Anderson का एंगल

अजीब सनक से खतरे में वैज्ञानिक प्रगति को गति देता एआई

Martin Anderson
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Nikola Tesla seated beneath his experimental high-voltage electrical apparatus in Colorado Springs, 1899. The famous photograph was created using a double exposure, allowing Tesla to appear calmly seated amid the electrical discharges. Source: Smithsonian.
मुख्य बिंदुनए एआई समीक्षक परिशिष्टों पर अधिक ध्यान देते हैं जबकि मानव समीक्षक किसी पेपर के मुख्य…
और देखें
  • नए एआई समीक्षक परिशिष्टों पर अधिक ध्यान देते हैं जबकि मानव समीक्षक किसी पेपर के मुख्य निष्कर्षों पर ध्यान केंद्रित करते हैं।
  • भाषा मॉडल हर अंश को समान रूप से महत्वपूर्ण मानते हैं इसलिए वे यह नहीं पहचान पाते कि कौन से भाग वास्तव में महत्वपूर्ण हैं।
  • परिशिष्ट पूर्वाग्रह पहुँच विधियों में बना रहता है और ऐसी सतही प्रतिक्रिया देता है जो लेखकों को सुधारने में मुश्किल से मदद करती है।

अमेरिका के एक नए अध्ययन से पता चलता है कि वैज्ञानिक शोधपत्रों की समीक्षा करने वाले एआई मॉडल, मुख्य पाठ के बजाय शोधपत्रों के परिशिष्टों पर अजीब ढंग से अधिक ध्यान देने लगे हैं। वे अक्सर मुख्य निष्कर्षों की तुलना में सहायक छोटी-मोटी जानकारियों को अधिक तवज्जो देते हैं। भाषा मॉडल का इस्तेमाल समीक्षकों की मदद करने, या उनकी जगह लेने के लिए भी, लगातार किया जा रहा है; ऐसे में हाल ही में पहचानी गई यह प्रवृत्ति मानव सहकर्मी-समीक्षा में भी फैलती दिख रही है और एआई अनुसंधान की प्रगति में बाधा डाल सकती है:

नए शोधपत्र से: वैज्ञानिक शोधपत्रों की मानव सहकर्मी-समीक्षाओं में परिशिष्टों से जुड़ी आलोचनाओं में वृद्धि। कई वर्षों तक 11% से नीचे रहने के बाद, हाल की समीक्षाओं में यह अनुपात बढ़कर 27.6% तक पहुंच गया। यह उन एआई मॉडलों के जारी होने के बाद हुआ, जिनकी आधे से अधिक आलोचनाएं परिशिष्टों से संबंधित पाई गईं। टूटी हुई रेखाएं प्रमुख मॉडल रिलीज़ को दर्शाती हैं।  स्रोत - https://arxiv.org/pdf/2611.17811

नए शोधपत्र से: वैज्ञानिक शोधपत्रों की मानव सहकर्मी-समीक्षाओं में परिशिष्टों से जुड़ी आलोचनाओं में वृद्धि। कई वर्षों तक 11% से नीचे रहने के बाद, हाल की समीक्षाओं में यह अनुपात बढ़कर 27.6% तक पहुंच गया। यह उन एआई मॉडलों के जारी होने के बाद हुआ, जिनकी आधे से अधिक आलोचनाएं परिशिष्टों से संबंधित पाई गईं। टूटी हुई रेखाएं प्रमुख मॉडल रिलीज़ को दर्शाती हैं।  स्रोत

चार लोकप्रिय सम्मेलनों से चुने गए 2000 विज्ञान शोधपत्रों की जांच में, नए अध्ययन के शोधकर्ताओं ने पाया कि नए मॉडल अपनी लगभग 50-70% आलोचनाएं परिशिष्टों से निकालते हैं, जबकि पुराने GPT-5 के मामले में यह अनुपात 30% से कम है।

ऐसा लगता है कि दो सबसे प्रमुख नए एआई मॉडल—OpenAI के GPT-6.1-Sol और GPT-6-Astra—मानव समीक्षकों को भी मुख्य, अधिक महत्वपूर्ण नतीजों से हटाकर परिशिष्टों की ओर ले जा रहे हैं। दोनों मॉडल 2026 में जारी किए गए थे।

