💬 NLP

When Correct Decisions Hide Internal Stress: Decision-State Probing in Multimodal Language Models

यह शोध पत्र S $^3$ E फ्रेमवर्क को प्रस्तुत करता है जो यह प्रकट करता है कि मल्टीमॉडल लैंग्वेज मॉडल्स, सिमेंटिक स्ट्रेस (semantic stress) के संपर्क में आने पर, निरंतर सही बाहरी व्यवहार प्रदर्शित करते हुए भी महत्वपूर्ण आंतरिक निर्णय-अवस्था अस्थिरता (internal decision-state instability) रख सकते हैं, जो यह दर्शाता है कि केवल सतही सटीकता ही सुदृढ़ आंतरिक तर्क की गारंटी देने के लिए पर्याप्त नहीं है।

मूल लेखक: Haoran Zhao, Soyeon Caren Han, Eduard Hovy

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoran Zhao, Soyeon Caren Han, Eduard Hovy

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 सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र "When Correct Decisions Hide Internal Stress" (जब सही निर्णय आंतरिक तनाव को छिपा लेते हैं) की व्याख्या दी गई है।

मुख्य विचार: वह "आदर्श छात्र" जो अंदर से घबराया हुआ है

कल्पना कीजिए कि आप एक शिक्षक हैं जो एक छात्र के बहुविकल्पीय (multiple-choice) टेस्ट को ग्रेड दे रहे हैं। छात्र ने हर उत्तर सही दिया है। सतह पर, वे एक जीनियस दिखते हैं। वे शांत, आत्मविश्वासी और उनके अंतिम उत्तर एकदम सही हैं।

लेकिन क्या होगा अगर, उनके दिमाग के अंदर, छात्र वास्तव में घबराया हुआ है? क्या होगा अगर हर बार कोई कठिन सवाल देखते ही उनका मन भागने लगे, उन्हें पसीना आने लगे और वे संघर्ष करने लगें, भले ही अंत में वे सही उत्तर चुनने में सफल रहे हों?

पारंपरिक AI टेस्टिंग उस शिक्षक की तरह है जो केवल अंतिम उत्तर वाली शीट को देखता है। यदि उत्तर सही है, तो AI को गोल्ड स्टार मिलता है। यह पेपर तर्क देता है कि यह काफी नहीं है। सिर्फ इसलिए कि AI ने सही उत्तर दिया है, इसका मतलब यह नहीं है कि उसने सवाल को शांति से या स्थिरता के साथ समझा है। यह "सही" दिखने के बावजूद, अंदर से "तनावग्रस्त" हो सकता है।

समस्या: AI का "ब्लैक बॉक्स"

मल्टीमॉडल लैंग्वेज मॉडल्स (MLLMs) ऐसे AI सिस्टम हैं जो चित्र देख सकते हैं और टेक्स्ट पढ़ सकते हैं। आमतौर पर, हम उन्हें पूछकर टेस्ट करते हैं:

"क्या यह कैप्शन इस तस्वीर से मेल खाता है?"
"क्या यह विवरण नकली है?"

यदि AI सही ढंग से "हाँ" या "नहीं" कहता है, तो हम मान लेते हैं कि यह अच्छी तरह काम कर रहा है। लेकिन इस पेपर के लेखक कहते हैं: "ठहरिए। हमें नहीं पता कि निर्णय लेते समय मशीन के अंदर क्या चल रहा है।"

वे बाहरी व्यवहार (उत्तर) और आंतरिक अवस्था (मस्तिष्क की गतिविधि) के बीच के इस अंतर को एक "ब्लाइंड स्पॉट" (अंध बिंदु) कहते हैं।

समाधान: S3E (AI के दिमाग के लिए "स्ट्रेस टेस्ट")

लेखकों ने AI को टेस्ट करने का एक नया तरीका बनाया है जिसे S3E (स्ट्रक्चर्ड सिमेंटिक स्ट्रेस इवैल्यूएशन) कहा जाता है। S3E को केवल यह टेस्ट न समझें कि AI क्या जानता है, बल्कि यह टेस्ट समझें कि जब वह जानता है तो वह कैसा "महसूस" करता है।

