स की तुलना में मजबूत साक्ष्य प्रोफाइल प्रदर्शित किया, जिससे उच्च सोर्स क्वालिटी, डोमेन विविधता और सिमेंटिक विविधता प्राप्त हुई। इसने केवल उद्धरणों (citations) की संख्या बढ़ाकर नहीं, बल्कि अधिक विविध और उच्च-गुणवत्ता वाले स्रोतों का उपयोग किया।
एब्लेशन स्टडीज (Ablation Studies): विकसित मेमोरी (EVONOTE-NM) या इंस्टेंस-विशिष्ट क्लेम एनालाइजर (EVONOTE-NM-NA) को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि हुई कि संचित अनुभव और स्पष्ट सत्यापन योजना दोनों ही आवश्यक हैं।
मल्टीमॉडल हैंडलिंग: पेपर में पाया गया कि इस कार्य के लिए प्रत्यक्ष मल्टीमॉडल VLM इंस्टेंशिएशन अविश्वसनीय था। छवियों/वीडियो को टेक्स्ट में बदलने के लिए मानव-सत्यापित कैप्शन का उपयोग करना और फिर एक मेडिकल-सक्षम LLM (MedGemma-27B) द्वारा प्रोसेस करना, काफी अधिक विश्वसनीय प्रक्षेपवक्र प्रदान करता है।

5. महत्व और दावे

यह पेपर स्व-विकसित नोट जनरेशन को स्वास्थ्य गलत सूचना शासन के लिए एक आशाजनक प्रतिमान के रूप में प्रस्तुत करता है। इसके प्राथमिक योगदान और दावे हैं:

संचयी सुधार (Cumulative Correction): लेखक प्रदर्शित करते हैं कि गलत सूचना सुधार संचयी हो सकता है। एजेंटिक सुधार प्रक्षेपवक्यों को पुन: प्रयोज्य मेमोरी में बदलकर, सिस्टम उभरते हुए दावों के अनुकूल हो सकता है, भले ही विश्वसनीय मानव नोट्स कम या विलंबित हों।
चरण-विशिष्ट मेमोरी (Phase-Specific Memory): अध्ययन तर्क देता है कि जेनेरिक मेमोरी रिट्रीवल अपर्याप्त है। सुधार की कुंजी फीडबैक को चरण-विशिष्ट रणनीतियों (दावा विश्लेषण, साक्ष्य प्राप्ति, लेखन) में आसवन (distilling) करना है जो भविष्य के एपिसोड में विशिष्ट कार्यों को निर्देशित करती हैं।
क्रियाशील अनुभव (Actionable Experience): EVONOTE दिखाता है कि एजेंट अपने स्वयं के प्रक्षेपवक्यों से क्रियाशील रणनीतियाँ (जैसे, सांख्यिकी के लिए प्राथमिक स्रोतों को सत्यापित करना, सहसंबंध (correlation) और कारण (causation) के बीच अंतर करना) सीख सकते हैं, जो आवर्ती सुधार विफलताओं को प्रभावी ढंग से संबोधित करता है।
गवर्नेंस सिद्धांत: कार्य गलत सूचना शासन के लिए एक डिजाइन सिद्धांत प्रस्तावित करता है: "प्रत्यनीक फ्लैग किए गए पोस्ट को अगले समान पोस्ट के आने से पहले एक अनुभव बनना चाहिए।"

लेखक अपनी सीमाओं के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि सिस्टम वर्तमान में अंग्रेजी स्वास्थ्य गलत सूचना पर केंद्रित है, मुख्य रूप से अपने स्वयं के प्रक्षेपवक्यों से सीखता है (उच्च-गुणवत्ता वाले मानव सुधारों के साथ संयुक्त रूप से नहीं), और मॉडल या वर्कफ़्लो को अपडेट करने के बजाय मेमोरी स्तर पर कार्य करता है। वे इस बात पर जोर देते हैं कि EVONOTE को एक मानव-संवर्धित प्रणाली के रूप में बनाया गया है, जिसके लिए अंतिम सत्यापन और सुधारों को सामने लाने के लिए मानव निरीक्षण की आवश्यकता होती है।