📊 statistics

AI-driven Multimodal Representation Learning for Latent Mediation Structure Discovery of Socioeconomic Disadvantage, Psychosocial Factors, and Cardiometabolic Multimorbidity: Insights from the All of Us Research Program

'ऑल ऑफ अस रिसर्च प्रोग्राम' के डेटा पर एक एआई-संचालित मल्टीमॉडल फ्रेमवर्क का उपयोग करते हुए, यह अध्ययन प्रकट करता है कि मनोसामाजिक भेद्यता (psychosocial vulnerability), सामाजिक-आर्थिक नुकसान को कार्डियोमेटाबोलिक मल्टीमॉर्बिडिटी से जोड़ने वाले एक महत्वपूर्ण लेटेंट मध्यस्थ (latent mediator) के रूप में कार्य करती है।

मूल लेखक: Cong Cao, Shuangge Ma

प्रकाशित 2026-08-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cong Cao, Shuangge Ma

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 आपका स्वास्थ्य केवल अपने आप चलने वाली कोई जैविक मशीन नहीं है, बल्कि आपके पूरे जीवन द्वारा लिखी गई एक जटिल कहानी है। वैज्ञानिक लंबे समय से जानते हैं कि चीजें जैसे कि आपकी आय, आपकी शिक्षा और आप कहाँ रहते हैं (आपकी "सामाजिक स्थितियाँ"), इस बात से गहराई से जुड़ी हुई हैं कि आप बीमार होते हैं या नहीं। लेकिन यह कैसे होता है, यह थोड़ा रहस्यमय रहा है। यह ऐसा ही है जैसे यह जानना कि एक तूफान बाढ़ का कारण बनता है, लेकिन बादलों से शहर तक पानी ले जाने वाली नदी को ठीक से न देख पाना।

इसे हल करने के लिए, शोधकर्ता अक्सर "मध्यस्थों" (mediators) की तलाश करते हैं—वे बीच के चरण जो एक कारण को प्रभाव से जोड़ते हैं। इसे एक रिले रेस की तरह समझें: पहला धावक (सामाजिक नुकसान) दूसरे धावक (शायद तनाव या अकेलापन) को बैटन सौंपता है, जो फिर तीसरे धावक (बीमार होना) को बैटन सौंपता है। अतीत में, वैज्ञानिक आमतौर पर एक बार में केवल एक या दो धावकों को देखते थे। लेकिन वास्तविक दुनिया में, सैकड़ों धावक होते हैं, और वे सभी एक-दूसरे का हाथ थामे, पैर उलझाए, एक अराजक और तेज़ गति वाले समूह में दौड़ते हैं। इस वजह से यह देखना अविश्वसनीय रूप से कठिन हो जाता है कि बैटन वास्तव में किस विशिष्ट पथ से गया था।

यहीं पर एक नया प्रकार का "AI जासूस" आता है। भीड़ में हर एक व्यक्ति को ट्रैक करने के बजाय, यह AI भीड़ के पैटर्न को पहचानना सीखता है। यह हजारों बिखरे हुए विवरणों को कुछ सरल "छिपे हुए आयामों" (hidden dimensions) या "गुप्त कोडों" में संकुचित कर देता है जो डेटा के सार को पकड़ लेते हैं। यह शोध पत्र उपयोग करता है उस AI जादू का, यह पता लगाने के लिए कि सामाजिक संघर्ष ठीक कैसे कई पुरानी बीमारियों (chronic diseases) में बदल जाते हैं, जिसे "मल्टीमोरबिडिटी" (multimorbidity) कहा जाता है।

AI जासूस और गुप्त मार्ग

इस अध्ययन में, येल यूनिवर्सिटी के शोधकर्ताओं कोंग काओ और श्वांगे गे ने डिजिटल जासूसों की भूमिका निभाई। उन्होंने "ऑल ऑफ अस रिसर्च प्रोग्राम" (All of Us Research Program) के एक विशाल डेटासेट का उपयोग किया, जो 20,000 से अधिक वास्तविक लोगों की स्वास्थ्य जानकारी का एक विशाल पुस्तकालय है। इस पुस्तकालय में केवल मेडिकल रिकॉर्ड ही नहीं थे; इसमें पैसे और शिक्षा के बारे में सर्वेक्षण, भावनाओं और अकेलेपन के बारे में प्रश्न, रक्त परीक्षण के परिणाम, जीवनशैली की आदतें और यहाँ तक कि जेनेटिक डेटा भी शामिल था।

