💬 NLP

Normalisation-Based Likelihood Ratio Estimation for Forensic Authorship Verification

यह शोध पत्र दो नवीन सामान्यीकरण तकनीकों, स्क्वायर रूट (Square Root) और हैपैक्स करेक्शन (Hapax Corrections) को प्रस्तुत करता है, जो बिना किसी अलग कैलिब्रेशन मॉडल की आवश्यकता के फोरेंसिक लेखकत्व सत्यापन के लिए सीधे सुव्यवस्थित लाइकलीहुड रेश्यो (likelihood ratios) के प्रत्यक्ष व्युत्पन्न को सक्षम करते हैं, जिससे पारंपरिक लॉजिस्टिक रिग्रेशन कैलिब्रेशन के समान या उससे बेहतर प्रदर्शन प्राप्त करते हुए डेटा और समय की आवश्यकताओं को कम किया जा सकता है।

मूल लेखक: Sadie Barlow, Andrea Nini, Edoardo Manino

प्रकाशित 2026-07-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sadie Barlow, Andrea Nini, Edoardo Manino

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 आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या दो अलग-अलग नोट एक ही व्यक्ति ने लिखे हैं? शायद एक नोट फिरौती की मांग है, और दूसरा डायरी का एक अंश। इसे हल करने के लिए, आपको एक विशेष उपकरण की आवश्यकता है जो केवल यह न कहे कि "वे समान दिखते हैं," बल्कि आपको एक संख्या दे सके जो यह बताती हो कि यह कितनी अधिक संभावना है कि दोनों एक ही व्यक्ति ने लिखे हैं। फोरेंसिक विज्ञान की दुनिया में, इस संख्या को लाइकलीहुड रेशियो (Likelihood Ratio - LLR) कहा जाता है।

लंबे समय से, एक भरोसेमंद संख्या प्राप्त करना एक सटीक रेसिपी के बिना एक आदर्श केक बनाने जैसा रहा है। आपको एक कंप्यूटर प्रोग्राम से एक कच्चा स्कोर लेना पड़ता है और फिर उसे एक अलग, जटिल "कैलिब्रेशन" प्रक्रिया से गुजारना पड़ता है। यह प्रक्रिया एक सख्त शिक्षक की तरह है जिसे यह बताने के लिए कि आपका केक वास्तव में अच्छा है या केवल दिखने में अच्छा है, सैकड़ों अन्य केक (डेटा) को चखने की आवश्यकता होती है। इसमें बहुत अधिक समय, बहुत सारा डेटा और विशेषज्ञों के बहुत सारे अनुमानों की आवश्यकता होती है ताकि इसे सही किया जा सके।

नया शॉर्टकट: LambdaG के लिए दो जादुई सूत्र

यह शोध पत्र LambdaG नामक एक विशिष्ट ऑथरशिप टूल के कच्चे स्कोर को ठीक करने के लिए दो नए, सरल तरीके पेश करता है, जिसमें उस भारी, डेटा-भूखे "शिक्षक" (कैलिब्रेशन मॉडल) की आवश्यकता नहीं होती है। महत्वपूर्ण: ये तरीके विशेष रूप से LambdaG के साथ काम करने के लिए डिज़ाइन किए गए हैं, न कि हर ऑथरशिप वेरिफिकेशन टूल के लिए एक सार्वभौमिक समाधान के रूप में।

इन तरीकों की आवश्यकता इसलिए है क्योंकि LambdaG के काम करने के तरीके में एक विशिष्ट खामी है। LambdaG प्रत्येक शब्द से साक्ष्य जोड़कर स्कोर की गणना करता है, यह मानते हुए कि प्रत्येक शब्द एक स्वतंत्र सुराग है। इसे 'नेविव बेयस धारणा' (naive Bayes assumption) कहा जाता है। समस्या यह है कि वास्तविक जीवन में, शब्द स्वतंत्र नहीं होते; यदि कोई लेखक किसी वाक्यांश को दोहराता है, तो दूसरी और तीसरी बार उसका आना पहली बार की तुलना में उतना नया जानकारी प्रदान नहीं करता है। क्योंकि LambdaG इस बात का ध्यान नहीं रखता, इसलिए यह साक्ष्य की ताकत को बढ़ा-चढ़ाकर (overestimate) दिखाने लगता है, खासकर लंबे या दोहराव वाले टेक्स्ट में। ये नए तरीके विशेष रूप से इस अतिरंजित मूल्यांकन को ठीक करने के लिए डिज़ाइन किए गए हैं।

