A Workflow for Grant Discovery and Proposal Development Using Large Language Models: Development and Formative Evaluation

कल्पना कीजिए कि आप एक विशाल, अराजक पुस्तकालय में छिपे हुए खजाने के संदूक को खोजने की कोशिश कर रहे हैं जहाँ किताबें लगातार अपने शीर्षक बदलती रहती हैं, मानचित्र अदृश्य स्याही से बने होते हैं, और तिजोरी में प्रवेश करने के नियम हर दिन बदलते रहते हैं। यह विकासशील देशों में छोटी स्वास्थ्य-तकनीक (health-tech) कंपनियों की दैनिक वास्तविकता है। उनके पास जीवन बचाने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करने वाले शानदार विचार हैं, लेकिन उन्हें अपने उपकरणों को कारगर साबित करने के लिए धन (अनुदान/grants) की आवश्यकता है। समस्या क्या है? उस धन को खोजना घास के ढेर में सुई खोजने जैसा है, जबकि वह घास का ढेर आग की लपटों में घिरा हुआ है। उन्हें हजारों फंडिंग स्रोतों को स्कैन करना पड़ता है, यह पता लगाना पड़ता है कि क्या वे वास्तव में आवेदन करने के पात्र भी हैं, और अजनबियों को नकद देने के लिए मनाने हेतु जटिल कहानियाँ लिखनी पड़ती हैं। यदि वे अपना सारा समय केवल सुई खोजने में ही बिता देते हैं, तो वे उस मशीन को कभी नहीं बना पाएंगे जो जीवन बचाती है।

यहाँ "लार्ज लैंग्वेज मॉडल" (LLM) का प्रवेश होता है। एक LLM को एक सुपर-फास्ट, सुपर-रीडिंग रोबोट सहायक के रूप में सोचें जो सेकंडों में लाखों पन्ने पढ़ सकता है और पत्रों के ड्राफ्ट तुरंत लिख सकता है। लेकिन यहाँ एक पेंच है: यदि आप रोबोट को बेकाबू छोड़ देते हैं, तो वह चीजें बना सकता है, नियमों के बारे में झूठ बोल सकता है, या गलती से कोई रहस्य बता सकता है। इसलिए, बड़ा सवाल यह नहीं है कि "क्या रोबोट काम कर सकता है?" बल्कि यह है कि "क्या हम रोबोट के चारों ओर एक पिंजरा बना सकते हैं ताकि वह उबाऊ काम तेजी से करे, जबकि एक इंसान नियंत्रण बनाए रखने के लिए प्रभारी बना रहे?" यह शोध पत्र बिल्कुल यही बताता है: एक स्मार्ट, सुरक्षित प्रणाली बनाना जो एक हेल्थ-टेक टीम को अपना मानसिक संतुलन खोए बिना धन खोजने में मदद करे।

---

रोबोट लाइब्रेरियन और मानव कप्तान

आर्कएंजेल एआई (Arkangel AI) से मिलिए, कोलंबिया की एक छोटी टीम जो अस्पतालों के लिए स्मार्ट उपकरण बना रही है। उन्हें अपने आविष्कारों का परीक्षण करने के लिए धन की आवश्यकता थी, लेकिन उनकी टीम बहुत छोटी थी। वे अनुदान लेखकों (grant writers) की एक बड़ी सेना का खर्च नहीं उठा सकते थे। इसलिए, उन्होंने अनुदानों का शिकार करने के लिए एक "वर्कफ़्लो" (कार्यप्रवाह)—एक चरण-दर-चरण असेंबली लाइन—बनाया। लेकिन इसमें केवल इंसानों द्वारा काम करने के बजाय, उन्होंने एक लार्ज लैंग्वेज मॉडल (रोबोट लाइब्रेरियन) को मदद के लिए आमंत्रित किया, जबकि एक मानव कप्तान (शोधकर्ताओं) को मजबूती से कमान पर रखा।

यहाँ उनके नए सिस्टम के काम करने का तरीका दिया गया है, जिसे चार मजेदार चरणों में विभाजित किया गया है:

चरण 1: खजाने की खोज (Discovery)
पुराने दिनों में, टीम बस एक सर्च इंजन में "हेल्थ एआई ग्रांट" टाइप करती और अच्छे भाग्य की उम्मीद करती। यह समुद्र में एक अकेले हुक से मछली पकड़ने जैसा था। नए सिस्टम के साथ, रोबोट लाइब्रेरियन 50 अलग-अलग खोज रणनीतियों से बनी एक जाल के साथ मछली पकड़ता है। यह केवल "अनुदान" नहीं खोजता; यह टीम के विशिष्ट स्थान और उत्पादों के आधार पर "नवाचार पुरस्कारों" (innovation prizes), "सरकारी कार्यक्रमों" और "साझेदारियों" को भी खोजता है।

• परिणाम: रोबोट ने केवल एक सप्ताह में 741 विभिन्न स्रोतों को स्कैन किया। इसने 352 संभावित उम्मीदवार खोजे। लेकिन रुकिए! रोबोट तेज़ है, पूर्ण नहीं। इसने 220 डुप्लिकेट (एक ही अनुदान का दो बार दिखना) भी खोजे। डुप्लिकेट और अप्रासंगिक परिणामों को छानने के बाद, 83 उम्मीदवार बचे जो प्रारंभिक फिल्टर से गुजर गए और मजबूत, व्यवहार्य विकल्प माने गए। मानव कप्तान को हस्तक्षेप करना पड़ा और कहना पड़ा, "हाँ, यह वास्तविक है," इससे पहले कि इसे अगले चरण में ले जाया जाए।

चरण 2: दरवाजे पर बाउंसर (Triage)
अब जब रोबोट के पास संभावित अनुदानों का ढेर है, तो टीम को यह तय करने की आवश्यकता है कि कौन से प्रयास के लायक हैं। यहीं पर "ट्राइएज" (Triage) होता है। रोबोट नियमों की जांच करता है: क्या यह केवल गैर-लाभकारी संस्थाओं के लिए है? क्या हमें यूरोप में एक भागीदार की आवश्यकता है? क्या समय सीमा कल की थी?
सिस्टम एक विशेष "दोबारा न दिखाने की सूची" (Do Not Resurface list) का उपयोग करता है। यदि रोबोट को पता चलता है कि अनुदान केवल एक यूरोपीय कंपनी के लिए है, तो वह उसे "दोबारा न दिखाएं" के रूप में चिह्नित करता है। यह एक क्लब के बाउंसर की तरह है जो याद रखता है, "अरे, तुमने पिछले हफ्ते अंदर आने की कोशिश की थी, लेकिन तुम्हारे पास सही आईडी नहीं थी। दोबारा कोशिश करने की जहमत मत करना।" यह टीम को असंभव कार्यों पर समय बर्बाद करने से रोकता है। मानव कप्तान अंतिम निर्णय लेता है कि किसी अवसर को रखना है या उसे कचरे में डाल देना है।

चरण 3: स्कोरबोर्ड (Win Readiness)
सभी अनुदान समान नहीं होते। कुछ जीतना आसान है; कुछ लॉटरी जीतने जैसा है। टीम ने उन्हें रैंक करने के लिए एक "जीत की तैयारी स्कोर" (Win Readiness Score) बनाया।

• गणित: उन्होंने जीतने की सटीक संभावनाओं का अनुमान लगाने की कोशिश नहीं की (क्योंकि उनके पास निश्चित होने के लिए पर्याप्त पिछला डेटा नहीं था)। इसके बजाय, उन्होंने प्रत्येक अनुदान को इस आधार पर स्कोर दिया: क्या हम पात्र हैं? क्या हमारा मिशन उनके मिशन से मेल खाता है? आमतौर पर कितने लोग इसे जीतते हैं?
• परिणाम: 49 अनुदानों में से जिन्हें उन्होंने स्कोर दिया था, उनमें से 5 इतने आशाजनक थे कि वे साक्षात्कार या फाइनलिस्ट चरण तक पहुंचे। स्कोर ने उन्हें यह तय करने में मदद की कि वे किस अनुदान के लिए पहले लिखें, बजाय इसके कि वे केवल अनुमान लगाएं।

चरण 4: ड्राफ्टिंग स्टेशन (Proposal Development)
यहाँ रोबोट वास्तव में चमकता है। एक बार जब कप्तान कहता है, "चलो इसे लिखते हैं," तो रोबोट ड्राफ्ट बनाना शुरू कर देता है। वह उबाऊ हिस्सों को लिखता है, नियमों का सारांश देता है, और यह जांचता है कि उद्धरण (तथ्यों के स्रोत) वास्तविक हैं या नहीं।