शोधपत्र में कहा गया है*:

‘पीढ़ियों के बीच का अंतर बड़ा है। GPT-5 में कमजोरियों का केवल एक छोटा हिस्सा परिशिष्ट से जुड़ा है। इसके विपरीत, दोनों नए मॉडल—GPT-6.1-Sol और GPT-6-Astra—परिशिष्ट पर कहीं अधिक निर्भर करते हैं, और यह बात हर सम्मेलन के लिए सही है।

‘इससे पता चलता है कि परिशिष्ट के प्रति पूर्वाग्रह मुख्यतः नए मॉडलों की विशेषता है। नए मॉडल बेहतर होने के बावजूद, परिशिष्ट के प्रति उनका पूर्वाग्रह बढ़ा है। शोधपत्र को विस्तार से पढ़ पाने से उन्हें यह समझ नहीं आया कि उसके कौन-से हिस्से सबसे अधिक महत्वपूर्ण हैं।’

अध्ययन में यह भी पाया गया कि परिशिष्ट पर यह अत्यधिक ध्यान उन तरीकों के अनुसार अलग-अलग होता है जिनसे एआई को शोधपत्र दिया जाता है, क्योंकि API, codex और वेब इंटरफ़ेस PDF का एक ही तरह से आकलन नहीं करते। Codex औसत लंबाई वाली PDF का बीच का हिस्सा बिल्कुल नहीं पढ़ता; ज़रूरत पड़ने पर बाद में उसे केवल छोटे-छोटे अंशों में देखता है। हालांकि, सभी तरीकों में परिशिष्ट की सामग्री को प्राथमिकता देने की प्रवृत्ति पाई गई।

हाल तक, मानव और एआई समीक्षाओं में यह सनक साझा नहीं थी:

‘[Human] समीक्षक मुख्य पाठ और पूरक सामग्री को एलएलएम से बिल्कुल अलग ढंग से देखते हैं। एलएलएम अपनी 50% से अधिक कमजोरियों को परिशिष्ट से जुड़ी सामग्री के खाते में डालते हैं, जबकि मनुष्य 10% से कम को।

‘यह अंतर अलग-अलग समीक्षाओं के स्तर पर भी दिखता है। 2021 से 2024 तक हर साल चुने गए 200 शोधपत्रों में से कुल मिलाकर केवल 159 को ऐसी मानव समीक्षा मिली जिसमें परिशिष्ट से जुड़ी कोई कमजोरी बताई गई हो। इसके विपरीत, ICLR 2027 के लिए एलएलएम द्वारा तैयार की गई सभी 200 समीक्षाओं में परिशिष्ट से जुड़ी कम-से-कम एक आलोचना शामिल थी।’

मानव और एआई-जनित सहकर्मी-समीक्षाओं में परिशिष्टों से जुड़ी आलोचनाओं की तुलना। मानव समीक्षकों ने पहचानी गई कमजोरियों में से केवल 8.4% का श्रेय परिशिष्ट की सामग्री को दिया, जबकि एआई मॉडलों के लिए यह आंकड़ा 62% था। दूसरा स्तंभ केवल परिशिष्ट से संबंधित उन आलोचनाओं को दिखाता है जिनके अनुरूप मुख्य शोधपत्र में कोई समस्या नहीं थी।

मानव और एआई-जनित सहकर्मी-समीक्षाओं में परिशिष्टों से जुड़ी आलोचनाओं की तुलना। मानव समीक्षकों ने पहचानी गई कमजोरियों में से केवल 8.4% का श्रेय परिशिष्ट की सामग्री को दिया, जबकि एआई मॉडलों के लिए यह आंकड़ा 62% था। दूसरा स्तंभ केवल परिशिष्ट से संबंधित उन आलोचनाओं को दिखाता है जिनके अनुरूप मुख्य शोधपत्र में कोई समस्या नहीं थी।

जैसा कि ऊपर दी गई परीक्षण तालिका में दिखाया गया है, एआई समीक्षकों द्वारा परिशिष्टों में कमजोरियां पहचानने की संभावना मनुष्यों की तुलना में सात गुना से भी अधिक थी। पूरक सामग्री से जुड़ी आलोचनाएं ही उठाने की संभावना भी उनकी तीन गुना से अधिक थी। इससे संकेत मिलता है कि कुछ नवीनतम अग्रणी एआई मॉडल अब उन बारीकियों को प्राथमिकता दे रहे हैं जिन्हें मानव समीक्षक परंपरागत रूप से शोधपत्र के मुख्य वैज्ञानिक योगदान की तुलना में गौण मानते हैं।

ऐसा क्यों?