शोधकर्ताओं ने इन ट्रिक्स का परीक्षण 15 अलग-अलग टेक्स्ट संग्रहों (कोपोरा) पर किया, जिनमें अकादमिक पेपरों से लेकर ट्वीट्स, ईमेल चेन और चैट लॉग तक शामिल थे। उन्होंने 100 शब्दों जितने छोटे और 9,500 शब्दों जितने लंबे टेक्स्ट का अध्ययन किया।

यहाँ वे दो नए तरीके दिए गए हैं जिन्हें उन्होंने प्रस्तावित किया है:

स्क्वायर रूट करेक्शन (Square Root Correction): कल्पना कीजिए कि कंप्यूटर का स्कोर ईंटों का एक ढेर है। यदि टेक्स्ट बहुत लंबा है, तो ढेर बहुत बड़ा हो जाता है, लेकिन उन सभी ईंटों में से सभी नई या उपयोगी नहीं होतीं; कई केवल उन्हीं पुरानी ईंटों की पुनरावृत्ति होती हैं। यह ट्रिक कहती है, "हे, हर एक ईंट को एक नई खोज के रूप में न गिनें।" यह स्कोर को शब्दों की संख्या के वर्गमूल (square root) का उपयोग करके छोटा कर देता है। यह यह समझने जैसा है कि जब आपने 50 बार एक लाल कार देखी है, तो 51वीं लाल कार पहली वाली की तुलना में उतनी नई जानकारी नहीं देती जितनी पहली वाली ने दी थी।
हैपैक्स करेक्शन (Hapax Correction): यह और भी चतुर है। यह देखता है कि टेक्स्ट में कितने शब्द केवल एक बार आते हैं (इन्हें हैपैक्स लेगोमेना कहा जाता है)। यदि एक टेक्स्ट भरा हुआ है दोहराव से (जैसे एक टूटा हुआ रिकॉर्ड), तो इसमें 'एक-बार आने वाले शब्दों' की संख्या बहुत कम होती है। यदि एक टेक्स्ट विविध और अद्वितीय है, तो इसमें बहुत अधिक ऐसे शब्द होते हैं। यह ट्रिक स्कोर को "एक-बार आने वाले शब्दों" और कुल शब्दों के अनुपात से गुणा करती है। यह मूल रूप से कहता है, "यदि आप केवल खुद को दोहरा रहे हैं, तो आपका स्कोर इतना अधिक नहीं होना चाहिए।"

बड़ा परीक्षण: क्या वे काम करते हैं?

शोधकर्ताओं ने यह देखने के लिए अपने इन दो नए ट्रिक्स की तुलना पुराने, मानक तरीके (लॉजिस्टिक्स रिग्रेशन कैलिब्रेशन) से की कि कौन सा उन्हें सबसे सटीक "सत्य बताने वाली" संख्या देता है। उन्होंने सटीकता मापने के लिए एक विशिष्ट स्कोर का उपयोग किया जिसे $C_{llr}$ कहा जाता है (जहाँ कम संख्या बेहतर है)।

यहाँ उन्हें क्या मिला:

हैपैक्स करेक्शन स्टार है। लगभग 45.4% परीक्षणों में, हैपैक्स करेक्शन ने पुराने, जटिल कैलिब्रेशन तरीके से बेहतर काम किया।
जब यह नहीं जीता, तो भी यह करीब था। जिन मामलों में पुराना तरीका बेहतर था, उनमें हैपेटिक करेक्शन आमतौर पर पुराने तरीके के प्रदर्शन के 5% के भीतर था। यह एक धावक के विजेता से बस एक बाल के बराबर पीछे रहने जैसा है।
स्क्वायर रूट करेक्शन थोड़ा कम सुसंगत था। इसे अन्य तरीकों द्वारा 70% से अधिक परीक्षणों में हराया गया था, लेकिन इसने विशिष्ट स्थितियों में संभावना दिखाई।

यह क्यों मायने रखता है (और यह क्या नहीं है)

