💬 NLP

Information Dynamics of Language Communication

यह शोध पत्र संवाद में अर्थपूर्ण सामग्री के निर्देशित प्रवाह को मापने और उसे विभाजित करने के लिए बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) का उपयोग करने वाले एक सूचना-सैद्धांतिक ढांचे को प्रस्तुत करता है, जो संज्ञानात्मक कठोरता, अनुनय, मनोचिकित्सा की गुणवत्ता और तर्क संरचना के विश्लेषण में इसकी उपयोगिता को प्रदर्शित करता है।

मूल लेखक: Leonardo S. Goodall, Andrea I. Luppi, Pedro A. M. Mediano

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leonardo S. Goodall, Andrea I. Luppi, Pedro A. M. Mediano

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 रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

मुख्य विचार: अर्थ के "प्रवाह" को मापना

कल्पना कीजिए कि दो लोग बात कर रहे हैं। आमतौर पर, हम केवल इस पर ध्यान देते हैं कि वे क्या कह रहे हैं। लेकिन यह शोध पत्र एक गहरा प्रश्न पूछता है: व्यक्ति A की सोच वास्तव में व्यक्ति B के अगले विचार को कितना बदल देती है?

लेखकों—लियोनार्डो गुडॉल, एंड्रिया लुप्पी और पेड्रो मेडियानो—ने लोगों के बीच अर्थ के अदृश्य प्रवाह को मापने के लिए एक नया "रूलर" (पैमाना) बनाया है। वे इसे एक सूचना-सैद्धांतिक ढांचा (Information-Theoretic Framework) कहते हैं।

एक बातचीत को एक नदी की तरह समझें। कभी-कभी, पानी एक किनारे से दूसरे किनारे तक सुचारू रूप से बहता है। कभी-कभी, किनारे इतने कठोर होते हैं कि पानी बिल्कुल भी नहीं मिल पाता। कभी-कभी, दो धाराएं मिलकर एक नई शक्तिशाली लहर बनाती हैं जिसे वे अकेले नहीं बना सकती थीं।

इसे मापने के लिए, उन्होंने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग किया—वही तरह का AI जिससे आप चैट करते हैं—एक "सुपर-लिसनर" (महा-श्रोता) के रूप में। ये AI विशाल मात्रा में टेक्स्ट पर प्रशिक्षित हैं, इसलिए वे यह अनुमान लगाने में अविश्वसनीय रूप से कुशल हैं कि अगला शब्द क्या होगा। शोधकर्ताओं ने इस अनुमान लगाने की क्षमता का उपयोग यह गणना करने के लिए किया कि एक व्यक्ति के शब्द दूसरे व्यक्ति के अगले शब्दों को बताने में कितनी मदद करते हैं।

उन्होंने इसे करने के लिए दो मुख्य उपकरण पेश किए:

उपकरण 1: सिमेंटिक ट्रांसफर एंट्रॉपी (STE)

"कौन नेतृत्व कर रहा है?" का मीटर

कल्पना कीजिए कि आप एक नृत्य देख रहे हैं।

उच्च STE: यदि बाईं ओर का नर्तक हिलता है, तो दाईं ओर का नर्तक तुरंत एक सटीक कदम के साथ उसका अनुसरण करता है। बाईं ओर का नर्तक सूचना के प्रवाह का "नेतृत्व" कर रहा है।
निम्न STE: यदि बाईं ओर का नर्तक हिलता है, तो दाईं ओर का नर्तक कुछ पूरी तरह से असंबंधित कार्य करता है। प्रवाह टूट गया है।

यह कैसे काम करता है: शोधकर्ता AI से पूछते हैं, "यदि मैं व्यक्ति A द्वारा अभी कही गई बात को छिपा दूँ, तो आपके लिए यह अनुमान लगाना कितना कठिन होगा कि व्यक्ति B आगे क्या कहेगा?"

