💬 NLP

Eta Given Delta: Defining LLM Tool Efficiency With Marginal Tool Utility

यह शोध पत्र एलएलएम (LLM) एजेंट प्रक्षेप पथों (trajectories) में उपयोगी टूल कॉल्स की दर का सीधे मूल्यांकन और अनुकूलन करने के लिए "टूल एफिशिएंसी" (tool efficiency) और "मार्जिनल टूल यूटिलिटी" (marginal tool utility) को नए मात्रात्मक मेट्रिक्स के रूप में प्रस्तुत करता है, जिसका उद्देश्य पारंपरिक सटीकता-आधारित मूल्यांकनों के पूरक के रूप में लीन (leaner) टूल सूट्स के निर्माण को निर्देशित करना है।

मूल लेखक: Nyx Iskandar

प्रकाशित 2026-07-17

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nyx Iskandar

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 एक ऐसी दुनिया की जहाँ कंप्यूटर सिर्फ बातें नहीं करते, बल्कि वास्तव में काम भी करते हैं। यह AI एजेंट्स (AI Agents) का क्षेत्र है। एक मानक लार्ज लैंग्वेज मॉडल (LLM) के बारे में सोचें जो एक बहुत ही बुद्धिमान लेकिन किताबी छात्र की तरह है जिसे बहुत सारी बातें पता हैं लेकिन वह लाइब्रेरी से बाहर नहीं निकल सकता। इस छात्र को वास्तविक दुनिया में उपयोगी बनाने के लिए, हम उन्हें "टूल्स" (उपकरणों) का एक सेट देते हैं—जैसे कि कैलकुलेटर, सर्च इंजन, या कोड एडिटर—ताकि वे समस्याओं को हल कर सकें, बग्स ठीक कर सकें, या जानकारी खोज सकें। यह आधुनिक AI का रोमांचक मोर्चा है: एक निष्क्रिय मस्तिष्क को एक सक्रिय कार्यकर्ता में बदलना।

हालाँकि, इसमें एक पेंच है। सिर्फ इसलिए कि आपके पास एक टूलबॉक्स है, इसका मतलब यह नहीं है कि हर टूल मददगार होगा। कभी-कभी, जब आपको पेचकस की जरूरत होती है तो हथौड़ा उठा लेना सिर्फ समय बर्बाद करता है और कार्यकर्ता को भ्रमित करता है। अतीत में, वैज्ञानिक मुख्य रूप से इस बात की परवाह करते थे कि अंतिम काम सही ढंग से पूरा हुआ या नहीं ("सटीकता")। लेकिन उन्होंने शायद ही कभी पूछा: "रोबोट ने वहां तक पहुँचने के लिए कितने गलत मोड़ लिए?" या "क्या उसने उन टूल्स का उपयोग करके समय बर्बाद किया जो मददगार नहीं थे?" यह शोध पत्र उस कमी को भरने के लिए आता है, जो एक सरल लेकिन शक्तिशाली प्रश्न पूछता है: AI के टूल उपयोग की दक्षता (Efficiency) कितनी है? लेखक न केवल यह मापना चाहते हैं कि क्या AI सफल रहा, बल्कि यह भी कि वहां तक पहुँचने के लिए उसने अपने टूल्स का कितनी अच्छी तरह से उपयोग किया, जिससे भविष्य के लिए अधिक चुस्त, तेज़ और स्मार्ट AI कार्यकर्ता बनाए जा सकें।

"बेकार टूल" का जासूस

इस शोध पत्र में, लेखक AI द्वारा अपने टूल्स के उपयोग को देखने का एक नया तरीका पेश करते हैं। वे अपने इस नए मीट्रिक को "टूल एफिशिएंसी" (Tool Efficiency - टूल दक्षता) कहते हैं। इसे समझने के लिए, कल्पना कीजिए कि आप एक जासूस को रहस्य सुलझाते हुए देख रहे हैं। उस जासूस के पास गैजेट्स का एक बैग है: एक आवर्धक लेंस (magnifying glass), एक फिंगरप्रिंट किट, एक वॉकी-टॉकी और एक क्रिस्टल बॉल।