यह शोध पत्र तर्क देता है कि चीजों को करने का पुराना तरीका बहुत भारी है। इसके लिए विशेषज्ञों को भारी मात्रा में विशिष्ट डेटा एकत्र करने की आवश्यकता होती है ताकि कैलिब्रेशन मॉडल को प्रशिक्षित किया जा सके, और फिर उन्हें डेटा चुनने के बारे में व्यक्तिपरक अनुमान लगाने पड़ते हैं। यह नया दृष्टिकोण इस सब को छोड़ देता है। यह तेज़ है, सरल है, और इसे काम करने के लिए अतिरिक्त डेटा के पहाड़ की आवश्यकता नहीं है।

हालाँकि, शोध पत्र सावधानी बरतता है कि इसे हर चीज़ को हल करने वाला "जादुई समाधान" न कहा जाए।

यह LambdaG के लिए विशिष्ट है: ये नए सूत्र LambdaG सिस्टम के साथ काम करने के लिए डिज़ाइन किए गए हैं। ये हर ऑथरशिप वेरिफिकेशन टूल के लिए एक 'वन-साइज-फिट्स-ऑल' समाधान नहीं हैं।
यह पूर्ण नहीं है: हैपैक्स करेक्शन हर बार नहीं जीता। वास्तव में, पुराना तरीका अभी भी अक्सर जीतता था।
यह गणित द्वारा सिद्ध नहीं है: लेखक स्वीकार करते हैं कि उनके पास इस बात का कोई पूर्ण गणितीय प्रमाण नहीं है कि ये सूत्र इतने अच्छे से क्यों काम करते हैं; उनके पास भाषा के काम करने के तरीके (जैसे कि जैसे-जैसे टेक्स्ट लंबा होता है, शब्दावली धीमी गति से बढ़ती है) पर आधारित मजबूत सिद्धांत हैं, लेकिन "क्यों" अभी भी खोजा जा रहा है।
यह विशिष्ट है: ये परिणाम अंग्रेजी टेक्स्ट पर आधारित हैं। हमें अभी यह नहीं पता कि ये ट्रिक्स फ्रेंच, जापानी या अन्य भाषाओं के लिए काम करेंगे या नहीं।
इसकी सीमाएं हैं: बहुत, बहुत छोटे टेक्स्ट (लगभग 100 टोकन) पर, हैपैक्स करेक्शन थोड़ा संघर्ष करता है क्योंकि वहां "एक-बार आने वाले शब्दों" को सटीक रूप से मापने के लिए पर्याप्त डेटा नहीं होता है।

मुख्य निष्कर्ष

इस शोध पत्र को नए, हल्के हाइकिंग बूट्स खोजने के रूप में सोचें। पुराने जूते (लॉजिस्टिक्स रिग्रेशन) भारी हैं, उन्हें बहुत अधिक सामान (डेटा) की आवश्यकता है और उन्हें पहनने में बहुत समय लगता है। नए जूते (हैपैक्स करेक्शन) हल्के हैं और उन्हें पहनना आसान है। वे हमेशा आपको पुराने जूतों की तुलना में तेज़ नहीं दौड़ सकते, लेकिन उनके द्वारा परीक्षण किए गए लगभग 45% रास्तों पर, वे वास्तव में तेज़ थे, और बाकी पर, वे लगभग उतने ही अच्छे थे।

फोरेंसिक विशेषज्ञों के लिए जिन्हें अपने निष्कर्षों को जूरी को समझाने की आवश्यकता है बिना जटिल डेटा प्रशिक्षण में उलझे, ये नए ट्रिक्स उन्हें बिना सिरदर्द के एक विश्वसनीय उत्तर पाने का एक तरीका प्रदान करते हैं। लेखक सुझाव देते हैं कि जबकि पुराने तरीके का अभी भी अपना स्थान है, ये नए, सरल सुधार विशेष रूप से LambdaG टूल का उपयोग करते समय, ऑथरशिप रहस्यों को सुलझाने के लिए एक बहुत ही मजबूत, पारदर्शी और सुलभ विकल्प हैं।

तकनीकी सारांश: फोरेंसिक लेखकत्व सत्यापन के लिए सामान्यीकरण-आधारित संभावना अनुपात अनुमान (Normalisation-Based Likelihood Ratio Estimation)

