🤖 AI

The Knowing-Saying Gap: When Probes See Errors that Confidence Misses

यह शोध पत्र प्रकट करता है कि जबकि लीनियर प्रोब्स (linear probes) भाषा मॉडलों में दूषित संदर्भ (corrupted context) का सटीक पता लगा सकते हैं, वे अंतिम उत्तर की शुद्धता की विश्वसनीय भविष्यवाणी करने या प्रभावी वास्तविक समय के हस्तक्षेपों का मार्गदर्शन करने में विफल रहते हैं, जो एक-आकार-सभी-के-लिए-उपयुक्त (one-size-fits-all) निगरानी समाधान के बजाय मॉडल-जागरूक और त्रुटि-प्रकार-जागरूक रूटिंग रणनीतियों को आवश्यक बनाता है।

मूल लेखक: Jyotin Goel, Ipshita Bandyopadhyay, Justin Shenk

प्रकाशित 2026-08-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jyotin Goel, Ipshita Bandyopadhyay, Justin Shenk

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 जादूगर को कार्ड का करतब दिखाते हुए देख रहे हैं। जादूगर इतना सहज, इतना आत्मविश्वासी और इतना तेज़ है कि आपको कभी भी संदेह नहीं होता। लेकिन क्या होगा अगर जादूगर के मस्तिष्क के भीतर, एक छोटा सा अलार्म चिल्ला रहा हो, "रुको! मैंने गलत कार्ड बदल दिया!"? आर्टिफिशियल इंटेलिजेंस की दुनिया में, विशेष रूप से लार्ज लैंग्वेज मॉडल्स (वे सुपर-स्मार्ट चैटबॉट्स जो कोड लिखते हैं, यात्रा की योजना बनाते हैं और गणित की समस्याओं को हल करते हैं), बिल्कुल ऐसा ही होता है। ये मॉडल जादूगर की तरह हैं: वे पूरी तरह से आत्मविश्वास के साथ बात कर सकते हैं, भले ही वे एक भयानक गलती कर रहे हों।

वैज्ञानिक लंबे समय से उम्मीद कर रहे थे कि यदि कोई मॉडल भ्रमित या गलत है, तो वह "हकलाएगा" या कहेगा, "मुझे इसके बारे में यकीन नहीं है।" इस विचार को "वर्बलाइज्ड कॉन्फिडेंस" (verbalized confidence) कहा जाता है। यह एक जादूगर से पूछने जैसा है, "क्या आप सुनिश्चित हैं कि वह सही कार्ड है?" और यह उम्मीद करना कि वे अपनी गलती स्वीकार कर लेंगे। लेकिन जांच करने का एक और तरीका है: मॉडल के आंतरिक "मस्तिष्क तरंगों" (कंप्यूटर के अंदर गणितीय संकेत) को देखना कि क्या वह जानता है कि वह गड़बबड़ कर रहा है, भले ही वह इसे बोलकर न बताए। यह शोध पत्र एक डरावने लेकिन दिलचस्प अंतर की जांच करता है: मॉडल जो अपने डिजिटल मस्तिष्क के अंदर जानता है और जो वह ज़ोर से कहता है, उसके बीच का अंतर।

द साइलेंट अलार्म एंड द कॉन्फिडेंट लाई (खामोश अलार्म और आत्मविश्वासी झूठ)

शोधकर्ताओं ने इस परीक्षण के लिए एक डिजिटल खेल का मैदान तैयार किया। उन्होंने 1,400 गणितीय समस्याएं बनाईं जिनमें मॉडल को एक चरण-दर-चरण पहेली सुलझाने की आवश्यकता थी, जैसे कि एक चेन रिएक्शन। उदाहरण के लिए, "यदि मेरे पास 5 सेब हैं, और मैं 3 और खरीदता हूँ, फिर मैं आधा खो देता हूँ..." ट्रिक यह थी कि उन्होंने गुप्त रूप से श्रृंखला के पहले ही चरण में एक गलती डाल दी थी। वे दो चीजें देखना चाहते थे:

अलार्म: क्या एक विशेष डिटेक्टर (जिसे "लीनियर प्रोब" कहा जाता है) मॉडल की आंतरिक मस्तिष्क गतिविधि को देखकर यह पहचान सकता था कि पहला चरण गलत था?
भविदन (Prediction): क्या वही डिटेक्टर यह अनुमान लगा सकता था कि अंतिम उत्तर गलत होगा?