यदि जासूस सुराग खोजने के लिए आवर्धक लेंस का उपयोग करता है, तो वह एक उपयोगी कदम है। यदि वह उत्तर का अनुमान लगाने के लिए क्रिस्टल बॉल का उपयोग करता है और वह गलत साबित होता है, तो वह एक बर्बादी है। लेखकों ने महसूस किया कि जबकि हम आमतौर पर केवल यह देखते हैं कि क्या जासूस ने मामला सुलझा लिया, हम आमतौर पर यह नहीं गिनते कि उसने कितनी बार गलत गैजेट उठाया। वे "अच्छे" टूल उपयोग बनाम "बुरे" टूल उपयोग को गिनने का एक तरीका चाहते थे।

गुप्त सामग्री: मार्जिनल टूल यूटिलिटी (Marginal Tool Utility)

यह पता लगाने के लिए कि टूल का उपयोग अच्छा था या बुरा, लेखकों ने "मार्जिनल टूल यूटिलिटी" नामक एक अवधारणा बनाई। यह सुनने में भारी लग सकता है, लेकिन यह वास्तव में काफी सरल है। यह पूछता है: "क्या इस विशिष्ट टूल कॉल ने AI को सही उत्तर के करीब पहुँचने में मदद की, या इसने केवल शोर (noise) पैदा किया?"

इसे परखने के लिए, उन्होंने "LLM-as-a-Judge" नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि एक सुपर-स्मार्ट रेफरी जासूस की हर हरकत को देख रहा है। टूल के उपयोग के बाद, रेफरी टूल के उपयोग से पहले की स्थिति और टूल के उपयोग के बाद की स्थिति को देखता है।

यदि स्थिति अधिक स्पष्ट दिखती है और जासूस के मामला सुलझाने की संभावना बढ़ जाती है, तो रेफरी थम्स अप (सकारात्मक उपयोगिता) देता है।
यदि जासूस केवल भ्रमित हो गया या चक्कर काट रहा है, तो रेफरी थम्स डाउन (गैर-सकारात्मक उपयोगिता) देता है।

लेखकों ने पाया कि उन्हें इस बात की सटीक गणितीय गणना करने की आवश्यकता नहीं थी कि चीजें कितनी बेहतर हुईं; उन्हें केवल परिवर्तन के चिह्न (धनात्मक या ऋणात्मक) को जानने की आवश्यकता थी। इसने उन्हें AI की यात्रा में प्रत्येक टूल कॉल को "उपयोगी" या "उपयोगी नहीं" के रूप में लेबल करने की अनुमति दी।

प्रयोग: अव्यवस्था की सफाई

अपने विचार को सिद्ध करने के लिए, लेखकों ने APEX-SWE Observability नामक एक बेंचमार्क का उपयोग करके एक वास्तविक दुनिया का परीक्षण सेट किया। यह एक कठिन चुनौती है जहाँ AI एजेंटों को लॉग्स (logs) देखकर और अन्य सिस्टम से बात करके कंप्यूटर कोड में बग्स को ठीक करना होता है।

एजेंटों को एक "टूल सूट" दिया गया जिसमें शामिल थे:

Grafana/Lumki: सिस्टम लॉग पढ़ने के लिए एक टूल (जैसे अपराध स्थल की तस्वीरों को देखना)।
Mattermost: टीम के चैट संदेश पढ़ने के लिए एक टूल (जैसे संदिग्धों की गपशप पढ़ना)।
Plane: प्रोजेक्ट टिकट पढ़ने के लिए एक टूल (जैसे केस फाइल पढ़ना)।

लेखकों को संदेह था कि वास्तविक लॉग (Grafana/Loki) पढ़ना बहुत मददगार होगा, लेकिन चैट और टिकट पढ़ना AI को विचलित कर सकता है। इसे परखने के लिए, उन्होंने अलग-अलग टूल सेट के साथ समान 25 कठिन कार्यों को तीन बार चलाया:

फुल किट (The Full Kit): तीनों टूल्स उपलब्ध हैं।
लॉग-ओनली किट (The Log-Only Kit): केवल लॉग टूल (Grafana/Loki) उपलब्ध है।
नो-एक्स्ट्रा-टूल्स किट (The No-Extra-Tools Kit): कोई चैट या टिकट टूल्स नहीं।