समस्या विवरण
फोरेंसिक संदर्भों में लेखकत्व सत्यापन (Authorship Verification - AV) का लक्ष्य यह निर्धारित करना है कि क्या दो पाठ (texts) एक ही लेखक के हैं। साक्ष्य का मूल्यांकन करने के लिए कानूनी मानक 'लाइक्लीहुड रेशियो' (Likelihood Ratio - LR) ढांचा है, जो प्रतिस्पर्धी अभियोजन ( $H_p$ ) और बचाव ( $H_d$ ) परिकल्पनाओं के तहत साक्ष्य की सापेक्ष संभावना को परिमाणित करता है। हालांकि स्कोर-आधारित AV विधियां मौजूद हैं, वे आमतौर पर बिना कैलिब्रेटेड समानता स्कोर या कच्चे संभावना अनुपात (raw likelihood ratios) प्रदान करती हैं जो अनुभवजन्य आवृत्तियों (empirical frequencies) को विश्वसनीय रूप से प्रतिबिंबित नहीं करते हैं। इन स्कोर्स को वैध फोरेंसिक साक्ष्य के रूप में व्याख्यायित करने के लिए, एक अलग कैलिब्रेशन मॉडल—जो आमतौर पर लॉजिस्टिक रिग्रेशन होता है—की आवश्यकता होती है। इस कैलिब्रेशन प्रक्रिया के लिए बड़े, केस-विशिष्ट डेटासेट (समान-स्रोत और भिन्न-स्रोत पाठ युग्मों) की आवश्यकता होती है, जिन्हें संकलित करना अक्सर कठिन, समय लेने वाला और महंगा होता है। इसके अलावा, कैलिब्रेशन डेटा का चयन व्यक्तिपरक विशेषज्ञ निर्णयों (जैसे, एंकरिंग रणनीतियां) पर निर्भर करता है जिन्हें आगे के सत्यापन की आवश्यकता होती है, जिससे प्रक्रिया में जटिलता और अपारदर्शिता आती है।

कार्यप्रणाली
यह अध्ययन इस बात की जांच करता है कि क्या LambdaG द्वारा उत्पन्न कच्चे स्कोर (raw scores)—जो n-ग्राम लैंग्वेज मॉडलिंग पर आधारित एक अत्याधुनिक बाइनरी एक्सट्रिंसिक AV विधि है—को बिना किसी अलग प्रशिक्षण मॉडल के सुव्यवस्थित (well-calibrated) LRs में बदला जा सकता है। लेखकों का अनुमान है कि कच्चा $\lambda_G$ स्कोर "स्कोर मुद्रास्फीति" (score inflation) से ग्रस्त है, क्योंकि यह विधि स्वतंत्र टोकन-स्तरीय योगदानों को जोड़ने पर निर्भर करती है। यह एकत्रीकरण (aggregation) फीचर्स के बीच 'कंडीशनल इंडिपेंडेंस' (conditional independence) की धारणा पर आधारित है, जो कि प्राकृतिक भाषा इस धारणा का उल्लंघन करती है क्योंकि इसमें पुनरावृत्ति होती है। फलस्वरूप, लंबे या अत्यधिक दोहराव वाले पाठ असंगत रूप से उच्च स्कोर संचित करते हैं, जिससे साक्ष्य की शक्ति का अतिरंजित प्रदर्शन होता है।

इस समस्या के समाधान के लिए, शोध पत्र दो नवीन सामान्यीकरण तकनीकों (normalisation techniques) का प्रस्ताव करता है जो सीधे कच्चे $\lambda_G$ स्कोर को स्केल करती हैं:

वर्ग मूल सुधार (Square Root Correction): यह विधि प्रश्नगत दस्तावेज़ (questioned document) के टोकन की संख्या $N(Q)$ के वर्ग मूल द्वारा स्कोर को स्केल करती है। यह इस सांख्यिकीय सिद्धांत पर आधारित है कि एकत्रित फीचर्स में भिन्नता (variance) अक्सर $\sqrt{N}$ के आनुपातिक रूप से बढ़ती है। सूत्र है:
$\Lambda_G = \frac{\lambda_G}{\sqrt{N(Q)}}$
इसका उद्देश्य पाठ की लंबाई के कारण होने वाली मुद्रास्फीति को कम करना है, यह स्वीकार करते हुए कि लंबे पाठों में अतिरिक्त टोकन घटते हुए स्वतंत्र साक्ष्य भार (diminishing independent evidential weight) में योगदान देते हैं।
हैपैक सुधार (Hapax Correction): यह विधि शाब्दिक विविधता और अतिरेक (redundancy) के माप को शामिल करती है। यह स्कोर को हैपैक लेगेमेना (वे शब्द जो ठीक एक बार दिखाई देते हैं, $V_1(Q)$ ) और कुल टोकन गणना ( $N(Q)$ ) के अनुपात द्वारा स्केल करती है। सूत्र है:
$\Lambda_G = \lambda_G \times \frac{V_1(Q)}{N(Q)}$
यह सुधार दोहराए गए पैटर्न के अतिरेक को लक्षित करता है। कम विविधता (उच्च पुनरावृत्ति) वाले ग्रंथों में, यह अनुपात कम होता है, जो कृत्रिम मुद्रास्फीति का मुकाबला करने के लिए स्कोर को कम कर देता है। यह 'हर्दान-हीप के नियम' (Herdan-Heap's Law) के अनुरूप है, जो पाठ की लंबाई बढ़ने के साथ शब्दावली के उप-रैखिक विकास (sub-linear growth) का वर्णन करता है।

प्रायोगिक प्रोटोकॉल
लेखकों ने इन सुधारों का मूल्यांकन 15 विविध कॉर्पोरा (जिसमें अकादमिक पेपर, समाचार, ब्लॉग, समीक्षाएं, फ़ोरम, ईमेल, चैट लॉग और ट्वीट्स शामिल हैं) में लॉजिस्टिक रिग्रेशन कैलिब्रेशन के मानक बेसलाइन के विरुद्ध किया। मूल्यांकन के लिए लॉग-लाइक्लीहुड रेशियो कॉस्ट ( $C_{llr}$ ) मीट्रिक का उपयोग किया गया, जहाँ कम मान बेहतर कैलिब्रेशन और विभेदन (discrimination) को दर्शाते हैं।

डेटा: अध्ययन में 13,146 लेखकत्व सत्यापन समस्याएं शामिल थीं।
चर (Variables): कुछ कॉर्पोरा (Avocado, Twitter, Bolt) के लिए, लेखकों ने विभिन्न पाठ लंबाई (100 से 9,500 टोकन तक) में मजबूती का परीक्षण करने के लिए प्रश्नगत पाठ ( $Q$ ) और ज्ञात-लेखक पाठ ( $K$ ) की लंबाई को व्यवस्थित रूप से बदला।
बेसलाइन: प्रत्येक कॉर्पस के लिए डेटा के 40-50% पर लॉजिस्टिक रिग्रेशन मॉडल प्रशिक्षित किए गए और शेष पर परीक्षण किया गया। प्रस्तावित सामान्यीकरण सीधे कच्चे स्कोर पर लागू किए गए, बिना किसी प्रशिक्षण के।