उन्होंने Llama-3.1-8B और Qwen3-4B जैसे आज के सबसे स्मार्ट मॉडल्स सहित पांच अलग-अलग मॉडल्स का परीक्षण किया।

द बिग डिस्कवरी: जानने के बावजूद न कहना

परिणाम चौंकाने वाले थे। "अलार्म" पूरी तरह से काम कर गया। जब मॉडल ने गलती की, तो डिटेक्टर ने मॉडल की आंतरिक मस्तिष्क तरंगों में त्रुटि को लगभग 100% सटीकता के साथ (विशेष रूप से, एक मॉडल के लिए 0.997 का AUROC स्कोर) पकड़ लिया। ऐसा लग रहा था जैसे मॉडल का मस्तिष्क चिल्ला रहा हो, "ERROR! ERROR!"

लेकिन यहाँ एक मोड़ है: मॉडल ने अपने ही अलार्म को नहीं सुना।

भले ही आंतरिक अलार्म बज रहा था, मॉडल का अंतिम उत्तर उतना ही आत्मविश्वासी था जितना कि तब होता जब वह सही होता। वह डिटेक्टर जो त्रुटि को पूरी तरह से देख सकता था, वह यह भविष्यवाणी करने में पूरी तरह से बेकार था कि अंतिम उत्तर गलत होगा या नहीं। यह एक ऐसे स्मोक डिटेक्टर की तरह है जो टोस्ट जलने पर "आग!" चिल्लाता है, लेकिन फायर डिपार्टमेंट (मॉडल का अंतिम उत्तर) अभी भी आता है और कहता है, "सब ठीक है, यहाँ कोई आग नहीं है।"

शोध पत्र स्पष्ट रूप से कुछ चीजों को खारिज करता है जिनकी लोग उम्मीद कर सकते थे:

आत्मविश्वास कोई सुराग नहीं है: जब उनसे पूछा गया कि वे कितने आश्वस्त हैं, तो मॉडल्स ने केवल एक बाइनरी "हाँ" या "नहीं" दिया, जिसमें कोई वास्तविक सूक्ष्मता नहीं थी। एक मॉडल जो 99% निश्चित था, वह भी उतना ही गलत होने की संभावना रखता था जितना कि एक मॉडल जो 50% निश्चित था।
ज़्यादा सोचने से मदद नहीं मिलती: उन्होंने एक "सोचने का मोड" (thinking mode) आजमाया जहाँ मॉडल को चरण-दर-चरण अपना तर्क लिखने के लिए मजबूर किया गया (Chain-of-Thought)। आप सोच सकते हैं कि इससे मॉडल को अपनी गलतियों को पकड़ने में मदद मिलेगी। इसके विपरीत, इसने मॉडल को सही उत्तर पाने में और भी खराब बना दिया (सटीकता 27.9% से गिरकर 1.2% हो गई) बिना इस तथ्य को बदले कि आंतरिक अलार्म अभी भी बज रहा था। मॉडल जानता था कि वह गलत है, लेकिन उस पर बात करने से वह ठीक नहीं हुआ।

क्या हम इसे ठीक कर सकते हैं? "ब्रांच-एंड-पिक" रणनीति

चूंकि मॉडल यह स्वीकार नहीं करेंगे कि वे गलत हैं, इसलिए शोधकर्ताओं ने उनके लिए एक "सुरक्षा जाल" (safety net) के रूप में कार्य करने की कोशिश की। उन्होंने एक प्रणाली बनाई जो आंतरिक अलार्म को सुनती है और मॉडल के उत्तर पूरा करने से पहले गलती को सुधारने की कोशिश करती है। उन्होंने हस्तक्षेप करने के तीन अलग-अलग तरीकों का परीक्षण किया:

रीप्रॉम्प्ट (Reprompt): बस मॉडल को कहना, "हे, अपना काम चेक करो!" (यह अच्छी तरह से काम नहीं किया)।
रिप्लेस-प्रायर (Replace-Prior): गलत चरण को मिटाना और मॉडल को शून्य से फिर से प्रयास करने के लिए मजबूर करना। यह मिला-जुला रहा; इसने कुछ गलत उत्तरों को बचाया लेकिन अनजाने में कुछ सही उत्तरों को भी बिगाड़ दिया।
ब्रांच-एंड-पिक (Branch-and-Pick): यह विजेता रहा। जब अलार्म बजा, तो सिस्टम ने केवल अनुमान नहीं लगाया; बल्कि उसने मॉडल को अगला चरण चार अलग-अलग तरीकों से (विभिन्न स्तर की यादृच्छिकता/randomness का उपयोग करके) आज़माने के लिए कहा। फिर, इसने उस पथ को चुनने के लिए आंतरिक अलार्म का उपयोग किया जो सबसे "साफ" (कम दूषित होने की संभावना वाला) दिखता था।

यह "ब्रांच-एंड-पिक" विधि एकमात्र ऐसी थी जिसने सही उत्तरों को खराब किए बिना लगातार गलत उत्तरों को बचाया। एक विशिष्ट मॉडल (Llama-3.1-8B) पर, इसने 4 गलत उत्तरों को बचाया और 0 सही उत्तरों को बिगाड़ा। हालाँकि, शोध पत्र नोट करता है कि यह हर स्थिति के लिए जादुई समाधान नहीं है। सफलता इस बात पर बहुत अधिक निर्भर थी कि किस प्रकार की गलती हुई थी। उदाहरण के लिए, "गलत यूनिट" वाली त्रुटि को ठीक करना बहुत अच्छा रहा, लेकिन "गलत प्रतिशत" वाली त्रुटि को ठीक करने से चीजें वास्तव में और खराब हो गईं।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि हम यह बताने के लिए मॉडल के शब्दों पर भरोसा नहीं कर सकते कि वह सही है या नहीं। एक मॉडल आपदा के प्रति आंतरिक रूप से जागरूक होते हुए भी आत्मविश्वास के साथ गलत उत्तर दे सकता है। "जानने-कहने का अंतर" (Knowing-Saying Gap) वास्तविक और खतरनाक है।

समाधान मॉडल से अधिक ईमानदार होने के लिए पूछना नहीं है; बल्कि एक "मॉडल-जागरूक" सुरक्षा प्रणाली बनाना है। हमें आंतरिक अलार्म (प्रोब्स) को सुनने और गलतियों को पकड़ने के लिए "ब्रांच-एंड-पिक" जैसी स्मार्ट रणनीतियों का उपयोग करने की आवश्यकता है। लेकिन हमें सावधान भी रहना होगा: ऐसी कोई एक चीज़ नहीं है जो हर प्रकार की गलती या हर मॉडल के लिए काम करे। सुरक्षित AI का भविष्य चैटबॉट के आत्मविश्वास पर भरोसा करने के बारे में नहीं है; यह एक ऐसा गार्डरेल बनाने के बारे में है जो जानता है कि चैटबॉट खुद से कब झूठ बोल रहा है।

तकनीकी सारांश: भाषा मॉडलों में 'जानने-कहने' का अंतर (The Knowing-Saying Gap)

समस्या विवरण (Problem Statement)

यह शोध पत्र तैनात (deployed) लार्ज लैंग्वेज मॉडल्स (LLMs) में एक गंभीर विश्वसनीयता विफलता को संबोधित करता है, विशेष रूप से एजेंटिक पाइपलाइनों (agentic pipelines) के भीतर जहाँ मॉडल के आउटपुट भविष्य के संदर्भ (context) में फीडबैक के रूप में जाते हैं (जैसे, कोडिंग एजेंट, मल्टी-स्टेप प्लानिंग)। इन सेटिंग्स में, एक प्रारंभिक चरण में हुई एक त्रुटि क्रमिक चरणों में फैल जाती है, जिससे "कैस्केडिंग कॉन्टेक्स्ट करप्शन" (cascading context corruption) होता है। मुख्य समस्या आंतरिक अवस्था (internal state) और मौखिक आउटपुट (verbal output) के बीच का अलगाव है: मॉडल अक्सर तब भी प्रवाहपूर्ण और आत्मविश्वासी टेक्स्ट जनरेट करना जारी रखते हैं, जब उनका आंतरिक कंप्यूटेशन एक त्रुटि से दूषित हो चुका होता है। यह "फिडेलिटी के बिना फ्लुएंसी" (fluency without fidelity) मानक निगरानी तकनीकों को अप्रभावी बना देती है, जैसे कि मॉडल से मौखिक आत्मविश्वास या आत्म-आलोचना (self-critique) के लिए पूछना, क्योंकि मॉडल का त्रुटि के बारे में आंतरिक ज्ञान उसके सतही व्यवहार में अनुवादित नहीं होता है।