उन्हें क्या मिला

परिणाम उनके परिकल्पना की स्पष्ट पुष्टि थे।

1. "चैटर" (बातचीत) को हटाने पर सटीकता में गिरावट नहीं आई।
जब उन्होंने चैट (Mattermost) और टिकट (Plane) टूल्स को हटा दिया, तो AI की सफलता दर लगभग समान रही। वास्तव में, एक मॉडल (GPT-5.3-Codex) के लिए, अतिरिक्त टूल्स हटाने पर सटीकता 0.32 से बढ़कर 0.36 हो गई। इसने साबित कर दिया कि वे अतिरिक्त टूल्स मदद नहीं कर रहे थे; वे केवल अव्यवस्था (clutter) थे।

2. "लॉग" टूल असली हीरो था।
जब उन्होंने लॉग टूल (Grafana/Loki) को हटाया, तो AI का प्रदर्शन गिर गया। GPT मॉडल के लिए सटीकता गिरकर 0.24 और Gemini मॉडल के लिए 0.20 हो गई। इसने पुष्टि की कि लॉग टूल आवश्यक था, जबकि अन्य केवल "बोझ" थे।

3. सफाई करने पर दक्षता (Efficiency) आसमान छू गई।
यहीं पर नया मीट्रिक चमक उठा। बेकार टूल्स को हटाकर, "टूल एफिशिएंसी" नाटकीय रूप से बढ़ गई।

GPT मॉडल के लिए, दक्षता फुल किट में 0.359 (लगभग 36% टूल कॉल उपयोगी थे) से बढ़कर लॉग-ओनली किट में 0.720 (72% उपयोगी) हो गई।
Gemini मॉडल के लिए, यह 0.367 से 0.593 हो गई।

साधारण शब्दों में: जब AI ने चैट संदेश और प्रोजेक्ट टिकट चेक करने में समय बर्बाद करना बंद कर दिया, तो उसने अपना लगभग दोगुना समय वास्तव में मददगार चीजों करने में बिताया।

"मिडल कॉल" (मध्यम कॉल) का रहस्य

लेखकों ने यह भी गौर किया कि AI गलतियाँ कब करता है। उन्होंने पाया कि AI अक्सर शुरुआत में मजबूत होता है, सही टूल्स (जैसे लॉग पढ़ना) का उपयोग करता है। लेकिन अपने काम के मध्य में, वह अक्सर विचलित हो जाता है, ऐसे टूल्स का उपयोग करता है जो मदद नहीं करते (जैसे चैट पढ़ना) और कदम बर्बाद करता है। यह एक ऐसे जासूस की तरह है जो पहले अपराध स्थल को देखता है, फिर संदिग्ध की डायरी पढ़ने में एक घंटा बिताता है, और उसके बाद ही वापस दृश्य पर जाता है। लेखक सुझाव देते हैं कि भविष्य के AI सिस्टम को इस "मिडल स्लम" (मध्यम गिरावट) को पहचानने के लिए प्रोग्राम किया जा सकता है और उन टूल्स का उपयोग करना बंद करने के लिए कहा जा सकता है जो मदद नहीं कर रहे हैं, जिससे प्रभावी रूप से AI को बहुत अधिक समय बर्बाद करने से पहले "बैकट्रैक" करना सिखाया जा सके।

यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि हमें केवल हर संभव टूल के साथ AI एजेंट नहीं बनाने चाहिए। इसके बजाय, हमें इन नए मीट्रिक्स का उपयोग करके "लीन" (Lean - चुस्त) टूल सूट्स बनाने चाहिए। जिस तरह एक बढ़ई ढीले पेंच को ठीक करने के लिए हथौड़ा, आरी और ड्रिल लेकर नहीं जाता, उसी तरह एक AI को उन टूल्स को ले जाने की ज़रूरत नहीं है जिनकी उसे आवश्यकता नहीं है।

