Ontology-constrained multi-LLM scoring of hypothesis support in the predictive processing literature
यह शोध पत्र एक ऑन्टोलॉजी-प्रतिबंधित, मल्टी-एलएलएम (multi-LLM) पाइपलाइन प्रस्तुत करता है जो परिकल्पनाओं की एक परिभाषित शब्दावली के विरुद्ध अध्ययनों को स्कोर करके खंडित प्रेडिक्टिव कोडिंग साहित्य को संश्लेषित करता है, जिससे ऑडिट योग्य असहमति माप और मात्रात्मक साक्ष्य स्थान उत्पन्न होते हैं जिन्हें पारंपरिक मेटा-विश्लेषण हल नहीं कर सकता।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, अराजक पुस्तकालय को समझने की कोशिश कर रहे हैं जहाँ हजारों वैज्ञानिकों ने मानव मस्तिष्क द्वारा भविष्य की भविष्यवाणी करने के बारे में किताबें लिखी हैं। समस्या यह है कि ये किताबें अलग-अलग भाषाओं में लिखी गई हैं, अलग-अलग मानचित्रों का उपयोग करती हैं, और कभी-कभी एक-दूसरे का खंडन भी करती हैं। कुछ लेखक "प्रेडिक्शन एरर" (भविष्यवाणी त्रुटि) को इस तरह वर्णित करते हैं जैसे वे बिजली की चिंगारियां हों, जबकि अन्य उन्हें सांख्यिकीय संभावनाओं के रूप में वर्णित करते हैं। उन सभी को पढ़ना और यह पता लगाना कि वैज्ञानिक समुदाय वास्तव में किस बात पर सहमत है, एक विशाल पहेली को जोड़ने जैसा है जिसके टुकड़े अलग-अलग डिब्बों से आए हों।
यह शोध पत्र बताता है कि AI "लाइब्रेरियन" की एक टीम का उपयोग करके उस पहेली को कैसे हल किया जा सकता है।
समस्या: एक खंडित पुस्तकालय
लेखक एक विशिष्ट क्षेत्र पर ध्यान केंद्रित करते हैं जिसे प्रेडिक्टिव कोडिंग (Predictive Coding) कहा जाता है। यह इस विचार पर आधारित है कि हमारा मस्तिष्क लगातार अनुमान लगाता रहता है कि आगे क्या होने वाला है और केवल तभी ध्यान देता है जब वास्तविकता हमें आश्चर्यचकित करती है (जैसे एक शांत कमरे में अचानक तेज़ आवाज़ सुनाई देना)।
वर्षों से, वैज्ञानिकों ने विभिन्न उपकरणों का उपयोग करके इसका अध्ययन किया है: ब्रेन स्कैन, इलेक्ट्रिकल रिकॉर्डिंग, कंप्यूटर मॉडल और व्यवहार संबंधी परीक्षण। चूंकि ये विधियाँ इतनी भिन्न हैं, इसलिए उनके निष्कर्षों को एक स्पष्ट चित्र में संयोजित करना कठिन है। वैज्ञानिक सारांश के पारंपरिक तरीके (जिन्हें मेटा-एनालिसिस कहा जाता है) आमतौर पर यह मांग करते हैं कि सभी अध्ययन बिल्कुल एक ही तरीके से किए गए हों, जो यहाँ संभव नहीं है।
समाधान: AI लाइब्रेरियन की एक परिषद
एक मानव विशेषज्ञ द्वारा सब कुछ पढ़ने के बजाय, लेखकों ने एक लोकल मल्टी-एलएलएम पाइपलाइन (local multi-LLM pipeline) बनाई है। इसे एक "परिषद" के रूप में सोचें जिसमें दस अलग-अलग AI मॉडल (जैसे दस विशिष्ट विशेषज्ञों की एक टीम) एक सुरक्षित, निजी कमरे (लोकल निष्पादन) में मिलकर काम करते हैं ताकि कोई भी संवेदनशील डेटा उनके कंप्यूटरों से बाहर न जाए।
यहाँ बताया गया है कि उन्होंने AI टीम को कैसे काम करने के योग्य बनाया:
नियम पुस्तिका (ऑन्टोलॉजी): AI के शुरू करने से पहले, मानव लेखकों ने एक सख्त "शब्दकोश" या नियम पुस्तिका बनाई। इसने 3 la 36 विशिष्ट अवधारणाओं को परिभाषित किया जिन्हें AI को खोजना था, जिन्हें तीन मुख्य विचारों (परिकल्पनाओं) में समूहबद्ध किया गया था:
- प्रेडिक्टिव सप्रेशन (Predictive Suppression): क्या मस्तिष्क शांत हो जाता है जब वह किसी चीज़ की अपेक्षा करता है?
- फीडफॉरवर्ड एरर प्रोपेगेशन (Feedforward Error Propagation): जब मस्तिष्क आश्चर्यचकित होता है, तो क्या वह पदानुक्रम (hierarchy) में ऊपर की ओर त्रुटि संकेतों की एक "चिल्लाहट" भेजता है?
- यूबिक्विटी (Ubiquity): क्या यह "प्रेडिक्शन मशीन" मस्तिष्क में हर जगह उपयोग की जाती है, या केवल विशिष्ट स्थानों पर?