जहां तक समझा जा सकता है—इस प्रवृत्ति की पहचान करने वाला यह पहला अध्ययन है—समस्या का एक कारण यह है कि एआई यह नहीं समझते, या प्रशिक्षण के लिए इस्तेमाल की गई विशाल सामग्री से यह नहीं सीख पाए हैं, कि आम तौर पर शोधपत्र का मुख्य सार परिशिष्ट में नहीं रखा जाता। सभी पाठ को समान रूप से महत्वपूर्ण मानने की उनकी सामान्य प्रवृत्ति के कारण वे परिशिष्ट की सामग्री का संदर्भ नहीं समझ पाते; यह सामग्री अक्सर बिना संपादन के होती है और मुख्य पाठ की तुलना में काफी कम सुव्यवस्थित ढंग से प्रस्तुत की जाती है:

‘एलएलएम शुरुआती पन्नों की लगभग कभी आलोचना नहीं करते, जहां शोधपत्र अपनी समस्या को स्पष्ट करता है और बताता है कि वह क्यों महत्वपूर्ण है। मनुष्य अक्सर इसी प्रस्तुति पर सवाल उठाते हैं, जबकि एलएलएम उसे स्वीकार करके आंकड़ों की ओर बढ़ जाते हैं।

‘[Humans and LLMs] ने परिशिष्ट को बिल्कुल अलग ढंग से पढ़ा। परिशिष्ट आगे बढ़ने के साथ मानवीय आलोचनाएँ तेजी से कम हो जाती हैं और उसके अंतिम पन्नों में लगभग गायब हो जाती हैं। LLM की कमजोरियाँ बिल्कुल कम नहीं होतीं। वास्तव में, LLM की कमजोरियाँ परिशिष्ट के शुरुआती हिस्से के बजाय काफी आगे जाकर चरम पर पहुँचती हैं और पृष्ठ 30 के बाद भी जारी रहती हैं, जहाँ मानवीय समीक्षक लगभग कोई चिंता नहीं जताते।

‘LLM के लिए, पृष्ठ 25 का कोई विवरण भी उतना ही उचित निशाना है जितनी कि मुख्य नतीजों की तालिका।’

लेखकों का कहना है कि पाठ के प्रति LLM का समतावादी दृष्टिकोण स्वाभाविक रूप से उन्हें परिशिष्ट की सामग्री पर अधिक ध्यान देने की ओर ले गया होगा, क्योंकि, जैसा कि ऊपर बताया गया है, उस सामग्री में अक्सर अधिक त्रुटियाँ होती हैं।

इसलिए, इस नए अध्ययन से मुझे जो व्यापक निष्कर्ष मिलता है, वह यह है कि LLM ने समय के साथ नए वैज्ञानिक शोधपत्रों के उस हिस्से पर ध्यान केंद्रित करना सीख लिया है जहाँ अक्सर बड़ी संख्या में त्रुटियाँ या गड्डमड्ड जानकारी होती है—सिर्फ इसलिए कि मानव लेखक उस हिस्से को अक्सर गौण प्रमाण और साक्ष्य के बेतरतीब ढंग से सामग्री डालने की जगह मानते हैं।

इस वजह से, AI को अत्यंत सावधानी से तैयार किए गए मुख्य भाग की तुलना में परिशिष्ट अधिक दिलचस्प लगने लगे हैं, क्योंकि वहाँ विश्लेषण करने और सुधारने के लिए अधिक सामग्री होती है; नतीजतन, शोधपत्र के अनुसार, LLM शोधपत्र के शुरुआती हिस्से को तथ्यात्मक विवरण मानते हैं और उसे ज्यों का त्यों स्वीकार कर लेते हैं:

‘मनुष्य अपेक्षा करते हैं कि मुख्य भाग अपने आप में पूरा हो, इसलिए जब आवश्यक खंडों को परिशिष्ट में डाल दिया जाता है, तो वे आपत्ति जताते हैं। LLM लगभग कभी यह चिंता नहीं जताते।

‘यह एक अहम अंतर को उजागर करता है: मनुष्य समझते हैं कि मुख्य भाग का महत्व परिशिष्ट से अधिक है, जबकि LLM ऐसा नहीं समझते। ‘

नतीजे और उपाय

छोटी-मोटी बातों पर यह अप्रत्याशित ध्यान, AI की सहायता से होने वाले वैज्ञानिक शोध के लिए गंभीर नतीजे पैदा कर सकता है—खासकर तब, जब शोधपत्र के मुख्य निष्कर्षों का महत्व नज़रअंदाज़ हो जाए। चूँकि यह प्रवृत्ति केवल नवीनतम मॉडलों में उभरी हुई दिखाई देती है, इसलिए इसके दीर्घकालीन प्रभाव अभी ज्ञात नहीं हैं।

शोधपत्र में माना गया है कि AI समीक्षक उपयोगी त्रुटियों को पकड़ सकते हैं, भले ही वे परिशिष्ट में काफी भीतर छिपी हों। हालाँकि, इसमें चेतावनी दी गई है कि शोधपत्र के मुख्य निष्कर्षों की कीमत पर छोटी-मोटी बातों पर जरूरत से ज्यादा ध्यान दिया जा सकता है, जिससे लंबी समीक्षाएँ तो बनती हैं, लेकिन उनका व्यावहारिक महत्व बहुत कम होता है:

‘LLM समीक्षक मानक ऊँचा करते हैं, क्योंकि वे शोधपत्र के किसी भी हिस्से की जाँच किए बिना नहीं छोड़ते। हालाँकि, प्रभावी समीक्षा के लिए यह निर्णय लेना भी जरूरी है कि सबसे महत्वपूर्ण क्या है। जब किसी समीक्षा की अधिकांश कमियाँ परिशिष्ट की ऐसी सामग्री से जुड़ी हों जिसका मुख्य योगदान से कोई संबंध न हो, तो प्रतिक्रिया सतही ही रहती है। वह शोधपत्र के मूल विषय से नहीं जुड़ती और लेखकों को उसमें सुधार करने में बहुत कम मदद करती है। ‘

इस नए काम के लेखकों ने AI समीक्षाएँ परिशिष्ट के पक्ष में पक्षपाती हैं शीर्षक वाले अपने अध्ययन की प्रेरणा उस समय पाई, जब उन्होंने देखा कि LLM-सहायता से तैयार या जनरेट की गई समीक्षाएँ उनके अपने शोधपत्रों का मूल्यांकन करते समय कुछ अजीब ढर्रे अपनाती थीं। अध्ययन का कोड GitHub पर उपलब्ध है।

विधि और परीक्षण

परीक्षणों के लिए OpenAI और Anthropic के चार प्रमुख AI मॉडल चुने गए: GPT-6-Astra; GPT-6.1-Sol; Claude-Opus-5.5; और Claude-Sonnet-5.5। इन मॉडलों का उपयोग Codex और Claude Code के माध्यम से किया गया और उनकी समीक्षा करने की शैली की तुलना API तथा वेब इंटरफ़ेस के जरिए पहुँच से की गई।

शोधपत्र चार प्रमुख AI और प्राकृतिक भाषा प्रसंस्करण सम्मेलनों से एकत्र किए गए: ACL 2026; EMNLP 2026; COLM 2026; और ICLR 2027—इन सभी को इसलिए चुना गया क्योंकि इनके शोधपत्र जमा करने और उनकी समीक्षा करने के प्रारूप मिलते-जुलते हैं। मुख्य शोधपत्र के लिए पृष्ठों की सख्त सीमा है, लेकिन संदर्भों के बाद दिए जाने वाले परिशिष्टों पर आम तौर पर कोई सीमा नहीं होती।

