🔬 भौतिकी

A Theory of Partial Truth for Scientific Statements

यह शोध पत्र वैज्ञानिक कथनों के आंशिक तथ्यात्मक सत्य को मापने के लिए एक प्रतिबंधित औपचारिक ढांचे का प्रस्ताव करता है, जो उनके घटकों के अनुभवजन्य साक्ष्य के विरुद्ध सामान्यीकृत विसंगतियों का मूल्यांकन करके किया जाता है, जिससे उन मॉडलों का आकलन संभव हो पाता है जिनमें सटीक और अशुद्ध दोनों तत्व शामिल हैं, बिना तथ्यात्मक पर्याप्तता को आत्मविश्वास या पूर्ण सत्य की ओर अभिसरण के साथ मिश्रित किए।

मूल लेखक: Gustavo E. Romero

प्रकाशित 2026-11-06✓ Author reviewed ⓘ

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gustavo E. Romero

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 लेखक ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

विज्ञान अक्सर उन विवरणों पर निर्भर करता है जो पूरी तरह से सत्य नहीं होते, फिर भी वे उल्लेखनीय रूप से प्रभावी होते हैं। एक मानचित्र के बारे में सोचें जो मुख्य राजमार्गों को स्पष्ट रूप से दिखाने के लिए छोटी गलियों को छोड़ देता है; यह विवरणों को छोड़ने के कारण तकनीकी रूप से गलत है, लेकिन नेविगेशन के लिए यह अविश्वसनीय रूप से उपयोगी है। भौतिकी और खगोल विज्ञान में, वैज्ञानिक वास्तविकता के इसी तरह के "मानचित्रों" का उपयोग करते हैं। वे तारों को बिंदुओं के रूप में, सतहों को पूरी तरह से चिकना, या आबादी को अनंत संख्याओं के रूप में वर्णित करते हैं। ये विवरण तकनीकी रूप से गलत हैं क्योंकि वास्तविक दुनिया अधिक जटिल है, लेकिन वे प्रणालियों के आवश्यक व्यवहार को इतनी सटीकता से पकड़ते हैं कि भविष्यवाणियां की जा सकती हैं और प्रगति की जा सकती है। लंबे समय तक, इन वैज्ञानिक कथनों को परखने का मानक तरीका एक सरल "हाँ या ना" वाला प्रश्न रहा है: क्या कथन सत्य है या वह असत्य है? हालांकि, यह द्विआधारी (binary) दृष्टिकोण इस बात की सूक्ष्मता को छिपा देता है कि विज्ञान वास्तव में कैसे काम करता है। यह एक ऐसे मॉडल के साथ वैसा ही व्यवहार करता है जो 90% सटीक है जैसा कि उस मॉडल के साथ जो 10% सटीक है, केवल इसलिए क्योंकि दोनों में से कोई भी पूर्ण नहीं है। यह इस बात को समझाने में विफल रहता है कि कैसे एक सिद्धांत गलत होने के बावजूद वास्तविक खोज की ओर ले जा सकता है।

अर्जेंटीना रेडियो एस्ट्रोनॉमी संस्थान के एक शोधकर्ता, गुस्तावो ई. रोमेरो का एक नया शोध पत्र, वैज्ञानिक कथनों की "आंशिक सत्यता" को मापने का एक तरीका प्रस्तावित करता है। यह पूछने के बजाय कि कोई दावा सही है या गलत, यह पत्र एक विधि प्रदान करता है जिससे यह अनुमान लगाया जा सके कि कोई दावा तथ्यों के साथ कितनी अच्छी तरह फिट बैठता है, भले ही उसमें त्रुटियां हों। मूल विचार यह है कि वैज्ञानिक प्रगति किसी एक पूर्ण विवरण को खोजने के बारे में नहीं है, बल्कि ऐसे निरूपण बनाने के बारे में है जो हमारे द्वारा हल किए जाने वाले विशिष्ट प्रश्नों के लिए तेजी से पर्याप्त बनते जा रहे हैं। यह दृष्टिकोण वैज्ञानिकों को यह कहने की अनुमति देता है कि एक कथन "काफी हदक सही" है, जो एक सटीक और संख्यात्मक तरीके से संभव है, जिससे एक छोटे, हानिरहित त्रुटि और एक बड़ी खामी के बीच अंतर किया जा सके, बिना इस माप को इस संभावना के साथ भ्रमित किए कि वह कथन कितना सत्य है।