पढ़ने की प्रक्रिया: AI टीम ने 31 वैज्ञानिक शोध पत्रों को पढ़ा। उन्होंने केवल टेक्स्ट ही नहीं पढ़ा; उन्होंने डेटा को समझने के लिए आकृतियों और चार्टों (एक विशेष विज़न टूल का उपयोग करके) को भी देखा।
स्कोरिंग: प्रत्येक पेपर के लिए, प्रत्येक 10 AI मॉडल ने प्रत्येक तीन मुख्य विचारों के लिए -1 (कठोर असहमति) से +1 (कठोर सहमति) तक का स्कोर दिया। उन्हें अपने प्रमाण के लिए सटीक रूप से उद्धृत करना था कि उन्हें पेपर में कहाँ जानकारी मिली, जो एक सख्त पीयर रिव्यूअर की तरह कार्य करता है।
परिणाम: परिदृश्य का मानचित्रण
एक बार जब AI परिषद ने स्कोरिंग पूरी कर ली, तो लेखकों ने परिणामों को एक 3D मानचित्र की तरह माना।
- "लोकल" बनाम "ग्लोबल" ऑडबॉल: उन्होंने शोध पत्रों का दो अलग-अलग परिदृश्यों में परीक्षण किया:
- लोकल ऑडबॉल (Local Oddball): एक सरल आश्चर्य (जैसे बीपों की एक श्रृंखला के बीच एक बीप)।
- ग्लोबल ऑडबॉल (Global Oddball): एक जटिल, दीर्घकालिक पैटर्न का आश्चर्य (जैसे खेल के नियमों में बदलाव)।
- निष्कर्ष:
- सहमति: AI परिषद ने पाया कि अधिकांश शोध पत्र इस बात पर सहमत हैं कि मस्तिष्क "प्रेडिक्टिव सप्रेशन" करता है (जो अपेक्षित चीजों के लिए शांत हो जाता है) और त्रुटि संकेत आगे भेजता है।
- असहमति: इस बात पर बहुत कम सहमति थी कि क्या ये तंत्र मस्तिष्क में हर जगह होते हैं (यूबिक्विटी)।
- ट्विस्ट: साधारण "लोकल" आश्चर्यों के लिए सहमति, जटिल "ग्लोबल" आश्चर्यों की तुलना में बहुत अधिक मजबूत थी। "ग्लोबल" संदर्भ अधिक बिखरा हुआ और अव्यवस्थित था।
विज्ञान को मापने के नए उपकरण
लेखकों ने वैज्ञानिक साहित्य कितना "एकजुट" है, इसे मापने के लिए कुछ चतुर तरीके विकसित किए:
- हाइपोथीसिस-स्पेस टेम्परेचर (Hypothesis-Space Temperature): कल्पना कीजिए कि वैज्ञानिक शोध पत्र एक जार में गैस के कण हैं। यदि वे सभी एक कोने में सिमटे हुए हैं, तो "तापमान" कम है (उच्च सहमति)। यदि वे पूरे जार में इधर-उधर उछल रहे हैं, तो "तापमान" उच्च है (उच्च असहमति)।
- उन्होंने पाया कि सरल स्थानीय आश्चर्यों के लिए "तापमान" कम था (वैज्ञानिक सहमत हैं)।
- जटिल वैश्विक आश्चर्यों के लिए "तापमान" उच्च था (वैज्ञानिक असहमत हैं)।
- आउटलायर (Outlier): उन्होंने एक विशिष्ट पेपर (Westerberg et al., 2025) की पहचान की जो बाकी सबसे बहुत अलग था। यह मानक दृष्टिकोण से असहमत था, विशेष रूप से जटिल वैश्विक पैटर्न के संबंध में। AI परिषद ने बिना किसी मानवीय पूर्वाग्रह के इस पेपर को एक "आउटलायर" के रूप में सफलतापूर्वक चिह्नित किया।
यह क्यों महत्वपूर्ण है
यह शोध पत्र प्रदर्शित करता है कि एक सख्त मानव-निर्मित नियम पुस्तिका द्वारा निर्देशित AI मॉडलों की एक टीम, एक बिखखरे हुए वैज्ञानिक क्षेत्र को पढ़ सकती है और उसे एक साफ, मात्रात्मक मानचित्र में बदल सकती है।
- ऑडिटेबिलिटी (Auditability): क्योंकि AI मॉडल स्थानीय रूप से चल रहे हैं और अपने तर्क के लॉग रख रहे हैं, मनुष्य उनके काम की जाँच कर सकते हैं।
- असहमति को मापना: केवल यह कहने के बजाय कि "वैज्ञानिक असहमत हैं," यह पद्धति यह भी मापती है कि वे कितना असहमत हैं और असहमति कहाँ होती है।
- स्केलेबिलिटी (Scalability): यह दृष्टिकोण शोध पत्रों के अधिक संख्या में प्रबंधन को संभाल सकता जितना कि एक मानव टीम कभी भी कर सकती है, जिससे विज्ञान को नए शोध की तीव्र वृद्धि के साथ तालमेल बिठाने में मदद मिलती है।
संक्षेप में, लेखकों ने एक ऐसी मशीन बनाई है जो एक अराजक पुस्तकालय को पढ़ सकती है, किताबों को एक व्यवस्थित 3D मानचित्र में क्रमबद्ध कर सकती है, और हमें ठीक से बता सकती है कि वैज्ञानिक कहाँ एकमत हैं और वे कहाँ अभी भी बहस कर रहे हैं।
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।