समस्या यह थी कि यह डेटा एक बहुत बड़ा, उलझा हुआ जाल था। आप केवल "कम आय" और "हृदय रोग" को एक साधारण गणितीय समीकरण में डालकर पूरी कहानी समझने की उम्मीद नहीं कर सकते, क्योंकि इनके बीच हजारों अन्य कारक मौजूद हैं। इसलिए, टीम ने एक विशेष AI टूल बनाया जिसे वेरिएशनल ऑटोएनकोडर (Variational Autoencoder) कहा जाता है।

इस AI को "मानव जीवन" और "गणित" बोलने वाला एक सुपर-स्मार्ट अनुवादक समझें।

अनुवाद: सबसे पहले, AI ने सभी विभिन्न प्रकार के डेटा (पैसा, भावनाएं, रक्त परीक्षण, जीन) को देखा और उन्हें "लेटेंट डायमेंशन" (latent dimensions) की एक गुप्त भाषा में अनुवादित किया। कल्पना कीजिए कि आप किसी व्यक्ति के जीवन की एक विशाल, रंगीन, 3D मूर्ति को कुछ सरल, चमकती हुई पट्टियों (bars) में सिकोड़ रहे हैं। प्रत्येक पट्टी एक छिपे हुए विषय का प्रतिनिधित्व करती है। एक पट्टी "सामाजिक संघर्ष" का प्रतिनिधित्व कर सकती है, दूसरी "मनोसामाजिक भेद्यता" (Psychosocial Vulnerability) की, और तीसरी "शारीरिक समस्या" (Body Trouble) की।
रिले रेस: एक बार जब डेटा को इन सरल पट्टियों में सिकोड़ दिया गया, तो AI ने एक मध्यस्थता विश्लेषण (mediation analysis) चलाया। उसने पूछा: "क्या 'सामाजिक संघर्ष' की पट्टी 'मनोसामाजिक भेद्यता' की पट्टी को धकेलती है, जो फिर 'शारीरिक समस्या' की पट्टी को धकेलती है?"

उन्हें क्या मिला

इन छिपी हुई पट्टियों के 800 विभिन्न संभावित संयोजनों पर गणना करने के बाद, AI ने एक बहुत ही स्पष्ट, प्रमुख पथ खोजा। यह एक अराजक मिश्रण नहीं था जहाँ सब कुछ हर चीज़ से जुड़ा हुआ था। इसके बजाय, संकेत केवल कुछ विशिष्ट गलियारों में केंद्रित था।

सबसे मजबूत पथ जो उन्हें मिला, वह इस प्रकार था:
सामाजिक-आर्थिक नुकसान $\rightarrow$ मनोसामाजिक भेद्यता $\rightarrow$ कार्डियोमेटाबोलिक मल्टीमोरबिडिटी।

यहाँ उन भारी-भरकम शब्दों का सरल अंग्रेजी (और हिंदी) में अर्थ दिया गया है:

शुरुआत (सामाजिक-आर्थिक नुकसान): यह छिपा हुआ आयाम कम आय और निम्न शिक्षा स्तरों से प्रेरित था। जिन लोगों के पास कम पैसा और कम स्कूली शिक्षा थी, उनका इस "संघर्ष" वाली पट्टी पर स्कोर अधिक था।
मध्य (मनोसामाजिक भेद्यता): यह महत्वपूर्ण मध्य चरण है। AI ने पाया कि "संघर्ष" वाली पट्टी ने "भेद्यता" वाली पट्टी को मजबूती से ऊपर धकेला। यह मध्य पट्टी खराब मानसिक स्वास्थ्य, अधिक अकेलापन, कम सामाजिक कल्याण और कम स्वास्थ्य साक्षरता द्वारा चिह्नित थी। दूसरे शब्दों में, कम पैसा होने के तनाव ने लोगों को अधिक अलग-थलग, मानसिक रूप से कम स्वस्थ और स्वास्थ्य संबंधी जानकारी को समझने में कम सक्षम बना दिया।
अंत (कार्डियोमेटाबोलिक मल्टीमोरबिडिटी): अंत में, इस "भेद्यता" वाली पट्टी ने "शारीरिक समस्या" वाली पट्टी को ऊपर धकेला। यह अंतिम आयाम गंभीर स्थितियों का एक समूह था: उच्च रक्तचाप (hypertension), मधुमेह (diabetes), उच्च कोलेस्ट्रॉल, मोटापा, क्रोनिक किडनी रोग और हृदय रोग।