लेखक सुझाव देते हैं कि मार्जिनल टूल यूटिलिटी और टूल एफिशिएंसी को मापकर, डेवलपर्स ऐसे AI एजेंट बना सकते हैं जो न केवल सटीक हैं, बल्कि चलाने में तेज़ और सस्ते भी हैं। उनका तर्क है कि यह AI एजेंटों को वास्तव में कुशल बनाने की दिशा में एक महत्वपूर्ण कदम है, न कि केवल "बुद्धिमान लेकिन अनाड़ी" बनाने की। वे यह दावा नहीं करते कि उन्होंने सब कुछ हल कर दिया है, लेकिन उन्होंने समुदाय को यह मापने के लिए एक नया पैमाना दे दिया है कि हमारे AI कार्यकर्ता वास्तव में कितना अच्छा काम कर रहे हैं।

तकनीकी सारांश: एटा गिवन डेल्टा – मार्जिनल टूल यूटिलिटी के साथ LLM टूल दक्षता को परिभाषित करना

समस्या विवरण

जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) को एजेंट के रूप में कार्य करने के लिए टूल्स (tools) से लैस किया जा रहा है, वर्तमान मूल्यांकन प्रतिमान (paradigms) लगभग पूरी तरह से टूल उपयोग की दक्षता को मापने के लिए आउटकम एक्यूरेसी (परिणाम सटीकता) पर निर्भर करते हैं। यह दृष्टिकोण एक एजेंट के प्रक्षेपवक्र (trajectory) के भीतर उपयोगी टूल कॉल्स की दर को सीधे मापने में विफल रहता है। फलस्वरूप, यह निर्धारित करने के लिए मात्रात्मक मेट्रिक्स का अभाव है कि क्या विशिष्ट टूल कॉल्स कार्य की सफलता में योगदान देते हैं या वे अनावश्यक हैं, जो संभावित रूप से अत्यधिक टूल सूट्स (tool suites) की ओर ले जा सकते हैं जो सटीकता में सुधार नहीं करते बल्कि इन्फरेंस लागत और लेटेंसी (latency) को बढ़ा देते हैं। शोध पत्र साहित्य में एक अंतराल की पहचान करता है: टूल दक्षता (उपयोगी टूल कॉल्स की दर) को मापने के लिए एक प्रत्यक्ष, मात्रात्मक विधि का अभाव और यह पहचानना कि किन विशिष्ट टूल कॉल्स को प्रदर्शन को कम किए बिना सुरक्षित रूप से हटाया जा सकता है।

कार्यप्रणाली (Methodology)

1. मार्जिनल टूल यूटिलिटी ( $\Delta\alpha$ ) को परिभाषित करना

लेखक एक व्यक्तिगत टूल कॉल ( $\alpha_i$ ) के आधार पर परिभाषित मार्जिनल टूल यूटिलिटी को एक मेट्रिक के रूप में पेश करते हैं।

परिभाषा: $\Delta\alpha(\alpha_i)$ एक एजेंट प्रक्षेपवक्र के भीतर $\alpha_i$ सहित और $\alpha_i$ को छोड़कर टूल कॉल्स के बाद कार्य के सही ढंग से हल होने की संभावना के बीच के अंतर को दर्शाता है।
चिह्न निर्धारण (Sign Determination): गणनात्मक रूप से महंगे पॉलिसी रोलआउट्स के बजाय, शोध पत्र एक LLM-as-a-Judge दृष्टिकोण का उपयोग करता है। एक जज LLM ( $\pi^{(J)}$ $π^{(J)}$ ) एक विशिष्ट टूल कॉल से पहले और बाद के प्रक्षेपवक्र का विश्लेषण करता है ताकि $\Delta\alpha(\alpha_i)$ $Δ α (α_{i})$ के चिह्न (sign) को निर्धारित किया जा सके:
- $\Delta\alpha(\alpha_i) > 0$ : टूल कॉल उपयोगी (useful) है।
- $\Delta\alpha(\alpha_i) \leq 0$ : टूल कॉल गैर-उपयोगी (non-useful) है (हटाने के लिए सुरक्षित)।
एग्रीगेट यूटिलिटी (Aggregate Utility): एक विशिष्ट टूल के सभी कॉल्स में $\Delta\alpha$ को जोड़कर, शोध पत्र यह निर्धारित करता है कि क्या वह टूल स्वयं एजेंट की सटीकता के लिए आवश्यक है।