कुल 2,000 शोधपत्रों की जाँच की गई, जिनमें ICLR 2021–2026 के 1,200 शोधपत्र और चार हालिया सम्मेलनों के 800 शोधपत्र शामिल थे (हर सम्मेलन से 200 चुने गए)। इन 800 हालिया शोधपत्रों में सभी के परिशिष्ट कम-से-कम 15 पृष्ठों के थे। ICLR 2027 में जमा किए गए शोधपत्र पहले से ही गुमनाम थे, जबकि ACL, EMNLP और COLM के शोधपत्रों से लेखकों के नाम, संबद्धताएँ, ईमेल पते और उनकी पहचान उजागर करने वाले लिंक हटा दिए गए, ताकि AI समीक्षकों को उनके लेखकों का पता न चल सके।

मॉडलों के लिए इंटरनेट की पहुँच बंद कर दी गई थी, ताकि समीक्षाएँ पूरी तरह से उन्हें दिए गए PDF पर आधारित हों।

सबसे पहले, AI से संबंधित सम्मेलन की शैली में एक समीक्षा तैयार करने को कहा गया। इसमें शोधपत्र की खूबियों, कमियों और समग्र अंक को शामिल करना था। निर्देश जानबूझकर सरल रखे गए थे, ताकि यह दिखाया जा सके कि कोई वास्तविक समीक्षक AI का उपयोग किस तरह कर सकता है। इसके बाद शोधपत्र और उसकी पूरी की गई समीक्षा उसी AI मॉडल को वापस दिए गए और उससे यह पहचानने को कहा गया कि हर आलोचना शोधपत्र के किस खंड से संबंधित थी। इसका निर्धारण मूल शोधपत्र के साथ आलोचना की जाँच करके किया गया:

अध्ययन में अपनाई गई तीन चरणों वाली समीक्षा प्रक्रिया। कम-से-कम 15 पृष्ठों के परिशिष्ट वाले शोधपत्र चार सम्मेलनों से चुने गए और AI मॉडलों से उनकी समीक्षा कराने से पहले उन्हें गुमनाम किया गया। इसके बाद हर समीक्षा की मूल शोधपत्र के साथ जाँच की गई और प्रत्येक आलोचना को उससे संबंधित खंड से जोड़ा गया।

अध्ययन में अपनाई गई तीन चरणों वाली समीक्षा प्रक्रिया। चार सम्मेलनों से कम-से-कम 15 पृष्ठों के परिशिष्ट वाले शोधपत्र चुने गए और AI मॉडलों द्वारा उनकी समीक्षा किए जाने से पहले उनकी पहचान हटा दी गई। इसके बाद हर समीक्षा को मूल शोधपत्र के साथ रखकर जाँचा गया और हर आलोचना को उस खंड से जोड़ा गया जिससे वह संबंधित थी।

इन कार्यों को अलग-अलग रखने से शोधपत्रों के उन हिस्सों की जाँच की जा सकी जिनकी आलोचना हुई थी, और साथ ही मूल समीक्षाएँ अतिरिक्त निर्देशों से प्रभावित नहीं हुईं।

अब तक जिन नतीजों पर हमने चर्चा नहीं की है, उनमें लेखकों का यह परीक्षण भी शामिल है कि LLM द्वारा तैयार की गई समीक्षाओं में कमज़ोरियाँ कहाँ से आती हैं:

चार सम्मेलनों में AI द्वारा तैयार की गई समीक्षाओं ने कमज़ोरियों की पहचान कहाँ की, इसकी तुलना। हरा रंग मुख्य शोधपत्र की आलोचनाओं को दर्शाता है, लाल रंग परिशिष्ट से जुड़ी आलोचनाओं को और धारीदार हिस्से केवल परिशिष्ट से संबंधित आलोचनाओं को दर्शाते हैं। लगभग हर परीक्षण में आधे से अधिक आलोचनाएँ परिशिष्ट की सामग्री से जुड़ी थीं; सबसे मज़बूत पक्षपात GPT-6-Astra में दर्ज किया गया।