गणित ने इस संबंध के लिए एक विशिष्ट संख्या दिखाई: एक नेचुरल इनडायरेक्ट इफेक्ट (NIE) 0.002517। हालांकि यह संख्या छोटी लग सकती है, याद रखें कि AI कच्चे रोग गणनाओं के बजाय "संकुचित" गुप्त कोडों के साथ काम कर रहा था। जो मायने रखता है वह यह है कि 800 संभावनाओं में से यह सबसे मजबूत संकेत था।

मशीन में "भूत" (The "Ghost" in the Machine)

इस अध्ययन का सबसे दिलचस्प हिस्सा यह है कि कैसे AI ने उन चीजों को उजागर किया जिन्हें हम शायद मिस कर देते। "मनोसामाजिक भेद्यता" की पट्टी केवल भावनाओं के बारे में नहीं थी; इसका उच्च रक्तचाप और मधुमेह जैसी शारीरिक बीमारियों के साथ भी एक मजबूत संबंध था। यह सुझाव देता है कि असुरक्षित महसूस करना (अकेलापन, तनाव, कम शिक्षित होना) और बीमार होने की वास्तविकता, एक ही छिपे हुए पैटर्न में गहराई से जुड़े हुए हैं।

शोधकर्ताओं ने यह भी जांचा कि क्या यह परिणाम कोई इत्तेफाक था। उन्होंने बूटस्ट्रैप विश्लेषण (जो थोड़ा अलग रैंडम सैंपल के साथ प्रयोग को हजारों बार चलाने जैसा है) का उपयोग किया और पाया कि परिणाम स्थिर था। यह पथ कायम रहा।

इसका क्या अर्थ है (और क्या नहीं)

लेखक सावधानीपूर्वक कहते हैं कि यह अध्ययन सुझाव देता है कि एक मजबूत संबंध है, लेकिन यह सिद्ध नहीं करता कि सामाजिक नुकसान अकेलेपन के माध्यम से इन बीमारियों का कारण बनता है। चूंकि इस अध्ययन ने डेटा को एक साथ (अवलोकन संबंधी/observational) देखा न कि लोगों के जीवन को बदलकर एक प्रयोग के रूप में, हम निश्चित रूप से नहीं कह सकते कि अकेलेपन को ठीक करने से बीमारियों को अपने आप ठीक कर दिया जाएगा। हालांकि, पैटर्न इतना मजबूत और सुसंगत है कि यह हमें देखने के लिए एक बहुत स्पष्ट मानचित्र देता है।

यह अध्ययन इस विचार को भी खारिज करता है कि संबंध सैकड़ों छोटे, कमजोर रास्तों में समान रूप से फैला हुआ है। इसके बजाय, रिले रेस में "बैटन" को एक बहुत ही विशिष्ट, केंद्रित टीम द्वारा ले जाया जाता है: पैसा, मानसिक स्वास्थ्य और सामाजिक जुड़ाव।

निष्कर्ष

यह शोध पत्र हमें दिखाता है कि जब हम यह समझने की कोशिश करते हैं कि लोग क्यों बीमार पड़ते हैं, तो हम केवल उनके जीव विज्ञान को नहीं देख सकते। हमें उनके पूरे जीवन की कहानी को देखना होगा। हजारों डेटा बिंदुओं को कुछ स्पष्ट पैटर्न में संकुचित करने के लिए AI का उपयोग करके, शोधकर्ताओं ने पाया कि मनोसामाजिक भेद्यता—अकेला, तनावग्रस्त और कम सूचित महसूस करना—वह छिपा हुआ पुल है जो धन की कमी को पुरानी बीमारियों के भारी बोझ से जोड़ता है।