यह शोध पत्र इस बात को स्पष्ट करने से शुरू होता है कि वास्तव में क्या मापा जा रहा है। यह भौतिक कथन (स्वयं वह शब्द जो पन्ने पर लिखे गए हैं या बोले गए हैं) और प्रपोजिशन (जो वास्तविक अर्थ या दावा है) के बीच अंतर करता है। लक्ष्य उस अर्थ की तथ्यात्मक पर्याप्तता का साक्ष्य के एक समूह के विरुद्ध मूल्यांकन करना है। यह साक्ष्य नियंत्रित अवलोकनों और प्रयोगों से बना होता है, जैसे कि किसी तारे की चमक या एक विद्युत तार के प्रतिरोध का मापन। लेखक का तर्क है कि हमें "हम इस डेटा के प्रति कितने आश्वस्त हैं?" और "यह दावा डेटा से कितनी अच्छी तरह मेल खाता है?" के प्रश्न को अलग करना चाहिए। एक दावा मापे गए तथ्यों के बहुत करीब हो सकता है, भले ही स्वयं मापन में कुछ अनिश्चितता हो, और यह नया ढांचा उस निकटता को पकड़ने के लिए बनाया गया है।

इसे करने के लिए, यह पत्र किसी भी वैज्ञानिक दावे को शून्य और एक के बीच एक स्कोर देने की एक प्रणाली पेश करता है। एक स्कोर एक (1) वर्तमान साक्ष्य के आधार पर अधिकतम संभव पर्याप्तता का प्रतिनिधित्व करता है, जबकि शून्य (0) पूर्ण बेमेल स्थिति को दर्शाता है। संख्याओं से जुड़े दावों के लिए, जैसे कि "इस तारे का द्रव्यमान सूर्य के द्रव्यमान का 100 गुना है," स्कोर का निर्धारण दावे की गई संख्या और अवलोकन द्वारा समर्थित संख्या के बीच के अंतर को देखकर किया जाता है। यदि दावे की गई संख्या, देखी गई संख्या के बहुत करीब है, तो स्कोर उच्च होता है। यदि वह दूर है, तो स्कोर गिर जाता है। यह पत्र निर्दिष्ट करता है कि यह अंतर समस्या के अनुकूल पैमाने के सापेक्ष मापा जाता है, यह सुनिश्चित करते हुए कि एक बड़ी संख्या में छोटी त्रुटि की तुलना एक छोटी संख्या में छोटी त्रुटि के साथ निष्पक्ष रूप से की जाए।

इस नई विधि का एक महत्वपूर्ण हिस्सा यह है कि यह कई छोटे दावों से बने जटिल कथनों को कैसे संभालती है। कल्पना कीजिए कि एक वैज्ञानिक मॉडल तीन भविष्यवाणियां करता है: एक तापमान के बारे में, एक दबाव के बारे में, और एक कंटेनर के आकार के बारे में। यदि मॉडल तापमान और दबाव को सही बताता है लेकिन आकार को गलत बताता है, तो एक साधारण "सत्य या असत्य" प्रणाली पूरे मॉडल को गलत लेबल कर देगी। हालांकि, नया ढांचा मॉडल को उच्च स्कोर बनाए रखने की अनुमति देता है क्योंकि सटीक हिस्से अभी भी मूल्य योगदान करते हैं। यह पत्र दिखाता है कि व्यक्तिगत हिस्सों के स्कोर को औसत निकालकर, उन्हें पूछे गए विशिष्ट प्रश्न के लिए कितने महत्वपूर्ण हैं इसके आधार पर भारित (weighted) करके, हम पूरे का एक निष्पक्ष मूल्यांकन प्राप्त कर सकते हैं। उदाहरण के लिए, यदि एक मॉडल का परीक्षण विद्युत प्रतिरोध की भविष्यवाणी करने की उसकी क्षमता के लिए किया जा रहा है, तो तार के रंग या प्रयोगशाला के तापमान के बारे में दावे अप्रासंगिक हैं। नया सिस्टम इन अप्रासंगिक विवरणों को अनदेखा कर देता है, यह सुनिश्चित करते हुए कि एक मॉडल को महत्वपूर्ण चीजों को सही या गलत होने के लिए अनुचित रूप से दंडित न किया जाए।

