ફોરેન્સિક્સમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, ચકાસણી, પુરાવા અખંડિતતા અને નીતિશાસ્ત્ર

નફો:

• કૃત્રિમ બુદ્ધિમત્તા ફોરેન્સિક વર્કફ્લો (ટ્રાયેજ, પેટર્ન માર્કિંગ, ડ્રાફ્ટ)માં ક્યાં સમય બચાવે છે અને જ્યાં જોખમના સ્તરના આધારે પુરાવાની અખંડિતતા અને અર્થઘટન જેવા નિર્ણયો માનવ પર છોડી દેવામાં આવે છે તે પારખવામાં સક્ષમ હોવા.
• દરેક આર્ટિફિશિયલ ઇન્ટેલિજન્સ આઉટપુટને સ્ત્રોત સાથે કનેક્ટ કરીને, સ્વતંત્ર ટૂલ વડે ચકાસીને અને ટિપ્પણી ફિલ્ટર દ્વારા પસાર કરીને તેને ચકાસતી શિસ્ત લાગુ કરવાની ક્ષમતા.
• ડીજીટલ ફોરેન્સિકમાં શરૂઆતથી જ પુરાવાની અખંડિતતા, કસ્ટડીની સાંકળ, વ્યક્તિગત ડેટાની ગોપનીયતા અને રક્ષણાત્મક ઉપયોગને શા માટે ધ્યાનમાં લેવો જોઈએ તે સમજવું.

તમે સાયબર ઘટનાના પ્રતિભાવની મધ્યમાં છો. એક તરફ, ચેડા થયેલા સર્વર્સ, બીજી તરફ, ડઝનેક ડિસ્ક ઈમેજીસ કે જેને એકત્રિત કરવાની જરૂર છે; એક તરફ, ફરિયાદી દ્વારા અહેવાલની રાહ જોવાઈ રહી છે, બીજી તરફ, લાખો લોગ્સ (રેકોર્ડ્સ) કે જે હજુ સુધી સ્કેન થયા નથી, હજારો ઇ-મેઇલ કે જેની તપાસ કરવામાં આવી નથી અને "સત્ય" દાવો જેની ચકાસણી કરવાની જરૂર છે. ડિજિટલ ફોરેન્સિક્સ (કાયદા અનુસાર ડિજિટલ પુરાવા એકત્ર કરવા, સાચવવા, તપાસવા અને રિપોર્ટ કરવાનું વિજ્ઞાન) એ એક ક્ષેત્ર છે જે સ્વાભાવિક રીતે મોટા પ્રમાણમાં ડેટા, સમયના દબાણ અને ઉચ્ચ કાનૂની જવાબદારી સાથે કામ કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI - સોફ્ટવેર જે ઐતિહાસિક ડેટામાંથી પેટર્ન કાઢી શકે છે અને ટેક્સ્ટ, વિઝ્યુઅલ, ઑડિયો અને કોડનું ઉત્પાદન અથવા વર્ગીકરણ કરી શકે છે) ડેટા અને સમયના દબાણની આ વિપુલતામાં તમને વેગ આપે છે. પરંતુ આ મોડ્યુલની શરૂઆત સ્પષ્ટ છે: AI એ સહાયક, ટ્રાયજ ટૂલ અને બ્લુપ્રિન્ટ જનરેટર છે; તમે સક્ષમ નિષ્ણાત છો કે જેઓ પુરાવાની અખંડિતતા, તેના અર્થઘટન અને કોર્ટમાં બચાવ અંગે અંતિમ નિર્ણય ધરાવે છે.