यह एक याद दिलाता है कि स्वास्थ्य केवल गोलियों और जीन के बारे में नहीं है; यह हमारे सामाजिक और भावनात्मक जीवन के उन अदृश्य धागों के बारे में है जो हम सभी को एक साथ बांधते हैं। और इस नए AI तरीके की मदद से, हमारे पास आखिरकार उन धागों को देखने का एक बेहतर तरीका है।

तकनीकी सारांश: लेटेंट मीडिएशन स्ट्रक्चर डिस्कवरी के लिए AI-संचालित मल्टीमॉडल रिप्रेजेंटेशन लर्निंग

समस्या विवरण
सामाजिक नुकसान (social disadvantage) मल्टीमॉर्बिडिटी (कई पुरानी बीमारियों का सह-अस्तित्व) के लिए एक स्थापित जोखिम कारक है, फिर भी सामाजिक स्थितियों और रोग भार के बीच के विशिष्ट मार्गों को समझना अभी भी कठिन है। पारंपरिक मीडिएशन विश्लेषण अक्सर पैरामीट्रिक रिग्रेशन मॉडल पर निर्भर करता है जो एक्सपोजर, मीडिएटर और आउटकम के बीच सरल, रैखिक संबंधों की धारणा रखते हैं। ये धारणाएं आधुनिक जनसंख्या समूहों पर लागू होने पर अत्यधिक प्रतिबंधात्मक हो जाती हैं, जो उच्च-आयामी (high-dimensional), अत्यधिक सह-संबंधित और संभावित रूप से गैर-रैखिक चरों वाली विभिन्न डेटा मोडैलिटीज (जैसे, सामाजिक-आर्थिक, मनोवैज्ञानिक, नैदानिक, जीनोमिक) द्वारा अभिलक्षित हैं। इसके अतिरिक्त, मल्टीमॉर्बिडिटी एक अनूठी चुनौती पेश करती है क्योंकि बीमारियाँ अलग-थलग रहने के बजाय परस्पर जुड़े नेटवर्क में होती हैं, जिससे उन जटिल मार्गों का वर्णन करना कठिन हो जाता है जिन्हें पारंपरिक विश्लेषणात्मक दृष्टिकोण अलग-अलग निदानों के रूप में देखते हैं।

कार्यप्रणाली
लेखक All of Us Research Program (Controlled Tier v8) के डेटा पर लागू एक AI-संचालित मल्टीमॉडल मीडिएशन फ्रेमवर्क का प्रस्ताव करते हैं। यह अध्ययन सात विश्लेषणात्मक डोमेन को एकीकृत करता है: सामाजिक-आर्थिक एक्सपोजर, मनोवैज्ञानिक मीडिएटर्स, रोग आउटकम, जनसांख्यिकीय कोवेरिएट्स, प्रयोगशाला माप, व्यवहार संबंधी कारक, और जीनोमिक बर्डन प्रोफाइल।

विश्लेषणात्मक वर्कफ़्लो के चार प्राथमिक चरण हैं:

डिजीज नेटवर्क निर्माण: इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) से डिजीज को-अकरेंस नेटवर्क बनाने के लिए लूवेन कम्युनिटी डिटेक्शन एल्गोरिदम (Louvain community detection algorithm) का उपयोग किया गया ताकि मल्टीमॉर्बिडिटी पैटर्न को समझा जा सके।
मल्टीमॉडल रिप्रेजेंटेशन लर्निंग: प्रत्येक डेटा मोडैलिटी के लिए अलग-अलग वेरिएशनल ऑटोएनकोडर्स (VAEs) को प्रशिक्षित किया गया ताकि निम्न-आयामी लेटेंट रिप्रेजेंटेशन प्राप्त किए जा सकें। यह दृष्टिकोण इसलिए चुना गया क्योंकि मोडैलिटीज स्केल, स्पर्सिटी (sparsity) और वितरण में काफी भिन्न होती हैं।
- आर्किटेक्चर: प्रत्येक VAE में एक एनकोडर, एक लेटेंट लेयर और एक डिकोडर होता है, जिसे रिकंस्ट्रक्शन लॉस और कुलबैक-लीब्लर डायवर्जेंस (Kullback–Leibler divergence) को कम करने के लिए प्रशिक्षित किया जाता है।
- हाइपरपैरामीटर्स: मॉडल्स को 80/20 ट्रेन/वैलिडेशन स्प्लिट का उपयोग करके ट्यून किया गया, जिसमें एविडेंस लोअर बाउंड (ELBO) को ऑप्टिमाइज़ किया गया। अंतिम कॉन्फ़िगरेशन में 4 (सामाजिक-आर्थिक), 20 (मनोवैज्ञानिक), 10 (रोग), 10 (जीनोमिक), 8 (प्रयोगशाला), और 3 (व्यवहार) के लेटेंट डाइमेंशन का उपयोग किया गया।
लेटेंट इंटीग्रेशन: सभी मोडैलिटीज से प्रतिभागी-स्तर के लेटेंट एम्बेडिंग्स को यूनिक आइडेंटिफायर के माध्यम से जोड़ा गया।
लेटेंट-स्पेस मीडिएशन एनालिसिस: $Z_T \rightarrow Z_M \rightarrow Z_Y$ $Z_{T} \to Z_{M} \to Z_{Y}$ (सामाजिक-आर्थिक $\rightarrow$ $\to$ मनोवैज्ञानिक $\rightarrow$ $\to$ रोग) के रूप में अप्रत्यक्ष मार्गों का मूल्यांकन करने के लिए लेटेंट स्पेस में मीडिएशन विश्लेषण किया गया।
- मॉडेल्स: प्रत्येक एक्सपोजर ( $Z_{Tj}$ ), मीडिएटर ( $Z_{Mk}$ ), और आउटकम ( $Z_{Yl}$ ) डाइमेंशन के संयोजन के लिए दो रिग्रेशन मॉडल फिट किए गए।
- एस्टिमेशन: प्रोडक्ट-ऑफ-कोएफिशिएंट्स अप्रोच ( $NIE = a_{jk} \times b_{kl}$ ) का उपयोग करके नेचुरल इनडायरेक्ट इफेक्ट्स (NIEs) का अनुमान लगाया गया।
- स्कोप: विश्लेषण ने 800 संभावित मार्गों ( $4 \times 20 \times 10$ ) का मूल्यांकन किया, जिसमें जनसांख्यिकीय, प्रयोगशाला, व्यवहार और जीनोमिक लेटेंट एम्बेडिंग्स को एडजस्ट किया गया।
- सांख्यिकीय कठोरता: बेंजामिनी-हॉकबर्ग प्रक्रिया का उपयोग करके फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित किया गया, और शीर्ष-रैंक वाले मार्गों की स्थिरता का आकलन नॉन-पैरामीट्रिक बूटस्ट्रैप रिसैंपलिंग के माध्यम से किया गया।

मुख्य परिणाम

कोहॉर्ट: सभी मोडैलिटीज में पूर्ण डेटा को एकीकृत करने के बाद, अंतिम विश्लेषणात्मक कोहॉर्ट में 20,804 प्रतिभागी शामिल थे।
पाथवे कंसन्ट्रेशन: मीडिएशन सिग्नल व्यापक रूप से फैले हुए नहीं थे, बल्कि लेटेंट डाइमेंशन्स के एक छोटे समूह में केंद्रित थे।
डोमिनेंट पाथवे: सबसे मजबूत अप्रत्यक्ष संबंध $Z_{T2} \rightarrow Z_{M13} \rightarrow Z_{Y9}$ के रूप में पहचाना गया, जिसका अनुमानित NIE 0.002517 था।
- एक्सपोजर ( $Z_{T2}$ ): यह सामाजिक-आर्थिक नुकसान का प्रतिनिधित्व करता है, जो कम आय और कम शैक्षिक उपलब्धि द्वारा अभिलक्षित है।
- मीडीएटर ( $Z_{M13}$ ): यह मनोवैज्ञानिक भेद्यता (psychosocial vulnerability) का प्रतिनिधित्व करता है, जो खराब मानसिक स्वास्थ्य, अधिक अकेलापन, कम सामाजिक कल्याण और कम स्वास्थ्य साक्षरता द्वारा अभिलक्षित है। यह डाइमेंशन कार्डियोमेटाबोलिक संकेतकों (हाइपरटेंशन, मधुमेह, हाइपरलिपिडेमिया) के साथ भी संबंध दिखाता है।
- आउटकम ( $Z_{Y9}$ ): यह कार्डियोमेटाबोलिक मल्टीमॉर्बिडिटी का प्रतिनिधित्व करता है, जिसमें हाइपरटेंशन, मधुमेह, हाइपरलिपिडेमिया, मोटापा, क्रोनिक किडनी रोग, हृदय रोग, स्लीप एपनिया और हार्ट फेल्योर शामिल हैं।
स्थिरता: डोमिनेंट पाथवे के बूटस्ट्रैप विश्लेषण ने 0.00291 का NIE (95% CI: 0.00243–0.00344) प्रदान किया, जो अप्रत्यक्ष जुड़ाव की मजबूती की पुष्टि करता है।
नेटवर्क स्ट्रक्चर: उच्च-मल्टीमॉर्बिडिटी सबग्रुप में डिजीज को-अकरेंस नेटवर्क में पूर्ण कोहॉर्ट (0.116) की तुलना में काफी अधिक मॉड्यूलैरिटी (0.694) देखी गई, जो कई स्थितियों वाले व्यक्तियों में रोग समुदायों के बीच मजबूत अलगाव को दर्शाता है।