कार्यप्रणाली (Methodology)

लेखक इस घटना की जांच एक नियंत्रित, कंट्रास्टिव प्रयोगात्मक डिजाइन का उपयोग करके करते हैं:

डेटासेट: 500 मूल समस्याओं से उत्पन्न 1,400 मल्टी-हॉप अंकगणितीय ट्रेसेस (arithmetic traces) का एक सिंथेटिक डेटासेट। इस डेटासेट में "क्लीन" (clean) ट्रेसेस और "करप्टेड" (corrupted) ट्रेसेस शामिल हैं, जहाँ एक विशिष्ट हॉप (चरण) को कृत्रिम रूप से गलत मान से बदल दिया गया है। पाँच अलग-अलग त्रुटि प्रकारों का उपयोग किया गया है: off_by_one, wrong_operator, wrong_unit, magnitude_error, और wrong_percentage_base।
मॉडल: मूल्यांकन Qwen और Llama परिवारों के पांच मॉडलों के माध्यम से किया गया है, जिसमें 3B से 8B पैरामीटर्स तक के इंस्ट्रक्शन-ट्यून्ड और रीजनिंग (थिंकिंग-मोड) वेरिएंट शामिल हैं।
प्रोब ट्रेनिंग (Probe Training): फ्रोजन मॉडल्स के रेसिडुअल स्ट्रीम एक्टिवेशन पर एक लीनियर प्रोब (लॉजिस्टिक रिग्रेशन) को प्रशिक्षित किया गया है। प्रोब को क्लीन और करप्टेड कॉन्टेक्स्ट के बीच अंतर करने के लिए दो एकत्रीकरण मोडों का उपयोग करके प्रशिक्षित किया गया है: लास्ट-टोकन (last-token) और मीन-ओवर-टोकन्स (mean-over-tokens)।
मुख्य मेट्रिक्स:
- डिटेक्शन ( $AUROC_{detect}$ ): एक करप्टेड कॉन्टेक्स्ट को क्लीन कॉन्टेक्स्ट से अलग करने की प्रोब की क्षमता।
- फेलियर प्रेडिक्शन ( $AUROC_{fail}$ ): यह अनुमान लगाने की क्षमता कि क्या भ्रष्टाचार (corruption) के परिणामस्वरूप अंतिम उत्तर गलत होगा, यह देखते हुए कि त्रुटि पहले ही हो चुकी है।
- सरफेस सिग्नल्स (Surface Signals): छह स्केलर अनिश्चितता सिग्नल (जैसे, एंट्रॉपी, कॉन्फिडेंस, वोकैबुलरी गैप) टोकन लॉजिट्स से कंप्यूट किए गए हैं जो बेसलाइन के रूप में कार्य करते हैं।
हस्तक्षेप (Interventions): तीन प्रोब-ट्रिगर रणनीतियों का परीक्षण किया गया है ताकि यह देखा जा सके कि त्रुटि का पता लगाना अंतिम सटीकता में सुधार कर सकता है या नहीं:
1. रीप्रॉम्प्ट (Reprompt): एक रीचेक निर्देश जोड़ना।
2. रिप्लेस-प्रायर (Replace-prior): पिछले हॉप को शुरुआत से फिर से जेनरेट करना।
3. ब्रांच-एंड-पिक (Branch-and-pick): कई निरंतरताओं (continuations) को सैंपल करना और उस विकल्प को चुनना जिसमें प्रोब एरर स्कोर सबसे कम हो।

मुख्य योगदान (Key Contributions)