प्रमुख परिणाम

समग्र प्रदर्शन: 15 कॉर्पोरा में, हैपैक सुधार (Hapax Correction) ने 45.4% परीक्षणों में लॉजिस्टिक रिग्रेशन कैलिब्रेशन को पछाड़ दिया। शेष मामलों में जहाँ लॉजिस्टिक रिग्रेशन बेहतर प्रदर्शन कर रहा था, वहां हैपैक सुधार का प्रदर्शन 56.91% मामलों में बेसलाइन के 5% के भीतर था।
पाठ लंबाई की मजबूती (Text Length Robustness):
- लंबे पाठों पर (जैसे, Avocado और Twitter जहाँ $K > 5,500$ टोकन हैं), लॉजिस्टिक रिग्रेशन अक्सर थोड़े कम पीक $C_{llr}$ मान प्राप्त करता है, जो संभवतः बड़े डेटासेट के साथ अधिक स्थिर पैरामीटर अनुमान के कारण है। हालांकि, हैपैक सुधार ने इन स्थितियों में लगातार सुव्यवस्थित LRs ( $C_{llr} < 0.1$ ) का उत्पादन किया।
- छोटे पाठों पर, हैपैक सुधार ने अक्सर लॉजिस्टिक रिग्रेशन को पछाड़ दिया, जो डेटा की कमी के दौरान अधिक मजबूती प्रदर्शित करता है।
- वर्ग मूल सुधार (Square Root Correction) को आम तौर पर हैपैक सुधार और लॉजिस्टिक रिग्रेशन दोनों द्वारा पीछे छोड़ दिया गया (70% से अधिक परीक्षणों में हार गया), हालांकि इसने कच्चे स्कोर की तुलना में सुधार प्रदान किया।
विसंगतियां (Anomalies): लॉजिस्टिक रिग्रेशन कैलिब्रेशन ने छोटे कैलिब्रेशन सेट (जैसे, Twitter, Avocado) वाले डेटासेट पर कभी-कभी भ्रामक परिणाम ( $C_{llr} > 1$ ) दिए, जो शोर (noise) के प्रति संवेदनशीलता और ओवरफिटिंग का संकेत देते हैं। प्रस्तावित सामान्यीकरणों ने कम परिवर्तनशीलता और अधिक स्थिरता प्रदर्शित की।
बोल्ट कॉर्पस (Bolt Corpus - लघु पाठ): बहुत छोटे पाठों (100-500 टोकन) वाले SMS/चैट कॉर्पस पर, वर्ग मूल सुधार ने हैपैक सुधार की तुलना में 84% स्थितियों में बेहतर प्रदर्शन किया, संभवतः इसलिए क्योंकि अत्यंत छोटे नमूनों में जहाँ शब्दावली विकास तीव्र होता है, वहां हैपैक अनुपात शोर भरा और अविश्वसनीय हो जाता है।

महत्व और दावे
शोध पत्र का दावा है कि ये सामान्यीकरण तकनीकें LambdaG पद्धति के लिए लॉजिस्टिक रिग्रेशन कैलिब्रेशन के एक कार्यात्मक रूप से समकक्ष, फिर भी सरल विकल्प के रूप में कार्य करती हैं। प्राथमिक महत्व कैलिब्रेशन मॉडल के उन्मूलन में निहित है, जो:

डेटा आवश्यकताओं को कम करता है: उन बड़े, केस-विशिष्ट प्रशिक्षण डेटासेट की आवश्यकता को समाप्त करता है जिन्हें प्राप्त करना कठिन है।
पारदर्शिता बढ़ाता है: "अपारदर्शी" लॉजिस्टिक रिग्रेशन रूपांतरण को सरल, व्याख्या योग्य गणितीय सुधारों से बदल देता है जो शाब्दिक सांख्यिकी और उपयोग-आधारित भाषाई सिद्धांत पर आधारित हैं।
पहुंच को सुगम बनाता है: फोरेंसिक वर्कफ़्लो को सरल बनाता है, जिससे कैलिब्रेटेड LRs का व्युत्पन्न (derivation) विशेषज्ञों के लिए अधिक सुलभ और कानूनी तथ्य-खोजकर्ताओं (legal fact-finders) को समझाने में आसान हो जाता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि हैपैक सुधार सार्वभौमिक रूप से लॉजिस्टिक रिग्रेशन पर हावी नहीं होता है, लेकिन विभिन्न पाठ लंबाई और रजिस्टर के बीच तुलनीय प्रदर्शन बनाए रखने की इसकी क्षमता—बिना प्रशिक्षण के कम्प्यूटेशनल और डेटा बोझ के—अंग्रेजी भाषा के ग्रंथों के लिए फोरेंसिक सेटिंग्स में इसके अपनाने का समर्थन करती है। अध्ययन का तर्क है कि ये सुधार दोहराए गए भाषाई पैटर्न के घटते साक्ष्य मूल्य को प्रभावी ढंग से मॉडल करते हैं, जो इस विशिष्ट श्रेणी के AV विधियों के लिए मानक कैलिब्रेशन की तुलना में अधिक वैज्ञानिक रूप से वैध दृष्टिकोण प्रदान करते हैं।

नया शॉर्टकट: LambdaG के लिए दो जादुई सूत्र

बड़ा परीक्षण: क्या वे काम करते हैं?

यह क्यों मायने रखता है (और यह क्या नहीं है)

मुख्य निष्कर्ष

इसी तरह के और पेपर