यदि व्यक्ति A के शब्दों के बिना AI को बहुत संघर्ष करना पड़ता है, तो इसका अर्थ है कि व्यक्ति A, व्यक्ति B को गहराई से प्रभावित कर रहा है।
यदि AI व्यक्ति A के शब्दों के बिना भी उतना ही अच्छा अनुमान लगा लेता है, तो इसका अर्थ है कि व्यक्ति B स्वतंत्र रूप से सोच रहा है।

उन्होंने क्या पाया:

कठोर बनाम लचीले मन: कंप्यूटर-जनित बातचीत में, जो लोग "संज्ञानात्मक रूप से कठोर" (जिद्दी, अपने तरीकों में फंसे हुए) के रूप में प्रोग्राम किए गए थे, उनमें सूचना का प्रवाह बहुत कम था। वे अपने साथी के संकेतों को नहीं पकड़ पा रहे थे। लचीले लोग बेहतर प्रवाह बनाए रखते थे।
प्रेरक (The Persuader): चैरिटी दान की बातचीत में, पैसे माँगने वाला व्यक्ति दूसरे व्यक्ति को भारी रूप से प्रभावित करता है। प्रवाह एकतरफा था: प्रेरक $\rightarrow$ दाता। दिलचस्प बात यह है कि जब प्रेरक ने व्यक्तिगत कहानी सुनाई या "फुट-इन-द-डोर" (बात शुरू करने की) रणनीति का उपयोग किया, तो प्रभाव वास्तव में थोड़ा कम हो गया। ऐसा लगता है कि ये आत्म-निहित कहानियाँ दाता के अगले कदम की भविष्यवाणी करने में उतनी मदद नहीं करतीं जितनी कि एक सीधा प्रश्न करता है।
थेरेपी की गुणवत्ता: थेरेपी सत्रों में, उन्हें एक आश्चर्यजनक पैटर्न मिला। उच्च-गुणवत्ता वाली थेरेपी में, थेरेपिस्ट प्रवाह पर हावी नहीं होता है। क्लाइंट बातचीत का नेतृत्व करता है, और थेरेपिस्ट उसका अनुसरण करता है। निम्न-गुणवत्ता वाले सत्रों में, थेरेपिस्ट हावी रहता है, जिससे क्लाइंट की प्रतिक्रियाएं बहुत अनुमानित (और कम स्वायत्त) हो जाती हैं। सबसे अच्छी थेरेपी एक संतुलित नृत्य की तरह दिखती है, न कि एक लेक्चर की तरह।

उपकरण 2: सिमेंटिक पार्शियल इंफॉर्मेशन डिकम्पोजिशन (SPID)

"टीम वर्क" का विश्लेषक

कल्पना कीजिए कि आप एक रहस्यमयी कहानी के अंत का अनुमान लगाने की कोशिश कर रहे हैं।

पुनरावृत्ति (Redundancy): दो दोस्त दोनों आपसे कहते हैं, "बटलर ने यह किया।" आपने एक ही बात दो बार सुनी। यह मददगार है, लेकिन इसमें कुछ नया नहीं है।
अद्वितीय (Unique): एक दोस्त कहता है, "बटलर ने यह किया," और दूसरा कहता है, "पीड़ित को जहर दिया गया था।" प्रत्येक एक पहेली का पूरी तरह से अलग और आवश्यक हिस्सा जोड़ता है।
सिनर्जी (Synergy/सहक्रिया): एक दोस्त कहता है, "बटलर रसोई में था," और दूसरा कहता है, "जहर चाय में था।" अकेले ये दोनों सुराग आपको हत्यारा नहीं बताते। लेकिन साथ मिलकर, वे हत्यारे का खुलासा कर देते हैं। पूरा, उसके हिस्सों के योग से कहीं अधिक बड़ा है।

यह कैसे काम करता है: शोधकर्ताओं ने उन निबंधों को देखा जहाँ छात्रों ने एक दावा किया (जैसे, "नृत्य महत्वपूर्ण है") जिसे दो आधारों (कारणों) द्वारा समर्थित किया गया था। उन्होंने यह देखने के लिए AI का उपयोग किया कि वे दो कारण एक दावे का समर्थन करने के लिए मिलकर कैसे काम करते हैं।

उन्होंने क्या पाया:

सिनर्जी वास्तविक है: जब दो कारणों ने एक दावे का समर्थन किया, तो वे अक्सर सिनर्जिस्टिक रूप से काम करते थे। दोनों कारणों का संयोजन उस दावे को बहुत मजबूत बनाता था जितना कि केवल दो कारणों को जोड़ने से होता।
बहुत अधिक रसोइये (Too Many Cooks): हालाँकि, जैसे-जैसे उन्होंने अधिक कारण (3 या 4) जोड़े, "सिनर्जी" गायब हो गई। अतिरिक्त कारण उन्हीं विचारों को दोहराने लगे (पुनरावृत्ति)। यह एक ऐसी टीम में अधिक लोग जोड़ने जैसा है जो बस एक ही बात कहते हैं; इससे आपको अधिक अंतर्दृष्टि के बजाय केवल शोर मिलता है।

यह क्यों मायने रखता है (शोध पत्र के अनुसार)

इस शोध पत्र से पहले, वैज्ञानिक बातचीत को शब्दों को गिनकर, व्याकरण को देखकर, या यह देखकर मापते थे कि क्या लोग समान शब्दावली का उपयोग करते हैं। यह स्क्रीन पर लाल पिक्सेल की संख्या गिनकर एक फिल्म को मापने जैसा था।

यह नया ढांचा लोगों के बीच बहने वाले वास्तविक अर्थ को मापता है। यह केवल सतह को नहीं देखता; यह बातचीत की "पूर्वानुमान शक्ति" (predictive power) को देखता है।

निष्कर्ष:
AI को एक गणितीय लेंस के रूप में उपयोग करके, लेखकों ने दिखाया कि:

लचीलापन बेहतर सूचना प्रवाह बनाता है।
अच्छी थेरेपी के बारे में यह है कि क्लाइंट नेतृत्व करे, न कि थेरेपिस्ट।
मजबूत तर्क उन आधारों पर निर्भर करते हैं जो मिलकर काम करते हैं (सिनर्जी), न कि केवल अधिक कारणों को ढेर करने पर।

यह शोध पत्र यह सिद्ध करता है कि अब हम बातचीत की "बिजली" को माप सकते हैं—वह अदृश्य चिंगारी जो तब होती है जब एक मस्तिष्क वास्तव में दूसरे को प्रभावित करता है।

तकनीकी सारांश: भाषा संचार की सूचना गतिशीलता (Information Dynamics)

समस्या विवरण

यह मात्रात्मक करना कि संचार संबंधी आदान-प्रदान के माध्यम से अर्थ कैसे प्रसारित होता है, कम्प्यूटेशनल लिंग्विस्टिक्स (computational linguistics) में अभी भी अपूर्ण है। जबकि यह क्षेत्र सतही-स्तर के शाब्दिक मापों (lexical measures) से लेकर प्रासंगिक न्यूरल रिप्रजेंटेशन (contextual neural representations) तक उन्नत हुआ है, कोई भी मौजूदा दृष्टिकोण ऐसा सिद्धांत प्रदान नहीं करता है जो निम्नलिखित को मात्रात्मक रूप से माप सके:

वार्ताकारों के बीच प्रवाहित होने वाली अर्थपूर्ण सूचना (semantic information) की मात्रा।
इस प्रवाह की दिशात्मकता (directionality)।
कैसे कई स्रोत मिलकर एक लक्ष्य की भाषा में योगदान देते हैं (अतिरेक (redundant), अद्वितीय (unique), और सहक्रियात्मक (synergistic) योगदानों के बीच अंतर करना)।

वर्तमान विधियाँ 'एड हॉक' (ad hoc) मापों, सतही विशेषताओं, या सहसंबंधी सारांशों पर निर्भर करती हैं जो दिशात्मकता या बहु-स्रोत संरचना को अलग-अलग संबोधित करती हैं, लेकिन दोनों को एक एकीकृत तरीके से नहीं। इसके अलावा, नेचुरल लैंग्वेज पर ट्रांसफर एंट्रॉपी (Transfer Entropy - TE) और पार्शियल इंफॉर्मेशन डिकंपोजिशन (Partial Information Decomposition - PID) जैसे सूचना-सैद्धांतिक मापों को सीधे लागू करना चुनौतीपूर्ण है क्योंकि इन मापों के लिए अच्छी तरह से परिभाषित संभाव्यता वितरण (probability distributions) की आवश्यकता होती है, जो उच्च-आयामी न्यूरल एम्बेडिंग स्पेस द्वारा आसानी से प्राप्त नहीं होते हैं।