लेखक इस पद्धति को ठोस उदाहरणों के साथ प्रदर्शित करते हैं, जिसमें विद्युत प्रतिरोध का एक काल्पनिक मूल्यांकन और ज़ेटा पप्पीज़ (Zeta Puppis) नामक एक विशाल तारे से संबंधित एक वास्तविक दुनिया का अनुप्रयोग शामिल है। तारे के उदाहरण में, शोधकर्ताओं ने पहले एक्स-रे अवलोकनों के आधार पर तारे द्वारा द्रव्यमान खोने की दर का अनुमान लगाया था। यह पत्र उस दर के बारे में एक विशिष्ट दावे को लेता है और उसकी तुलना देखे गए डेटा से करता है। भले ही दावा की गई दर देखी गई दर से थोड़ी भिन्न थी, नया तरीका इसे लगभग 0.86 का उच्च स्कोर देता है, जो यह दर्शाता है कि यह वास्तविकता का एक बहुत अच्छा सन्निकटन (approximation) है। यह स्कोर इस बात का अनुमान नहीं है कि दावा कितना सत्य होने की संभावना है; यह इस बात का सीधा माप है कि दावा साक्ष्य के साथ कितनी अच्छी तरह संरेखित है, जिसमें मापन की ज्ञात सीमाओं को भी ध्यान में रखा गया है।

यह पत्र इस प्रकार के मापन के संभावित खतरों को भी संबोधित करता है। यह चेतावनी देता है कि स्कोर इस बात पर बहुत अधिक निर्भर करता है कि समस्या को कैसे परिभाषित किया गया है और मॉडल के किन हिस्सों को महत्वपूर्ण माना गया है। यदि कोई वैज्ञानिक मापन का पैमाना बदल देता है या यह निर्णय लेता है कि मॉडल का एक अलग हिस्सा अधिक महत्वपूर्ण है, तो स्कोर बदल सकता है। लेखक सावधानीपूर्वक कहते हैं कि इसका मतलब यह नहीं है कि तथ्य बदल गए हैं, बल्कि यह है कि मूल्यांकन मानदंड बदल गए हैं। यह विधि इन विकल्पों के बारे में पारदर्शी होने के लिए डिज़ाइन की गई है, जिसके लिए वैज्ञानिकों को यह स्पष्ट रूप से बताना आवश्यक है कि वे क्या माप रहे हैं और वे साक्ष्य के विभिन्न हिस्सों को कैसे महत्व दे रहे हैं। यह सुनिश्चित करता है कि स्कोर भ्रामक या मनमाना न हों।

अंततः, यह शोध पत्र वैज्ञानिक प्रगति के लिए अधिक ईमानदार और सूक्ष्म दृष्टिकोण के लिए एक उपकरण प्रदान करता है। यह सुझाव देता है कि हमें विज्ञान को एक एकल, पूर्ण सत्य की यात्रा के रूप में सोचना बंद कर देना चाहिए जिसे हम अंततः प्राप्त कर लेंगे। इसके बजाय, विज्ञान हमारे विवरणों को परिष्कृत करने की एक प्रक्रिया है, जो हमारे द्वारा पूछे जाने वाले विशिष्ट प्रश्नों के लिए उन्हें अधिक पर्याप्त बनाती है। एक सिद्धांत "आंशिक रूप से सत्य" हो सकता है जो गणितीय रूप से सटीक है, जिससे हमें यह देखने में मदद मिलती है कि वह कहाँ सफल होता है और कहाँ विफल होता है। यह दृष्टिकोण इस तथ्य का सम्मान करता है कि वैज्ञानिक मॉडल हमेशा सन्निकटन होते हैं, लेकिन यह हमें यह मापने का एक तरीका भी देता है कि वे सन्निकटन कितने अच्छे हैं। एक दावे की सटीकता और उस पर हमारे विश्वास के बीच अंतर करके, और एक सिद्धांत के विभिन्न हिस्सों के महत्व को तौलकर, यह नया ढांचा हमें यह समझने में मदद करता है कि विज्ञान कैसे आगे बढ़ता है, भले ही वह अभी पूर्ण न हो।