यहाँ उनका प्रयोग चरण-दर-चरण बताया गया है:

1. सेटअप: "A/B" विकल्प

कल्पना कीजिए कि AI को एक लाल बिल्ली की तस्वीर दिखाई जा रही है।

विकल्प A: "एक लाल बिल्ली।" (सही उत्तर)।
विकल्प B: "एक नीला कुत्ता।" (गलत उत्तर)।

AI 'A' चुनता है। आसान है।

2. तनाव: "ट्रिकी" व्याकुलता (Distraction)

अब, शोधकर्ता एक "स्ट्रेस कैंडिडेट" (तनाव पैदा करने वाला विकल्प) बनाते हैं। यह एक ऐसा वाक्य है जो सच्चाई के बहुत करीब दिखता है लेकिन इसमें एक छिपा हुआ जाल होता है।

विकल्प A: "एक लाल बिल्ली।"
विकल्प B: "एक लाल कुत्ता।" (रंग सही है, लेकिन जानवर गलत है)।

यह एक "सिमेंटिक स्ट्रेस" टेस्ट है। AI को यह देखने के लिए बारीकी से देखना होगा कि बिल्ली और कुत्ते के बीच क्या अंतर है।

3. ट्विस्ट: क्रम बदलना

यह सुनिश्चित करने के लिए कि AI केवल अंदाज़ा नहीं लगा रहा है या पहले विकल्प को प्राथमिकता नहीं दे रहा है, वे क्रम बदल देते हैं:

ट्रायल 1: A = लाल बिल्ली, B = लाल कुत्ता।
ट्रायल 2: A = लाल कुत्ता, B = लाल बिल्ली।

यदि AI दोनों ट्रायल्स में "लाल बिल्ली" चुनता है, तो वह "स्ट्रिक्ट-करेक्ट" (कठोर-सही) टेस्ट पास कर लेता है। विकल्पों को इधर-उधर करने के बावजूद उसने सही उत्तर चुना।

4. सीक्रेट प्रोब: "उत्तर-पूर्व" मस्तिष्क की जांच

यही सबसे जादुई हिस्सा है। जब AI सोच रहा होता है लेकिन "A" या "B" क्लिक करने से ठीक पहले, शोधकर्ता कंप्यूटर के "दिमाग" (इसके हिडन स्टेट्स) के अंदर झाँकते हैं।

वे "लाल बिल्ली" बनाम "लाल कुत्ता" के लिए AI की आंतरिक विचार प्रक्रिया के बीच की दूरी को मापते हैं।

कंट्रोल (Control): वे इसकी तुलना एक "बोरिंग" बदलाव से करते हैं, जैसे "लाल बिल्ली" को "फलाइन कैट" (Feline Cat) में बदलना (अर्थ वही है, बस शब्द अलग हैं)। यह AI को एक ही चीज़ के बारे में समानार्थी शब्द के साथ सोचने के लिए कहने जैसा है।
स्ट्रेस (Stress): वे इसकी तुलना "लाल कुत्ता" (गलत अर्थ) से करते हैं।

खोज: "छिपी हुई थरथराहट" (The Hidden Shiver)

पेपर ने कई अलग-अलग AI मॉडल्स (जैसे Qwen, Gemma, और InternVL) में एक आश्चर्यजनक बात पाई:

भले ही AI ने 100% सही उत्तर दिया हो (दोनों क्रमों में बिल्ली को कुत्ते से ऊपर चुना हो), लेकिन उसके आंतरिक मस्तिष्क की स्थिति ने "लाल कुत्ता" वाले विकल्प का सामना करते समय एक "थरथराहट" या एक बड़ा उछाल दिखाया।

सामान्य स्थिति: जब AI एक समानार्थी शब्द ("Feline Cat") देखता है, तो उसकी आंतरिक मस्तिष्क की स्थिति मूल विचार के करीब और शांत रहती है।
तनाव की स्थिति: जब AI उस जाल ("Red Dog") को देखता है, तो उसका आंतरिक मस्तिष्क लड़खड़ाता है या बहुत दूर चला जाता है, भले ही वह अंततः सही उत्तर चुनने में सफल रहता है।