कंट्रास्टिव डेटासेट: 1,400 ट्रेसेस का एक नियतात्मक (deterministic), मानव-मुक्त डेटासेट जिसमें पाँच त्रुटि प्रकार हैं, जिसका मूल्यांकन इंस्ट्रक्शन-ट्यून्ड और रीजनिंग मॉडल वेरिएंट्स पर किया गया है।
डिटेक्शन बनाम फेलियर प्रेडिक्शन कोलैप्स: एक लक्षण वर्णन जो दिखाता है कि जबकि प्रोब्स लगभग पूर्ण सटीकता के साथ भ्रष्टाचार का पता लगा सकते हैं, वे यह अनुमान लगाने में विफल रहते हैं कि वह भ्रष्टाचार अंतिम गलत उत्तर का कारण बनेगा या नहीं।
हस्तक्षेप विश्लेषण: तीन हस्तक्षेप नीतियों का एक नियंत्रित तुलना, जो प्रकट करता है कि कोई भी एकल रणनीति सार्वभौमिक रूप से प्रभावी नहीं है; प्रभावकारिता विशिष्ट मॉडल और त्रुटि प्रकार पर अत्यधिक निर्भर है।
खंडित परिकल्पना (Refuted Hypothesis): लेखकों ने एक परिकल्पना को प्री-रजिस्टर्ड किया और बाद में उसे खंडित किया कि "हॉप्स के दौरान प्रोब एक्टिवेशन की निरंतरता" विफलता की भविष्यवाणी करती है।
रोबस्टनेस कंट्रोल्स: साक्ष्य कि डिटेक्शन सिग्नल डेटा लीकेज या सतही स्तर के टोकन सिग्नेचर का आर्टिफैक्ट नहीं है, जिसे ग्रुपड क्रॉस-वैलिडेशन और लीव-वन-एरर-टाइप-आउट इवैल्यूएशन के माध्यम से प्रदर्शित किया गया है।

परिणाम (Results)

1. जानने-कहने का अलगाव (The Knowing-Saying Dissociation)

उच्च डिटेक्शन सटीकता: लीनियर प्रोब्स सभी मॉडलों में इंजेक्ट की गई त्रुटियों को $AUROC_{detect} > 0.98$ के साथ डिटेक्ट करते हैं, जो Llama-3.1-8B पर 0.997 के शिखर पर पहुँचता है। यह सिग्नल मुख्य रूप से लेयर 0 और लेयर 1 के बीच संक्रमण से उभरता है।
फेलियर प्रेडिक्शन की विफलता: उच्च डिटेक्शन सटीकता के बावजूद, वही प्रोब्स अंतिम उत्तर की शुद्धता के बारे में अनइंफॉर्मेटिव हैं। सभी मॉडलों में $AUROC_{fail}$ गिरकर लगभग चांस लेवल (0.47–0.53) पर आ जाता है। मॉडल "जानता" है कि कॉन्टेक्स्ट करप्ट है लेकिन वह गलत आउटपुट को रोकने के लिए उस ज्ञान को "कहता" (या उस पर कार्य करता) नहीं है।
सरफेस सिग्नल्स: मौखिक आत्मविश्वास और अन्य सतही अनिश्चितता सिग्नल डिटेक्शन के लिए चांस लेवल ( $AUROC \approx 0.5$ ) पर प्रदर्शन करते हैं और अंतिम शुद्धता के साथ कोई सहसंबंध नहीं दिखाते हैं। कॉन्फिडेंस अक्सर बाइनरी एक्सट्रीम्स (0 या 1) में गिर जाता है, जिसमें दोनों समूहों के बीच त्रुटि दर अविभेद्य होती है।

2. रीजनिंग मोड्स का प्रभाव

Qwen3-4B पर "थिंकिंग मोड" (विस्तारित चेन-ऑफ-थॉट) को सक्षम करने से यह अंतर कम नहीं हुआ। हालांकि इसने टोकन काउंट बढ़ाया, इसने एरर-कंडीशन एक्यूरेसी को 27.9% से घटाकर 1.2% कर दिया, बिना प्रोब की आंतरिक त्रुटि अवस्था का पता लगाने की क्षमता को बदले। यह सुझाव देता है कि भ्रष्टाचार का आंतरिक एनकोडिंग बना रहता है भले ही आउटपुट चैनल बाधित हो जाए।