2. टूल दक्षता ( $\eta_\alpha$ ) को परिभाषित करना

मार्जिनल टूल यूटिलिटी के चिह्नों के आधार पर, टूल दक्षता को एक प्रक्षेपवक्रम में उपयोगी टूल कॉल्स और कुल टूल कॉल्स के अनुपात के रूप में परिभाषित किया गया है:
$\eta_\alpha(\tau) = \frac{|\{\alpha_i | \Delta\alpha(\alpha_i) > 0\}|}{N}$
जहाँ $N$ कुल टूल कॉल्स की संख्या है। शोध पत्र यह परिकल्पना करता है कि गैर-धनात्मक (non-positive) एग्रीगेट यूटिलिटी वाले टूल्स को हटाने से सटीकता को नकारात्मक रूप से प्रभावित किए बिना $\eta_\alpha$ में वृद्धि होगी।

3. प्रयोगात्मक सेटअप (Experimental Setup)

बेंचमार्क: अध्ययन APEX-SWE Observability बेंचमार्क का उपयोग करता है, जिसमें 25 सार्वजनिक कार्य शामिल हैं जहाँ फ्रंटियर मॉडल्स 40% से अधिक सटीकता प्राप्त करने में संघर्ष करते हैं।
एजेंट हार्नेस (Agent Harness): डिफ़ॉल्ट हार्नेस में नेटिव टूल्स (bash, search, आदि) और तीन रीड-ओनली MCP टूल्स शामिल हैं: Grafana/Loki (लॉग्स), Mattermost (चर्चाएं), और Plane (टिकट/स्पेसिफिकेशन)।
एब्लेशन स्टडी (Ablation Study): तीन वेरिएंट्स का परीक्षण किया गया:
1. Default: सभी टूल्स शामिल हैं।
2. Grafana: केवल Grafana/Loki शामिल है।
3. No-MCP: कोई MCP टूल्स शामिल नहीं हैं।
मॉडल्स: प्रयोग GPT-5.3-Codex और Gemini 3.1 Pro का उपयोग करके किए गए, जिससे कुल 150 प्रक्षेपवक्र (trajectories) उत्पन्न हुए।
जज मॉडल: प्रत्येक टूल कॉल की उपयोगिता को वर्गीकृत करने के लिए GPT-5.4 का उपयोग जज के रूप में किया गया।

मुख्य परिणाम

कार्य सटीकता (Task Accuracy)

अनावश्यक टूल्स को हटाना: Mattermost और Plane को हटाने (Default बनाम Grafana की तुलना करने पर) के परिणामस्वरूप कार्य सटीकता में कोई महत्वपूर्ण कमी नहीं आई। कुछ मामलों में, सटीकता थोड़ी सुधरी या स्थिर रही।
आवश्यक टूल्स को हटाना: Grafana/Lki को हटाने (Grafana बनाम No-MCP की तुलना करने पर) के कारण सटीकता में स्पष्ट गिरावट आई (उदाहरण के लिए, GPT-5.3-Codex के लिए 0.36 से गिरकर 0.24 हो जाना)।
निष्कर्ष: ये ऑब्जर्वेबिलिटी कार्यों के लिए Grafana/Loki एक आवश्यक टूल है, जबकि Matter mattermost और Plane अनावश्यक हैं।

मार्जिनल टूल यूटिलिटी

एग्रीगेट यूटिलिटी: LLM-as-a-Judge ने परिकल्पना की पुष्टि की। Grafana/Loki ने सकारात्मक एग्रीगेट यूटिलिटी ( $\sum \Delta\alpha > 0$ ) दिखाई, जबकि Mattermost और Plane ने गैर-धनात्मक एग्रीगेट यूटिलिटी ( $\sum \Delta\alpha \leq 0$ ) दिखाई।
कॉल पैटर्न: जज के तर्कों के विश्लेषण से पता चला कि:
- उपयोगी कॉल्स ( $\Delta\alpha > 0$ ) अक्सर प्रक्षेपवक्र की शुरुआत में होते हैं, जो ठोस त्रुटि लॉग (error logs) प्रदान करते हैं।
- गैर-उपयोगी कॉल्स ( $\Delta\alpha \leq 0$ ) अक्सर प्रक्षेपवक्र के मध्य में होते हैं, जो अक्सर जेनेरिक क्वेरी, शोर वाले संदर्भ (noisy context), या खराब स्वरूप वाली क्वेरी पर रिट्राइ (retries) से संबंधित होते हैं।