उदाहरण (Analogy):
एक रस्सी पर चलने वाले (tightrope walker) की कल्पना करें।

परिदृश्य A: वह एक शांत दिन में रस्सी पर चलता है। वह सुरक्षित रूप से दूसरी ओर पहुँच जाता है।
परिदृश्य B: वह एक हवादार/तूफानी दिन में रस्सी पर चलता है। वह भी सुरक्षित रूप से दूसरी ओर पहुँच जाता है।
पेपर की खोज: यदि आप केवल फिनिश लाइन को देखते हैं, तो दोनों यात्राएं एक जैसी दिखती हैं (सफलता!)। लेकिन यदि आप उनकी मांसपेशियों के तनाव (आंतरिक अवस्था) को देखते हैं, तो परिदृश्य B वाला व्यक्ति पूरी यात्रा के दौरान बुरी तरह कांप रहा था, भले ही वह गिरा नहीं।

इसका क्या अर्थ है?

लेखक यह नहीं कह रहे हैं कि ये AI मॉडल खराब हैं या भविष्य में विफल हो जाएंगे। वे कह रहे हैं कि:

केवल सही होना पर्याप्त नहीं है: सिर्फ इसलिए कि एक AI सही उत्तर देता है, इसका मतलब यह नहीं है कि उसका आंतरिक तर्क स्थिर है।
तनाव छिपा हुआ है: AI बाहर से बिल्कुल परफेक्ट दिखने के बावजूद अंदर से "तनावग्रस्त" (आंतरिक रूप से अस्थिर) हो सकता है।
यह एक डायग्नोस्टिक टूल है: यह नया तरीका (S3E) AI के लिए एक MRI की तरह है। यह शोधकर्ताओं को वह "आंतरिक तनाव" देखने की अनुमति देता है जिसे सामान्य टेस्ट नहीं देख पाते।

एक वाक्य में सारांश

यह पेपर AI को टेस्ट करने का एक नया तरीका पेश करता है जो मशीन के सोचने के दौरान उसके "दिमाग" के अंदर झाँकता है, जिससे पता चलता है कि भले ही AI मॉडल सटीक उत्तर देते हैं, वे आंतरिक रूप से अस्थिर और उन ट्रिकी सवालों से "तनावग्रस्त" हो सकते हैं जिन्हें सामान्य टेस्ट पकड़ नहीं पाते।

तकनीकी सारांश: मल्टीमॉडल लैंग्वेज मॉडल्स में डिसीजन-स्टेट प्रोबिंग (Decision-State Probing)

समस्या विवरण (Problem Statement)

मल्टीमॉडल लैंग्वेज मॉडल्स (MLLMs) का मूल्यांकन मुख्य रूप से बाहरी रूप से अवलोकन योग्य व्यवहारों के माध्यम से किया जाता है, जैसे कि सही इमेज-टेक्स्ट मिलान चुनना या विजुअल प्रश्नों का सटीक उत्तर देना। जबकि MMBench और MM-Vet जैसे बेंचमार्क इन आउटपुट्स को प्रभावी ढंग से मापते हैं, यह शोध पत्र तर्क देता है कि सही बाहरी व्यवहार (correct external behavior) आंतरिक स्थिरता (internal stability) की गारंटी नहीं देता है। एक मॉडल लगातार सही कैप्शन चुन सकता है (स्ट्रिक्ट-करेक्ट व्यवहार), जबकि इसकी आंतरिक निर्णय अवस्था (internal decision state) संरचित अर्थ संबंधी परिवर्तनों (structured semantic perturbations) के संपर्क में आने पर महत्वपूर्ण अस्थिरता या "तनाव संवेदनशीलता" (stress sensitivity) प्रदर्शित कर सकती है। यह एक ऐसा मूल्यांकन ब्लाइंड स्पॉट बनाता है जहाँ व्यवहार-आधारित मेट्रिक्स सफलता दर्शाते हैं, जो एक छिपे हुए आंतरिक निर्णय-अवस्था तनाव-संवेदनशीलता सिग्नल को छिपा देते हैं।