तकनीकी सारांश: वैज्ञानिक कथनों के लिए आंशिक सत्य का एक सिद्धांत

समस्या विवरण
वैज्ञानिक अभ्यास अक्सर उन निरूपणों—जैसे मॉडल, सिद्धांत और कथन—पर निर्भर करता है जो आदर्शीकरण (idealizations), सन्निकटन (approximations), या विशिष्ट त्रुटियों के कारण पूर्णतः सत्य न होने के बावजूद अनुभवजन्य सफलता प्राप्त करते हैं। शास्त्रीय द्विवलीय तर्क (bivalent logic), जो किसी प्रस्ताव को एक एकल सत्य मान (सत्य या असत्य) प्रदान करता है, उन निरूपणों के बीच अंतर करने में विफल रहता है जो "अधिक" या "कम" तथटिंगत पर्याप्त हैं। यह जटिल वैज्ञानिक दावों की विषम संरचना को समझाने में असमर्थ है, जहाँ सटीक भविष्यवाणियाँ गलत धारणाओं के साथ सह-अस्तित्व में हो सकती हैं। मौजूदा दृष्टिकोण, जैसे कि संभावabilistic पुष्टिकरण (बेयेशियनवाद), फजी लॉजिक (fuzzy logic), और सत्यसन्नति (verisimilitude/truthlikeness) के सिद्धांत, संबंधित मुद्दों को संबोधित करते हैं लेकिन तथटिंगत पर्याप्तता को संभावना, अस्पष्टता या पूर्ण सत्य से दूरी के साथ मिला देते हैं। यह शोध पत्र इस विशिष्ट प्रश्न को संबोधित करता है कि क्या तथ्यगत पर्याप्तता को विश्वास, संभावना या व्यक्तिपरक विश्वास के साथ भ्रमित किए बिना, अंशों में कैसे दर्शाया जा सकता है, और साथ ही पूर्ववर्ती स्वयंसिद्ध (axiomatic) प्रयासों में पाई जाने वाली औपचारिक विसंगतियों से कैसे बचा जा सकता है।

कार्यप्रणाली
यह शोध पत्र आंशिक तथटिंगत सत्य ( $V_E$ ) का अनुमान लगाने के लिए एक प्रतिबंधित औपचारिक ढांचा विकसित करता है, जो निम्नलिखित संरचनात्मक घटकों पर आधारित है:

सत्य वाहक और डोमेन: सिद्धांत कथनों (भौतिक घटनाओं) और प्रस्तावों (समान महत्व वाले कथनों के समतुल्य वर्ग) के बीच अंतर करता है। मूल्यांकन फलन $V_E$ केवल $D_E$ के एक डोमेन पर लागू होता है जो साक्ष्य के एक समूह $E$ के सापेक्ष अनुभवजन्य मूल्यांकन के लिए खुला है।
मात्रात्मक मूल्यांकन: मात्रात्मक प्रस्ताव जो एक अनुमान $e \pm \delta$ $e \pm δ$ के विरुद्ध एक मान $\mu$ $μ$ का दावा करते हैं, वे एक सामान्यीकृत सापेक्ष विसंगति ( $\beta_E$ $β_{E}$ ) को पेश करते हैं।
- $\beta_E(p) = \min\left(1, \frac{|\mu - e|}{s_E(M)}\right)$ , जहाँ $s_E(M)$ समस्या के अनुकूल एक विशिष्ट पैमाना (characteristic scale) है।
- तथटिंगत पर्याप्तता को रैखिक रूप से परिभाषित किया गया है: $V_E(p) = 1 - \beta_E(p)$ । यह पूर्ण सहमति को 1 और विशिष्ट पैमाने से अधिक विसंगतियों को 0 पर मैप करता है।
एकत्रीकरण और संयोजन (Aggregation and Composition):
- तत्वों का आधार (Elementary Basis): जटिल प्रस्तावों को अलग, स्वतंत्र और संयुक्त रूप से सुसंगत प्राथमिक घटकों ( $S(P)$ ) के एक निश्चित आधार में विभाजित किया जाता है।
- तार्किक तुल्यता: पूर्ववर्ती कार्य में पहचाने गए "पैरेंथेसाइज़ेशन विरोधाभास" (parenthesization problem) को हल करने के लिए (जहाँ पुनरावर्ती द्विआधारी औसत (recursive binary averaging) अलग-अलग मान देता है), यह ढांचा पुनरावर्ती द्विआधारी ऑपरेटरों को लागू करने के बजाय तत्वों के एक सेट का मूल्यांकन करता है।
- प्रासंगिकता भार (Relevance Weighting): एक प्रासंगिकता फलन $Rel_F(p)$ एक विशिष्ट समस्या $F$ के आधार पर घटकों को भार आवंटित करता है।
- भारित माध्य (Weighted Mean): प्रासंगिक मूल्यांकन एक भारित अंकगणितीय माध्य के रूप में गणना किया जाता है:
  $V_{E,F}(P) = \frac{\sum r_i V_E(p_i)}{\sum r_i}$
  जहाँ $r_i$ घटक $i$ की प्रासंगिकता है। शून्य प्रासंगिकता वाले घटक मूल्यांकन को प्रभावित नहीं करते, जबकि सकारात्मक प्रासंगिकता वाले घटक क्षतिपूर्ति (compensation) की अनुमति देते हैं (एक सटीक घटक एक त्रुटिपूर्ण घटक की भरपाई कर सकता है)।
स्वयंसिद्ध संरचना: सिद्धांत चार स्वयंसिद्धों द्वारा शासित है: सीमाबद्धता (Boundedness: $0 \le V \le 1$ ), सामान्यीकरण (Normalization: अधिकतम पर्याप्तता के लिए 1, न्यूनतम के लिए 0), संयोजन (Composition: प्राथमिक घटकों पर अंकगणितीय या भारित माध्य), और मात्रात्मक मूल्यांकन (Quantitative Valuation: सामान्यीकृत विसंगति का रैखिक पूरक)।

प्रमुख योगदान

पैरेंथेसाइज़ेशन विरोधाभास का समाधान: पुनरावर्ती द्विआधारी औसत के स्थान में एक निश्चित प्राथमिक घटकों के सेट पर एकत्रीकरण को अपनाकर, यह ढांचा यह सुनिश्चित करता है कि तार्किक रूप से तुल्य अभिव्यक्तियाँ (जैसे, $(p \land q) \land r$ बनाम $p \land (q \land r)$ ) समान मान प्राप्त करें, बशर्ते कि प्राथमिक आधार स्थिर रहे।
सत्य और प्रासंगिकता के बीच अंतर: यह ढांचा किसी दावे की तथटिंगत पर्याप्तता को एक विशिष्ट समस्या के लिए उसकी प्रासंगिकता से स्पष्ट रूप से अलग करता है। यह अप्रासंगिक लेकिन सटीक दावों को किसी विशिष्ट वैज्ञानिक प्रश्न के संबंध में पर्याप्तता स्कोर को कृत्रिम रूप से बढ़ाने से रोकता है।
पर्याप्तता और संभावना का पृथक्करण: $V_E$ का मूल्यांकन सख्ती से साक्ष्य के सापेक्ष प्रतिनिधित्व की पर्याप्तता के अनुमान के रूप में किया जाता है, जो किसी प्रस्ताव के सत्य होने की संभावना या उस पर विश्वास की डिग्री से भिन्न है।
मापन अनिश्चितता का प्रबंधन: यह ढांचा विसंगति (दावे और साक्ष्य के बीच बेमेल) और मापन अनिश्चितता (साक्ष्य की स्वयं की अनिश्चितता) के बीच अंतर करता है। मूल्यांकन साक्ष्य के सापेक्ष है, लेकिन लक्ष्य तथ्यों के प्रति साक्ष्य-स्वतंत्र पर्याप्तता है।