चार सम्मेलनों में AI द्वारा तैयार की गई समीक्षाओं ने कमज़ोरियों की पहचान कहाँ की, इसकी तुलना। हरा रंग मुख्य शोधपत्र की आलोचनाओं को दर्शाता है, लाल रंग परिशिष्ट से जुड़ी आलोचनाओं को और धारीदार हिस्से केवल परिशिष्ट से संबंधित आलोचनाओं को दर्शाते हैं। लगभग हर परीक्षण में आधे से अधिक आलोचनाएँ परिशिष्ट की सामग्री से जुड़ी थीं; सबसे मज़बूत पक्षपात GPT-6-Astra में दर्ज किया गया।

जैसा कि ऊपर दिखाया गया है, चारों AI मॉडलों की लगभग आधी या उससे अधिक आलोचनाएँ परिशिष्टों की सामग्री पर आधारित थीं—यह पैटर्न चारों सम्मेलनों में पाया गया। कुछ आलोचनाएँ विशेष रूप से परिशिष्ट पर केंद्रित थीं और उनका मुख्य शोधपत्र से कोई संबंध नहीं था। GPT मॉडलों द्वारा पहचानी गई कमज़ोरियों में इनका हिस्सा 17.33% था, जबकि Claude के मामले में यह 10.16% था।

शोधपत्र के अनुसार, नतीजे बताते हैं कि परिशिष्ट की सामग्री पर अनुपात से ज़्यादा ध्यान दिया जा रहा था और कभी-कभी अपेक्षाकृत मामूली बातों को भी शोधपत्र की समग्र रूप से आलोचना करने का आधार बनाया जा रहा था।

यह पता लगाने के लिए अलग-अलग तरीकों की तुलना की गई कि परिशिष्ट के प्रति पक्षपात इस बात से प्रभावित होता है या नहीं कि AI तक कैसे पहुँचा गया। GPT-6-Astra का इस्तेमाल करके ICLR 2027 में जमा किए गए 100 शोधपत्रों की समीक्षा Codex के ज़रिए, ChatGPT के वेब इंटरफ़ेस के ज़रिए, और API के ज़रिए की गई—जिसमें या तो मूल PDF दी गई या उससे निकाला गया पाठ।

Codex के ज़रिए पाठ निकालकर कमांडों के माध्यम से उसकी जाँच की गई; API के ज़रिए या तो पूरी PDF या उससे निकाला गया पाठ सीधे दिया गया; जबकि अपलोड किए गए दस्तावेज़ों को वेब इंटरफ़ेस की अपनी (अपारदर्शी) प्रणाली के माध्यम से संसाधित किया गया:

AI मॉडलों और उन तक पहुँचने के तरीकों के अनुसार परिशिष्ट से जुड़ी आलोचनाओं की तुलना। बाईं ओर, चार सम्मेलनों में GPT-5 द्वारा परिशिष्ट की सामग्री का उल्लेख नए GPT मॉडलों की तुलना में बहुत कम बार किया गया। दाईं ओर, GPT-6-Astra तक पहुँचने के चार तरीकों में यह पक्षपात बना रहा; कुल आलोचनाओं में परिशिष्ट से जुड़ी आलोचनाओं का हिस्सा 62.2% से 73.7% तक था। धारीदार हिस्से केवल परिशिष्टों पर केंद्रित आलोचनाओं को दर्शाते हैं।

AI मॉडलों और उन तक पहुँचने के तरीकों के अनुसार परिशिष्ट से जुड़ी आलोचनाओं की तुलना। बाईं ओर, चार सम्मेलनों में GPT-5 द्वारा परिशिष्ट की सामग्री का उल्लेख नए GPT मॉडलों की तुलना में बहुत कम बार किया गया। दाईं ओर, GPT-6-Astra तक पहुँचने के चार तरीकों में यह पक्षपात बना रहा; कुल आलोचनाओं में परिशिष्ट से जुड़ी आलोचनाओं का हिस्सा 62.2% से 73.7% तक था। धारीदार हिस्से केवल परिशिष्टों पर केंद्रित आलोचनाओं को दर्शाते हैं।

जैसा कि ऊपर दिखाया गया है, चारों तरीकों में 62.2% से 73.7% आलोचनाओं में परिशिष्ट से जुड़ी सामग्री का उल्लेख किया गया। सबसे बड़ा अनुपात तब दर्ज किया गया जब API के ज़रिए सीधे निकाला गया पाठ दिया गया। इसलिए पाया गया कि मॉडल तक पहुँचने का तरीका चाहे जो हो, यह पक्षपात बना रहता है।