कार्यप्रणाली: S3E फ्रेमवर्क

लेखक S3E (स्ट्रक्चर्ड सिमेंटिक स्ट्रेस इवैल्यूएशन - Structured Semantic Stress Evaluation) पेश करते हैं, जो बाहरी व्यवहार और आंतरिक निर्णय अवस्थाओं के बीच अलगाव (decoupling) का विश्लेषण करने के लिए डिज़ाइन किया गया एक फ्रेमवर्क है।

1. मूल्यांकन प्रोटोकॉल (Evaluation Protocol)

पॉजिटिव-एंकरड A/B फोर्स्ड-चॉइस (Positive-Anchored A/B Forced-Choice): मूल्यांकन एक इमेज, एक पॉजिटिव कैप्शन ( $c^+$ ) जो इमेज द्वारा समर्थित है, और एक कैंडिडेट कैप्शन ( $c$ ) प्रस्तुत करता है। मॉडल को यह चुनना होता है कि कौन सा कैप्शन इमेज के साथ बेहतर मेल खाता है।
ऑर्डर बैलेंसिंग (Order Balancing): पोजीशन बायस (position bias) को समाप्त करने के लिए, परीक्षणों का मूल्यांकन मूल ( $[c^+, c]$ ) और स्वैप्ड ( $[c, c^+]$ ) दोनों विकल्प क्रमों में किया जाता है।
स्ट्रिक्ट-करेक्ट फ़िल्टरिंग (Strict-Correct Filtering): विश्लेषण उन "स्ट्रिक्ट-करेक्ट" परीक्षणों पर केंद्रित है, जहाँ मॉडल दोनों विकल्प क्रमों में कैंडिडेट के विरुद्ध पॉजिटिव कैप्शन $c^+$ को चुनता है। यह सुनिश्चित करता है कि आंतरिक विश्लेषण उन मामलों पर केंद्रित हो जहाँ बाहरी व्यवहार स्थिर और सही है।

2. कैंडिडेट स्थितियाँ (Candidate Conditions)

फ्रेमवर्क सार्वजनिक बेंचमार्क (Winoground, SugarCrepe, ARO) से प्राप्त एक "बेस-प्रिज़र्व-स्ट्रेस" सबस्ट्रेट का उपयोग करता है:

पॉजिटिव ( $c^+$ ): गोल्ड-स्टैंडर्ड, इमेज-समर्थित कैप्शन।
प्रिज़र्व ( $c_{pres}$ ): $c^+$ का अर्थ-संरक्षण करने वाला पुनर्गठन (यह सही पुनर्गठन की आंतरिक स्थिरता का परीक्षण करता है)।
लेक्सिकल ( $c_{lex}$ ): एक अलग अर्थ-संरक्षण करने वाला सतही नियंत्रण (यह सामान्य शब्द-स्तर के बदलाव का परीक्षण करता है)।
स्ट्रेस ( $c_{stress}$ ): एक अर्थ-परिवर्तित करने वाला कैंडिडेट जो सिमेंटिक संघर्ष (ऑब्जेक्ट, एट्रिब्यूट, रिलेशन, या कंपोजिशनल बदलाव) पेश करता है।
रैंडम ( $c_{rand}$ ): किसी अन्य सोर्स आइटम से लिया गया एक जेनेरिक मिसमैच कैप्शन।

3. डिसीजन-स्टेट प्रोबिंग (Decision-State Probing)

एक्सट्रैक्शन पॉइंट (Extraction Point): हिडन स्टेट्स को प्री-आंसर डिसीजन स्टेट पर निकाला जाता है, जो मॉडल द्वारा फोर्स्ड-चॉइस टोकन जारी करने से ठीक पहले होता है।
मेट्रिक (Metric): लेखक एक पॉजिटिव-एंकरड कोसाइन डिस्टेंस का उपयोग करते हैं। एक कैंडिडेट कंडीशन $k$ के लिए, स्कोर $S^{(m,\ell)}_{i,o,k}$ को इस प्रकार परिभाषित किया गया है: $1 - \cos(h^{(m,\ell)}_{i,o,k}, h^{(m,\ell)}_{i,o,+})$ , जहाँ $h^{(m,\ell)}_{i,o,+}$ पॉजिटिव कैप्शन के लिए हिडन स्टेट है।
कंट्रोल-नॉर्मलाइज्ड कॉन्ट्रास्ट (Control-Normalized Contrast): प्राथमिक मेट्रिक कंट्रोल के सापेक्ष स्ट्रेस कंडीशन का एक्सेस डिस्प्लेसमेंट (excess displacement) है:
- $\Delta_{lex} = S_{stress} - S_{lex}$ (सिमेंटिक स्ट्रेस बनाम लेक्सिकल वेरिएशन)।
- $\Delta_{pres} = S_{stress} - S_{pres}$ (सिमेंटिक स्ट्रेस बनाम मीनिंग-प्रिज़र्विंग रीराइट)।
- $\Delta_{rand} = S_{stress} - S_{rand}$ (सिमेंटिक स्ट्रेस बनाम जेनेरिक मिसमैच)।