परिणाम

औपचारिक गुण: व्युत्पन्न गुणों में सीमा संरक्षण (aggregate value न्यूनतम और अधिकतम घटक मानों के बीच रहती है), समूहीकरण अपरिवर्तनीयता (समूहों के आधार पर परिणाम स्वतंत्र रहते हैं), और एकदिष्टता (monotonicity) शामिल हैं।
क्षतिपूर्ति बनाम थ्रेशोल्ड (Compensation vs. Thresholds): अंकगणितीय माध्य क्षतिपूर्ति की अनुमति देता है; एक घटक में उच्च पर्याप्तता दूसरे में कम पर्याप्तता की भरपाई कर सकती है। शोध पत्र नोट करता है कि यह "न्यूनतम" नियम से भिन्न है, जिसके लिए सभी घटकों को एक सीमा को पूरा करना आवश्यक होता।
संवेदनशीलता विश्लेषण: विद्युत प्रतिरोध और खगोलीय द्रव्यमान-हानि दर के उदाहरणों से पता चलता है कि संकलित स्कोर निम्नलिखित के प्रति संवेदनशील हैं:
- सामान्यीकरण पैमाने का चयन (जैसे, परिमाण बनाम ऑपरेटिंग रेंज के सापेक्ष)।
- प्रासंगिकता भारों का आवंटन।
- प्राथमिक आधार की सूक्ष्मता (जैसे, एक असमानता को एकल दावे के रूप में बनाम दो सीमाओं के रूप में मानना)।
खगोलीय अनुप्रयोग: इस ढांचे को तारे $\zeta$ Puppis की द्रव्यमान-हानि दर के प्रकाशित अवलोकन पर लागू किया गया है। एक प्रस्ताव जो $4.0 \times 10^{-6} M_\odot \text{yr}^{-1}$ की दर का दावा करता है, उसे $3.5 \times 10^{-6} M_\odot \text{yr}^{-1}$ के अनुभवजन्य अनुमान के विरुद्ध मूल्यांकित किया गया है, जिससे $\approx 0.857$ का आंशिक सत्य मान प्राप्त हुआ, जो दर्शाता है कि गैर-शून्य विसंगति अभी भी पर्याप्त तथटिंगत पर्याप्तता का समर्थन कर सकती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह आंशिक सत्य सिद्धांतों का एक प्रतिबंधित पुनर्गठन (restricted reformulation) प्रदान करता है, न कि औसत का कोई नया गणितीय सिद्धांत। इसका प्राथमिक महत्व वैज्ञानिक मॉडलों और सिद्धांतों के बीच तथटिंगत पर्याप्तता के सशर्त तुलनाओं के लिए एक उपकरण प्रदान करना है।

यह पैमानों या भारों को चुनने के लिए कोई अद्वितीय विधि प्रदान नहीं करता है, न ही यह मनमाने सूत्रों (निषेध और विच्छेद को पुनरावर्ती रूप से परिभाषित नहीं किया गया है) के लिए कोई संख्यात्मक कलन (numerical calculus) प्रदान करता है।
यह स्पष्ट करता है कि वैज्ञानिक प्रगति को पूर्ण, अंतिम सत्य की ओर अभिसरण (convergence) के रूप में देखने की आवश्यकता नहीं है। इसके बजाय, प्रगति को उन निरूपणों के निर्माण के रूप में समझा जा सकता है जो उन पहलुओं में तेजी से पर्याप्त होते जा रहे हैं जो विज्ञान द्वारा हल किए जाने वाले प्रश्नों के लिए सबसे अधिक प्रासंगिक हैं।
यह "आंशिक तथटिंग तथ्य" (स्पष्ट मानदंडों के तहत श्रेणीबद्ध पर्याप्तता) को एल्गिन (Elgin) की "पर्याप्त रूप से सत्य" (आदर्शों का एपिस्टेमिक मूल्य) की अवधारणा से अलग करता है, जो पूरी तरह से मात्रात्मक रूप से अनुभवजन्य दावों के मूल्यांकन पर केंद्रित है।

लेखक इस बात पर जोर देते हैं कि मूल्यांकन उपलब्ध साक्ष्य और पद्धतिगत वारंट के सापेक्ष पर्याप्तता का एक अनुमान है; यह वास्तविकता के साथ सामंजस्य की गारंटी नहीं देता है, और न ही यह व्यवस्थित त्रुटियों की पहचान और कठोर अनुभवजन्य परीक्षण की आवश्यकता को प्रतिस्थापित करता है।

तकनीकी सारांश: वैज्ञानिक कथनों के लिए आंशिक सत्य का एक सिद्धांत

इसी तरह के और पेपर