• सुरक्षा जाल: रोबोट को कुछ भी सबमिट करने की अनुमति नहीं है। एक भी शब्द फंडर (फंड देने वाले) को भेजने से पहले, मानव कप्तान को इसकी समीक्षा करनी होती है। वे जांचते हैं: क्या रोबोट ने कोई तथ्य बनाया है? क्या कोई रहस्य है जिसे हमें साझा नहीं करना चाहिए? क्या कहानी सच है?
• स्मृति: प्रत्येक ड्राफ्ट, ईमेल और निर्णय को एक डिजिटल "टाइम कैप्सूल" (वर्जन-कंट्रोल रिपॉजिटरी) में सहेजा जाता है। यदि उन्हें अगले वर्ष इसी तरह के अनुदान के लिए आवेदन करने की आवश्यकता है, तो वे शून्य से शुरू करने के बजाय पुराने काम को निकाल सकते हैं।

इसका वास्तव में क्या अर्थ है (और क्या नहीं)

यह शोध पत्र बहुत स्पष्ट है कि उन्होंने क्या पाया और क्या नहीं।

• उन्होंने पाया: सिस्टम काम करता है! इसने टीम को अनुदान खोजने और व्यवस्थित करने में बहुत तेज़ बना दिया। उन्होंने अपनी खोज रणनीति को ठीक करने के बाद, एक खोज चक्र में प्रतिदिन लगभग 5 या 6 अच्छे अनुदान खोजने से बढ़कर लगभग 18 उपयुक्त अनुदान खोजने तक की प्रगति की। उन्होंने कुछ ही हफ्तों में 200+ अवसरों को प्रोसेस किया और 46 नए, कार्रवाई योग्य आइटम बनाए।
• उन्होंने नहीं पाया: उन्होंने यह सिद्ध नहीं किया कि रोबोट का उपयोग करने से वे अधिक पैसा जीतते हैं। उन्होंने केवल यह सिद्ध किया कि रोबमाट उन्हें अनुदान खोजने और लिखने के काम को अधिक कुशलता से करने में मदद करता है। अनुदान जीतना कई अन्य चीजों पर निर्भर करता है (जैसे कि विचार कितना अच्छा है या कितने अन्य लोगों ने आवेदन किया है), जिसे यह सिस्टम नियंत्रित नहीं करता है।
• "नहीं" की सूची: शोध पत्र स्पष्ट रूप से कहता है: रोबोट को अकेले पूरा काम लिखने की अनुमति न दें। यदि आप रोबोट को बिना मानव जांच के चलने देते हैं, तो आप झूठ बोलने, नियम तोड़ने या अपनी प्रतिष्ठा खोने का जोखिम उठाते हैं। रोबोट एक उपकरण है, वैज्ञानिक का विकल्प नहीं।

जिज्ञासु मन के लिए सीख

यह शोध पत्र एक "मानव-रोबोट टीम" के लिए ब्लूप्रिंट की तरह है, जहाँ पैसा मिलना कठिन है। यह दिखाता है कि आप खोज और ड्राफ्टिंग का भारी काम करने के लिए सुपर-फास्ट AI का उपयोग कर सकते हैं, लेकिन आपको नक्शा देखने और जहाज चलाने के लिए ड्राइवर की सीट पर एक इंसान को रखना होगा।

कोलंबिया (और कहीं भी सीमित संसाधनों वाले स्थानों) जैसी जगहों की छोटी टीमों के लिए, यह वर्कफ़्लो गेम-चेंजर है। यह कागजी कार्रवाई के अराजक, भारी बोझ को एक साफ, व्यवस्थित पाइपलाइन में बदल देता है। यह गारंटी नहीं देता कि आपको पैसा मिलेगा, लेकिन यह गारंटी देता है कि आप किसी अवसर को इसलिए नहीं चूकेंगे क्योंकि आप देखने के लिए बहुत थक गए थे। और सबसे महत्वपूर्ण बात, यह साबित करता है कि जब आप मानवीय निर्णय को रोबोट की गति के साथ मिलाते हैं, तो आप कुछ ऐसा बना सकते हैं जो तेज़ भी है और सुरक्षित भी।