कार्यप्रणाली (Methodology)

लेखक प्राकृतिक भाषा के संभाव्यता अनुमानक (probabilistic estimators) के रूप में लार्ज लैंग्वेज मॉडल्स (LLMs) का लाभ उठाने वाले एक ढांचे को पेश करते हैं ताकि दो नवीन सूचना-सैद्धांतिक उपायों की गणना की जा सके: सेमेंटिक ट्रांसफर एंट्रॉपी (STE) और सेमेंटिक पार्शियल इंफॉर्मेशन डिकंपोजिशन (SPID)।

मुख्य उपाय

सेमेंटिक ट्रांसफर एंट्रॉपी (STE):
- परिभाषा: STE एक स्रोत ( $Y$ ) का एक लक्ष्य ( $X$ ) पर निर्देशित भविष्य कहने वाला प्रभाव (directed predictive influence) को मात्रात्मक रूप से मापता है। यह $X$ के अपने इतिहास और शेष संदर्भ ( $Z$ ) द्वारा प्रदान किए गए ज्ञान के अलावा, $Y$ के पिछले विषय (past content) के आधार पर $X$ के भविष्य के कथन के बारे में अनिश्चितता में कमी को मापता है।
- सूत्र: $STE_{Y \to X} = I(Y; X | X^-, Z^-) = E[\log p(X|X^-, Y^-, Z^-) - \log p(X|X^-, Z^-)]$ .
- कार्यान्वयन: इसे LLMs में अटेंशन मास्किंग (attention masking) के माध्यम से कार्यान्वित किया गया है। मॉडल लक्ष्य के अगले टोकन की भविष्यवाणी स्रोत के पिछले कथनों तक पहुँच के साथ और उसके बिना (स्रोत से लक्ष्य तक अटेंशन को मास्क करके) करता है। लॉग-लाइक्लीहुड (log-likelihoods) का अंतर बिट्स में STE प्रदान करता है। यह संवादात्मक संदर्भ को सुरक्षित रखते हुए प्रत्यक्ष सूचना प्रवाह को अलग करता है।
सेमेंटिक पार्शियल इंफॉर्मेशन डिकूपोजिशन (SPID):
- परिभाषा: SPID कई स्रोतों के विश्लेषण का विस्तार करता है, यह बताता है कि वे संयुक्त रूप से लक्ष्य की भाषा में कैसे योगदान देते हैं: रिडंडेंट (साझा), यूनिक (एक स्रोत के लिए विशेष), और सिनर्जिस्टिक (केवल तब उपलब्ध जब स्रोतों को संयुक्त रूप से माना जाता है)।
- कार्यान्वयन: STE के विपरीत, SPID उन कॉन्फ़िगरेशन पर लागू होता है जहाँ स्रोत स्वतंत्र टेक्स्ट होते हैं (जैसे, दावे का समर्थन करने वाले आधार/premises)। यह इनपुट सीक्वेंस से एक स्रोत को भौतिक रूप से हटाने (physical omission) का उपयोग करके वास्तविक मार्जिनल डिस्ट्रीब्यूशन प्राप्त करता है, जिससे कैस्केडिंग रिप्रजेंटेशनल परिवर्तनों से बचा जा सके।
- रिडंडेंसी फंक्शनल: लेखक रेडंडेंसी की पहचान करने के लिए मिनिमम म्यूचुअल इंफॉर्मेशन (MMI) फंक्शनल को अपनाते हैं।
- स्केलेबिलिटी: $n > 2$ स्रोतों के लिए, पूर्ण डिकंपोजिशन कठिन है। लेखक रिडंडेंसी-सिनर्जी इंडेक्स (RSI) का उपयोग करते हैं, जिसे $I(Y; X_1, \dots, X_n) - \sum I(Y; X_i)$ के रूप में परिभाषित किया गया है, ताकि रेडंडेंसी-सिनर्जी संतुलन का एक स्केलर सारांश प्रदान किया जा सके।

प्रयोगात्मक डिजाइन (Experimental Design)

इस ढांचे को चार अलग-अलग प्रयोगों के माध्यम से मान्य किया गया:

प्रयोग 1 (सिंथेटिक): संज्ञानात्मक शैलियों (कठोर बनाम लचीली) के साथ हेरफेर किए गए संवादों के माध्यम से संचार शैली के प्रति संवेदनशीलता का परीक्षण करने के लिए एक LLM द्वारा उत्पन्न 3,000 द्विपक्षीय (dyadic) बातचीत।
प्रयोग 2 (प्राकृतिक अनुनय/Persuasion): प्रेरक (persuader) और प्रेरित (persuadee) के बीच दिशात्मक विषमता और अलंकारिक रणनीतियों के प्रभाव की जांच करने के लिए PERSUASIONFORGOOD कॉर्पस (300 द्विपक्षीय संवाद) का विश्लेषण।
प्रयोग 3 (नैदानिक/Clinical): उच्च गुणवत्ता (क्लाइंट-नेतृत्व वाली) और निम्न गुणवत्ता (थेरेपिस्ट-प्रधान) थेरेपी के बीच अंतर करने के लिए AnnoMI कॉर्पस (133 मोटिवेशनल इंटरव्यूइंग सत्र) का विश्लेषण।
प्रयोग 4 (तर्क/Argumentation): कई आधारों (premises) द्वारा समर्थित दावों के सूचनात्मक ढांचे को डिकंपोज करने के लिए Argument Annotated Essays (AAE-v2) कॉर्पस का विश्लेषण।

मुख्य परिणाम

1. संज्ञानात्मक कठोरता के प्रति संवेदनशीलता (प्रयोग 1)

STE ने सैद्धांतिक रूप से अनुमानित अंतरों को सफलतापूर्वक पता लगाया। लचीले स्रोत (Flexible sources) ने कठोर स्रोतों (rigid sources) की तुलना में काफी अधिक निर्देशित सूचना हस्तांतरण (STE) उत्पन्न किया, चाहे लक्ष्य की शैली कुछ भी हो। यह नियंत्रित स्थितियों के तहत STE की विभेदक क्षमता की पुष्टि करता है।

2. अनुनय में दिशात्मक विषमता (प्रयोग 2)

STE ने अनुनय संवादों में एक आश्चर्यजनक दिशात्मक विषमता प्रकट की: प्रेरक से प्रेरित की ओर सूचना हस्तांतरण (औसत = 1.70 बिट्स/टोकन) इसके विपरीत दिशा (0.05 बिट्स/टोकन) की तुलना में बहुत अधिक था।

रणनीति प्रभाव: विशिष्ट रणनीतियाँ (जैसे, व्यक्तिगत कहानियाँ, विश्वसनीयता अपील) कम STE से जुड़ी थीं। लेखक इसे अप्रभावी होने के रूप में नहीं, बल्कि स्वयं-निहित सामग्री के परिचय के रूप में व्याख्या करते हैं जो प्रेरित के अगले टर्न की भविष्यवाणी करने के लिए उनके अपने इतिहास के अलावा बहुत कम वृद्धिशील सिग्नल जोड़ता है।

3. चिकित्सीय गठबंधन की गुणवत्ता (प्रयोग 3)

STE मोटिवेशनल इंटरव्यूइंग (MI) में चिकित्सीय गुणवत्ता के लिए एक वस्तुनिष्ठ मार्कर के रूप में कार्य करता है।

निम्न-गुणवत्ता वाले सत्र (थेरेपिस्ट के टकराव/निर्देश द्वारा चिह्नित) में थेरेपिस्ट-टू-क्लाइंट STE अधिक था।
उच्च-गुणवत्ता वाले सत्र (क्लाइंट-नेतृत्व वाले बदलाव द्वारा चिह्नित) में थेरेपिस्ट-टू-क्लाइंट STE कम था।
थेरेपिस्ट-टू-क्लाइंट STE और क्लाइंट 'चेंज टॉक' के अनुपात के बीच एक कमजोर लेकिन महत्वपूर्ण नकारात्मक सहसंबंध पाया गया, जो सुझाव देता है कि थेरेपिस्ट का सूचनात्मक प्रभुत्व क्लाइंट की स्वायत्तता में कमी से संबंधित है।

4. तर्क में सहक्रियात्मक आधार (प्रयोग 4)

तर्कपूर्ण निबंधों के SPID विश्लेषण ने खुलासा किया:

सकारात्मक सिनर्जी: दो-आधार वाले तर्कों ने औसत रूप से सकारात्मक सिनर्जी प्रदर्शित की, जिसका अर्थ है कि आधारों ने संयुक्त रूप से एक दावे के बारे में व्यक्तिगत योगदान के योग से अधिक भविष्य कहने वाली जानकारी प्रदान की।
रेडंडेंसी बनाम सिनर्जी: जैसे-जैसे आधारों की संख्या बढ़ी (2 से 4 तक), रेडंडेंसी-सिनर्जी इंडेक्स (RSI) तेजी से नकारात्मक होता गया, जो रेडंडेंसी प्रभुत्व की ओर बदलाव को दर्शाता है।
घटता प्रतिफल (Diminishing Returns): अधिक आधार जोड़े जाने पर प्रति-आधार सूचना प्राप्ति कम हो गई, जिससे पता चलता है कि अतिरिक्त आधार अक्सर पूरक साक्ष्य के बजाय ओवरलैपिंग साक्ष्य प्रदान करते हैं।

मजबूती (Robustness)

सभी प्रमुख निष्कर्ष दो आर्किटेक्चर और दो स्केल वाले तीन अलग-अलग भाषा मॉडलों (LLaMA 3.2-3B, Phi-3-mini-4k, Mistral-7B-v0.3) में दोहराए गए, जो विशिष्ट अनुमान मॉडल के स्वतंत्र रूप से इस ढांचे की मजबूती का समर्थन करते हैं।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह किसी भी ऐसे सिस्टम में सूचना गतिशीलता के अध्ययन के लिए एक सामान्य-उद्देश्यीय, सिद्धांतगत ढांचा पेश करता है जहाँ एजेंट सार्थक क्रमिक टेक्स्ट (sequential text) का आदान-प्रदान करते हैं।

सैद्धांतिक योगदान: यह संचार के शैनन (Shannon) गणितीय सिद्धांत को आधुनिक LLMs की अर्थपूर्ण प्रतिनिधित्व क्षमता के साथ जोड़ता है। लेखक स्पष्ट करते हैं कि हालांकि STE और SPID औपचारिक रूप से संरचनात्मक मात्राएँ हैं (बिट्स में अनिश्चितता में कमी को मापना), वे कच्चे प्रतीक आवृत्तियों (raw symbol frequencies) के बजाय प्रासंगिक अर्थपूर्ण रिप्रजेंटेशन पर काम करते हैं।
पद्धतिगत प्रगति: यह एड हॉक मापों (जैसे, एम्बेडिंग दूरी, निकाले गए फीचर्स पर ग्रेंजर कॉजालिटी) से आगे बढ़कर सीधे कथनों की पूर्ण अर्थपूर्ण सामग्री पर अर्थपूर्ण प्रभाव को मात्रात्मक रूप से मापता है।
अनुप्रयोग क्षमता: इस ढांचे को नैदानिक संवाद (चिकित्सीय गठबंधन को ट्रैक करना), राजनीतिक/मीडिया संचार (अर्थपूर्ण फ्रेमिंग प्रसार को ट्रेस करना), शिक्षा (निर्देशात्मक स्रोतों को डिकंपोज करना), और मानव-AI इंटरैक्शन सहित विविध डोमेन में पोर्टेबल बनाया गया है।

लेखक दिशात्मक निर्भरता (directed predictive dependence) को मापने के संबंध में अपनी भूमिका को लेकर एक मध्यम रुख बनाए रखते हैं, यह नोट करते हुए कि STE "निर्देशित भविष्य कहने वाला निर्भरता" को मापता है और कारण संबंधी (causal) व्याख्याएं मानक ग्रेंजर कॉजालिटी धारणाओं (स्थिरता, कोई छिपा हुआ कन्फाउंडर नहीं, सही मॉडल विनिर्देश) पर निर्भर करती हैं। वे अनुमान के लिए उपयोग किए जाने वाले विशिष्ट LLM पर निर्भरता और कंडीशनिंग सेट्स के लिए फॉरवर्ड पासेज चलाने की कम्प्यूटेशनल लागत जैसे सीमाओं को भी स्वीकार करते हैं।