बाकी परीक्षणों के अधिकांश नतीजे लेख में पहले ही बताए जा चुके हैं। अधिक जानकारी के लिए हम पाठकों को मूल सामग्री देखने का सुझाव देते हैं।

शोधपत्र प्रस्तुत करने की चालबाज़ियाँ

जैसे यह विषय नए अध्ययन के लेखकों के लिए निजी महत्व रखता है, वैसे ही मेरे लिए भी रखता है, क्योंकि मैं वैज्ञानिक शोधपत्र बहुत पढ़ता हूँ और उन्हें लिखने तथा प्रस्तुत करने के तरीकों को तय करने वाले छिपे नियमों और उन नियमों को दरकिनार करने के तरीकों को कठिन अनुभवों से सीख चुका हूँ।

परिशिष्टों पर ध्यान देने के लिए AI को पूरी तरह दोषी नहीं ठहराया जा सकता, भले ही वह ऐसा गलत कारणों से कर रहा हो, क्योंकि लेखक अक्सर शोधपत्र की ‘चौंकाने वाली कमज़ोरियाँ’ वहीं छिपा देते हैं—ऐसे कारक या नतीजे जो मुख्य पाठ में किए गए दावों को लगभग पूरी तरह निष्प्रभावी कर सकते हैं या उन पर गंभीर सीमाएँ लगा सकते हैं।

महत्वपूर्ण सामग्री को परिशिष्ट में भेजने के लिए लेखकों को भी ज़रूरी नहीं कि दोषी ठहराया जाए, क्योंकि नए अध्ययन में डेटा स्रोतों के रूप में शामिल लोकप्रिय प्रकाशनों के टेम्पलेट मुख्य लेख के लिए पृष्ठों या शब्दों की अधिकतम सीमाएँ तय करते हैं।

जटिल अध्ययन-नतीजों की रिपोर्टिंग करते समय कई लेखकों को यह पाबंदी स्पष्ट रूप से बहुत कठोर लगती है; जिन्हें मैं ‘सबसे बुरे मामले’ मानूँगा†, उनमें दिशानिर्देशों से बचने के लिए शोधपत्र का मुख्य भाग बस पीछे भेजी गई सामग्री की सूची बनकर रह जाता है (हालाँकि दिशानिर्देश अब इस ‘तरकीब’ को पकड़ने और इस पर रोक लगाने लगे हैं)।

इस स्थिति में बढ़ता तनाव संस्थानों की उस आवश्यकता के बीच है कि लेखक अपनी प्रस्तुतियों को अनुशासित और संयमित रखें—यह आवश्यकता जमा किए गए शोधपत्रों की संख्या बढ़ने के साथ और भी महत्वपूर्ण होती जा रही है—और शोधकर्ताओं की स्पष्ट निराशा के बीच, जो अपने श्रम से कठिनाई से हासिल किए गए निष्कर्षों को उतने ही पूर्ण और व्यापक संदर्भ में प्रस्तुत करना चाहते हैं, जितना उन्हें लगता है कि उनके प्रयास के योग्य है।

 

 

* लेखकों का ज़ोर, मेरा नहीं।

†क्योंकि समीक्षा के लिए शोधपत्रों को छाँटते समय, परिशिष्टों में सामग्री को टाल देने की इस प्रवृत्ति को पहचानना एआई के लिए भी मुश्किल हो सकता है; लेकिन इससे समीक्षक काफ़ी मुश्किल में पड़ सकता है, अगर उसने दस पृष्ठों के आकलन के लिए समय निर्धारित किया हो और अब उसे उसी समय में 30 पृष्ठों की सामग्री पर विचार करना पड़े।

पहली बार प्रकाशित: सोमवार, 16 नवंबर, 2026

Martin Anderson

मशीन लर्निंग पर लेखक, मानव छवि संश्लेषण में डोमेन विशेषज्ञ। Metaphysic.ai में शोध सामग्री के पूर्व प्रमुख, जब तक यह DNEG की Brahma.ai में विलीन नहीं हो गया।
वेबसाइट: martinanderson.ai
संपर्क: martin@martinanderson.ai