4. डायग्नोस्टिक प्रोफाइल (Diagnostic Profile)

परिणाम चार आयामों (CA, SO, SI, BE) में रिपोर्ट किए जाते हैं:

CA (कंप्रेशन-एनिसोट्रॉपी): प्रभावी रैंक और वेरिएंस कंसंट्रेशन।
SO (स्ट्रक्चरल ऑर्गनाइजेशन): लेयरवाइज ड्रिफ्ट और पीक-लेयर लोकलाइजेशन।
SI (सेलेक्टिविटी-आइडेंटिफिएबिलिटी): कंट्रोल्स के विरुद्ध स्ट्रेस सिग्नल की विशिष्टता।
BE (बिहेवियरल एक्सपोज़र): एक्यूरेसी और स्ट्रिक्ट-करेक्ट रेट।

मुख्य परिणाम (Key Results)

यह अध्ययन पाँच ओपन-सोर्स मॉडल्स पर किया गया: Qwen3VL (2B, 4B, 8B), Gemma3-4B, और InternVL3-2B।

छिपे हुए स्ट्रेस सेंसिटिविटी का अस्तित्व (Existence of Hidden Stress Sensitivity): सभी परीक्षण किए गए मॉडल्स में, सिमेंटिक स्ट्रेस ने लेक्सिकल कंट्रोल्स के सापेक्ष लगातार पॉजिटिव सिलेक्टेड-लेयर एक्सेस डिस्प्लेसमेंट ( $\Delta_{lex}$ ) उत्पन्न किया, भले ही मॉडल ने सही फोर्स्ड-चॉइस निर्णय लिया हो।
- Qwen3VL-8B के लिए, पेयर्ड स्टैंडर्डाइज्ड इफेक्ट साइज ( $d_p$ ) 2.85 था, जिसमें $\Delta_{lex}$ 0.1293 था।
- Gemma3-4B के लिए, $\Delta_{lex}$ 0.0093 था, जिसमें $d_p$ 5.45 था।
- सभी हाई-सपोर्ट रन के लिए $\Delta_{lex}$ के कॉन्फिडेंस इंटरवल शून्य से बाहर थे।
स्केल इस गैप को समाप्त नहीं करता (Scale Does Not Eliminate the Gap): मॉडल स्केल बढ़ाने (Qwen3VL 2B $\to$ 8B) से व्यवहार-आंतरिक अलगाव (behavior-internal decoupling) समाप्त नहीं हुआ। वास्तव में, सिमेंटिक-विशिष्ट कॉन्ट्रास्ट स्केल के साथ बढ़ा (0.0190 $\to$ 0.1293), जो यह सुझाव देता है कि बड़े मॉडल बाहरी रूप से सही होने के बावजूद अधिक मजबूत या अधिक पहचान योग्य स्ट्रेस-विशिष्ट निर्णय-अवस्था संरचना प्रदर्शित कर सकते हैं।
सिग्नल की विशिष्टता (Specificity of the Signal):
- यह सिमेंटिक-विशिष्ट (semantic-specific) है: $\Delta_{lex}$ लगातार पॉजिटिव रहा, जो दर्शाता है कि डिस्प्लेसमेंट केवल लेक्सिकल या सतही रूप के बदलाव के कारण नहीं है।
- यह जेनेरिक मिसमैच नहीं है: $\Delta_{rand}$ (स्ट्रेस बनाम रैंडम नेगेटिव) मॉडल-डिपेंडेंट था और अक्सर नेगेटिव या शून्य के करीब था, जो पुष्टि करता है कि रैंडम नेगेटिव एक मजबूत रॉ-मिसमैच रेफरेंस के रूप में कार्य करते हैं।
लेयर लोकलाइजेशन (Layer Localization): स्ट्रेस रिस्पॉन्स विशिष्ट "पीक" लेयर्स तक सीमित था (E3 स्ट्रेस-स्पेसिफिसिटी प्रोफाइल के माध्यम से पहचाना गया), लेकिन यह एक पूर्व-निर्धारित टॉप-हाफ लेयर चेक में भी दिखाई दिया, जिससे पता चलता है कि रिस्पॉन्स केवल एक अलग आइसोलेटेड लेयर तक सीमित नहीं है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र अपने निष्कर्षों के संबंध में सीमित और केंद्रित दावे करता है:

डायग्नोस्टिक लेंस, न कि विफलता प्रमाण पत्र (Diagnostic Lens, Not Failure Certificate): लेखक स्पष्ट रूप से कहते हैं कि S3E एक स्कोप्ड डायग्नोस्टिक टारगेट है, न कि डाउनस्ट्रीम विफलता, मतिभ्रम (hallucination), या सुरक्षा का प्रमाण पत्र। स्ट्रिक्ट-करेक्ट व्यवहार के तहत एक्सेस डिस्प्लेसमेंट की उपस्थिति "डिसीजन-स्टेट स्ट्रेस सेंसिटिविटी" का संकेत देती है, न कि यह कि मॉडल फ्री-फॉर्म जनरेशन या डाउनस्ट्रीम कार्यों में विफल होगा।
फोर्स्ड-चॉइस करेक्टनेस की अपर्याप्तता (Insufficiency of Forced-Choice Correctness): प्राथमिक निष्कर्ष यह है कि फोर्स्ड-चॉइस करेक्टनेस अकेले इनवेरिएंट इंटरनल डिसीजन ज्योमेट्री का पर्याप्त प्रमाण नहीं है। एक मॉडल व्यवहारिक रूप से मजबूत हो सकता है, फिर भी आंतरिक रूप से सिमेंटिक स्ट्रेस के प्रति संवेदनशील हो सकता है।
सिग्नल की व्याख्या (Interpretation of the Signal): देखे गए डिस्प्लेसमेंट को इस रूप में व्याख्यायित किया गया है कि जब कोई कैंडिडेट सिमेंटिक संघर्ष पेश करता है, तो मॉडल की प्री-आंसर डिसीजन ज्योमेट्री कैसे बदल जाती है। यह सिग्नल लेक्सिकल वेरिएशन, आंसर मार्जिन और सतही ओवरलैप के कंट्रोल्स के बावजूद बना रहता है।
सीमाएँ (Limitations): लेखक स्वीकार करते हैं कि सबस्ट्रेट इंग्लिश-सेंट्रिक है और सार्वजनिक बेंचमार्क से लिया गया है, जो सामान्यीकरण (generalizability) को सीमित कर सकता है। वे यह भी नोट करते हैं कि विश्लेषण व्हाइट-बॉक्स एक्सेस (हिडन स्टेट्स) पर निर्भर करता है, जो क्लोज्ड-सोर्स मॉडल्स के लिए इसकी प्रयोज्यता को सीमित करता है। $\Delta_{lex}$ मेट्रिक प्री-आंसर स्टेट में एक ज्योमेट्रिक रिस्पॉन्स है और इसे बिना और सबूत के कैलिब्रेशन या भविष्य की व्यवहारिक विफलता के साथ भ्रमित नहीं किया जाना चाहिए।

संक्षेप में, S3E निष्कर्ष निकालता है कि MLLMs में "छिपा हुआ तनाव" (hidden stress) पता लगाने के लिए एक विधि प्रदान करता है, जो यह प्रकट करता है कि बाहरी आउटपुट सही दिखने पर भी आंतरिक निर्णय अवस्थाएं अस्थिर हो सकती हैं, जिससे लेयर-न्यूट्रल अनुमानों और मजबूती परीक्षणों पर भविष्य के कार्य को प्रेरित किया जा सके।