टूल दक्षता (Tool Efficiency)

दक्षता लाभ: गैर-उपयोगी टूल्स (Mattermost और Plane) को हटाने से टूल दक्षता में उल्लेखनीय वृद्धि हुई।
- GPT-5.3-Codex: दक्षता 0.359 (Default) से बढ़कर 0.720 (Grafana) हो गई।
- Gemini 3.1 Pro: दक्षता 0.367 (Default) से बढ़कर 0.593 (Grafana) हो गई।
यह प्रदर्शित करता है कि एक लीन (lean) टूल सूट सटीकता बनाए रखते हुए उपयोगी क्रियाओं के अनुपात में भारी सुधार कर सकता है।

मुख्य योगदान

मार्जिनल टूल यूटिलिटी ( $\Delta\alpha$ ): एक नया मेट्रिक जिसे प्रत्येक टूल कॉल के लिए परिभाषित किया गया है ताकि यह निर्धारित किया जा सके कि क्या एक विशिष्ट इनवोकेशन कार्य की सफलता की संभावना को बढ़ाता है।
एग्रीगेट टूल यूटिलिटी: एक विधि जो यह भविष्यवाणी करती है कि क्या एक विशिष्ट टूल अपने कॉल-लेवल यूटिलिटी के योग के आधार पर एजेंट की सटीकता को प्रभावित करता है, जब उसे हटाया जाता है।
टूल दक्षता ( $\eta_\alpha$ ): एक मात्रात्मक मेट्रिक जो एक प्रक्षेपवक्रम में उपयोगी टूल कॉल्स की दर को दर्शाता है।
LLM-as-a-Judge कार्यान्वयन: बार-बार नीति रोलआउट की आवश्यकता के बिना $\Delta\alpha$ के चिह्न को निर्धारित करने के लिए एक लागत-कुशल विधि, जिसे एब्लेशन अध्ययनों के माध्यम से सत्यापित किया गया है।

महत्व और दावे

शोध पत्र का दावा है कि इसका प्राथमिक योगदान टूल दक्षता को मापने के लिए एक प्रत्यक्ष, मात्रात्मक ढांचे को स्थापित करना है, जो आउटकम एक्यूरेसी से अलग है। मार्जिनल टूल यूटिलिटी पेश करके, लेखक एक तंत्र प्रदान करते हैं जिससे:

लीनर टूल सूट्स डिजाइन किए जा सकें: एप्लिकेशन-लेयर इंजीनियरों को उन अनावश्यक टूल्स को पहचानने और हटाने में सक्षम बनाना जो सटीकता में योगदान नहीं देते हैं, जिससे इन्फरेंस लागत और जटिलता को कम किया जा सके।
एजेंट हार्नेस को अनुकूलित किया जा सके: टूल सूट्स को विशिष्ट बैकबोन मॉडल्स और कार्यों के लिए अनुभवजन्य उपयोगिता डेटा के आधार पर तैयार करके "वन-साइज-फिट्स-ऑल" टूल कॉन्फ़िगरेशन से आगे बढ़ना।
भविष्य के अनुसंधान को सूचित करना: सटीकता के पूरक दक्षता मेट्रिक्स के लिए अनुकूलित नए बेंचमार्क डिज़ाइन और एजेंट इंजीनियरिंग के लिए एक स्प्रिंगबोर्ड के रूप में कार्य करना।

लेखक इस बात पर जोर देते हैं कि जबकि पिछला काम सुदृढीकरण लर्निंग (reinforcement learning) या रिट्रीवल के माध्यम से टूल उपयोग में सुधार करने पर केंद्रित रहा है, यह कार्य लीनर, अधिक रखरखाव योग्य एजेंट सिस्टम के लिए कार्रवाई योग्य मेट्रिक्स प्राप्त करने के लिए पोस्ट-हॉक प्रक्षेपवक्र विश्लेषण (post-hoc trajectory analysis) पर केंद्रित है। निष्कर्ष बताते हैं कि टूल की आवश्यकता के बारे में सहज निर्णय प्रस्तावित मात्रात्मक मेट्रिक्स के साथ संरेखित होते हैं, जो व्यावहारिक तैनाती के लिए दृष्टिकोण को मान्य करते हैं।