3. हस्तक्षेप प्रभावशीलता (Intervention Effectiveness)

ब्रांच-एंड-पिक: यह एकमात्र नीति थी जो मॉडलों में नेट-पॉजिटिव थी और Llama-3.1-8B पर अद्वितीय रूप से नॉन-ब्रेकिंग थी (4 बचाए, 0 तोड़े)। हालांकि, यह इन्फरेंस कॉस्ट को काफी बढ़ा देती है।
रिप्लेस-प्रायर: इस रणनीति ने गलत ट्रेसेस को बचाया लेकिन समान दर से सही ट्रेसेस को भी तोड़ दिया, जिसके परिणामस्वरूप कोई शुद्ध लाभ नहीं हुआ।
रीप्रॉम्प्ट: आम तौर पर अप्रभावी।
विषमता (Heterogeneity): हस्तक्षेप की सफलता त्रुटि प्रकार पर अत्यधिक निर्भर है। उदाहरण के लिए, replace-prior wrong_unit त्रुटियों के लिए अत्यधिक प्रभावी था लेकिन wrong_percentage_base त्रुटियों के लिए नेट-नेगेटिव था।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि प्रोब-आधारित निगरानी, मौखिक आत्मविश्वास का पूरक (complement) है, न कि उसका विकल्प। केंद्रीय निष्कर्ष यह है कि यह धारणा कि एक मॉडल का आंतरिक राज्य उसके मौखिक आउटपुट के माध्यम से सुलभ है, कैस्केडिंग त्रुटियों के संदर्भ में गलत है।

डिकोडेबिलिटी, न कि कॉजेशन (Decodability, not Causation): लेखक इस बात पर जोर देते हैं कि हालांकि त्रुटि सिग्नल रेसिडुअल स्ट्रीम से लीनियरली डिकोडेबल है, इसका मतलब यह नहीं है कि जेनरेशन पॉलिसी उस सिग्नल का परामर्श लेती है। हस्तक्षेप जो भ्रष्ट मान को हटा देते हैं (replace-prior), प्रोब फायरिंग रेट को कम करते हैं लेकिन आनुपातिक रूप से सटीकता में सुधार नहीं करते हैं, जो सुझाव देता है कि प्रोब किया गया दिशा (direction) गलत उत्तर का प्रॉक्सिमल कारण नहीं है।
डिप्लॉयमेंट निहितार्थ: कोई "एक-आकार-सभी-के-लिए" (one-size-fits-all) हस्तक्षेप नहीं है। डिप्लॉय करने योग्य समाधान मॉडल-अवेयर, एरर-टाइप-अवेयर रूटिंग है। चूंकि कोई भी एकल हस्तक्षेप हावी नहीं है, इसलिए सिस्टमों को विशिष्ट मॉडल और त्रुटि प्रकार के आधार पर विशिष्ट सुधार रणनीतियों तक रूट करना चाहिए।
सीमाएँ: लेखक नोट करते हैं कि उनके हस्तक्षेप पूरी तरह से सुरक्षित नहीं हैं (वे सही ट्रेसेस को तोड़ सकते हैं) और ब्रांच-एंड-पिक के लिए महत्वपूर्ण कम्प्यूटेशनल लागत लगती है। पेपर इस रूटिंग रणनीति को एक पूर्ण रूप से डिप्लॉय करने योग्य समाधान के बजाय भविष्य के कार्य के रूप में फ्रेम करता है, क्योंकि इसमें वर्तमान में एक मजबूत एरर-टाइप क्लासिफायर की कमी है।

निष्कर्षतः, यह पेपर स्थापित करता है कि एजेंटिक सिस्टम के लिए, मॉडल पर यह भरोसा करना कि वह अपनी गलती "बताएगा", अपर्याप्त है। लीनियर प्रोब्स के माध्यम से आंतरिक अवस्था की निगरानी उच्च-फिडेलिटी डिटेक्शन तंत्र प्रदान करती है, लेकिन डिटेक्शन और सफल सुधार के बीच के अंतर को पाटने के लिए सूक्ष्म, संदर्भ-विशिष्ट हस्तक्षेप रणनीतियों की आवश्यकता होती है।