महत्व और दावे
यह शोध पत्र दो प्राथमिक योगदानों का दावा करता है:

विषयगत अंतर्दृष्टि (Substantive Insight): अध्ययन यह पहचानता है कि मनोवैज्ञानिक भेद्यता एक प्रमुख लेटेंट डाइमेंशन है जो सामाजिक नुकसान को कार्डियोमेटाबोलिक मल्टीमॉर्बिडिटी से जोड़ती है। यह सुझाव देता है कि मानसिक स्वास्थ्य, अकेलापन और स्वास्थ्य साक्षरता जैसे कारक सामाजिक स्थितियों से क्रोनिक रोग के बोझ के बीच के मार्ग में महत्वपूर्ण मध्यस्थ हैं।
मेथोडोलॉजिकल एडवांसमेंट: यह फ्रेमवर्क प्रदर्शित करता है कि कैसे AI-आधारित रिप्रेजेंटेशन लर्निंग (विशेष रूप से मल्टीमॉडल VAEs) का उपयोग उच्च-आयामी स्वास्थ्य डेटा में जटिल संबंधों की जांच के लिए किया जा सकता है। लेटेंट फीचर्स सीखकर, यह दृष्टिकोण व्यक्तिगत मीडिएटर्स या रोग परिणामों को पूर्व-निर्धारित किए बिना मार्गों की खोज करने की अनुमति देता है। यह विशेष रूप से उन डेटासेट्स के लिए मूल्यवान है जहाँ संबंध कई सह-संबंधित चरों और मोडैलिटीज में वितरित होते हैं।

सीमाएं और व्याख्या
लेखक स्पष्ट रूप से कहते हैं कि यह विश्लेषण अवलोकन संबंधी (observational) है और कारण संबंधी मीडिएशन प्रभाव (causal mediation effects) स्थापित नहीं करता है। "नेचुरल इनडायरेक्ट इफेक्ट" और "नेचुरल डायरेक्ट इफेक्ट" का उपयोग लेटेंट स्पेस में गणना किए गए रिग्रेशन-आधारित डीकंपोजिशन मात्राओं के लेबल के रूप में किया गया है, न कि काउंटरफैक्चुअल कॉज़ल एस्टीमेट के रूप में। प्रभाव आकारों (effect sizes) की व्याख्या क्लिनिकल रोग जोखिम में सीधे परिवर्तन के बजाय लेटेंट स्पेस के भीतर मार्ग की सापेक्ष शक्ति के माप के रूप में की जाती है। अध्ययन यह भी नोट करता है कि पूर्ण-केस इंटीग्रेशन के कारण सैंपल साइज में कमी और स्व-रिपोर्ट किए गए मनोवैज्ञानिक डेटा में संभावित माप त्रुटि के संबंध में सीमाएं हैं।

AI जासूस और गुप्त मार्ग

उन्हें क्या मिला

मशीन में "भूत" (The "Ghost" in the Machine)

इसका क्या अर्थ है (और क्या नहीं)

निष्कर्ष

इसी तरह के और पेपर