આ પ્રથમ એકમમાં આપણે શિસ્ત પર ધ્યાન કેન્દ્રિત કરીશું, સાધન પર નહીં. ફોરેન્સિક વર્કફ્લોમાં AI વાસ્તવિક સમયને ક્યાં બચાવે છે, તે ક્યાં જોખમી છે, દરેક આઉટપુટને કેવી રીતે ચકાસવું, પુરાવાની અખંડિતતાને કેવી રીતે સુરક્ષિત કરવી અને તમે કયા ટૂલને કયો ડેટા આપી શકો તે તમે શીખી શકશો. આ પાયો નાખ્યા વિના, અનુગામી એકમો હવામાં જ રહે છે - કારણ કે કમ્પ્યુટર ફોરેન્સિક્સમાં, વણચકાસાયેલ આઉટપુટ માત્ર ખોટો જવાબ નથી, પરંતુ એક ભૂલ જે વ્યક્તિની સ્વતંત્રતા અથવા સંસ્થાના ભાવિને અસર કરે છે.

ફોરેન્સિક વર્કફ્લોમાં AI ક્યાં કામમાં આવે છે?

ચાલો કોમ્પ્યુટર ફોરેન્સિકની નોકરીઓને બે મોટા ક્લસ્ટરમાં વિભાજીત કરીએ. પ્રથમ ક્લસ્ટર: વિશાળ, પુનરાવર્તિત, પેટર્ન-દૂર કરી શકાય તેવા કાર્યો. લાખો લોગ લાઈનોમાં વિસંગતતાઓ માટે શોધ કરવી, હજારો ફાઈલોનું પ્રારંભિક વર્ગીકરણ (ટ્રાયેજ — ઝડપથી કયા પુરાવાની પ્રથમ તપાસ કરવી તે નક્કી કરવું), ઈમેલમાં વિષય અને એન્ટિટી (વ્યક્તિ, સંસ્થા, ખાતું) અનુમાન, એક જ સમયરેખામાં વિવિધ સ્ત્રોતોમાંથી ટાઈમસ્ટેમ્પ ગોઠવવાની રૂપરેખા, સાદી ભાષામાં ટેકનિકલ તારણોનો પ્રારંભિક સારાંશ, કોડના ભાગની સમજૂતી. આ નોકરીઓમાં, AI કલાકોને મિનિટમાં ઘટાડી દે છે અને થાકતો નથી.

બીજું ક્લસ્ટર: નિર્ણયો કે જે પુરાવાની અખંડિતતા, અર્થઘટન અને કાનૂની મૂલ્ય નક્કી કરે છે. શું શોધ ખરેખર ગુનો સાબિત કરે છે કે કેમ, ટાઇમસ્ટેમ્પ સાથે છેડછાડ કરવામાં આવી હતી કે કેમ, શું છબી (ફોરેન્સિક ઇમેજ - સ્ટોરેજ ડિવાઇસની થોડી-બાય-બિટ નકલ) સચોટ રીતે લેવામાં આવી હતી કે કેમ, કસ્ટડીની સાંકળ (કોની પાસેથી, ક્યારે અને કેવી રીતે પસાર થતા પુરાવાનો અવિરત રેકોર્ડ) જાળવવામાં આવ્યો હતો કે કેમ, કોર્ટમાં રિપોર્ટ બચાવી શકાય છે કે કેમ. આ નિર્ણયો માટે કુશળતા, કાનૂની જવાબદારી અને પુરાવા આધારિત અર્થઘટનની જરૂર છે. અહીં AI વિકલ્પોનો ગુણાકાર કરે છે, ડ્રાફ્ટ બનાવે છે - પરંતુ અંતિમ હસ્તાક્ષર તમારી છે.

ચાલો એક વાક્યમાં ભેદ સ્પષ્ટ કરીએ: AI "આ ખૂંટામાં શું બહાર આવે છે અને પ્રથમ સારાંશ કેવો દેખાય છે" પ્રશ્નો પર મજબૂત છે; "આ પુરાવા ખરેખર શું સાબિત કરે છે અને શું હું કોર્ટમાં તેનો બચાવ કરી શકું?" જેવા પ્રશ્નો આવે ત્યારે નિર્ણય તમારો છે.

ટીપ: AI ને નોકરી આઉટસોર્સ કરતા પહેલા, પૂછો: "જો આ આઉટપુટ ખોટું હોય તો મારે શું ગુમાવવું?" જો જવાબ "રી-ટ્રાયેજની થોડી મિનિટો" હોય, તો નિઃસંકોચ પ્રતિનિધિત્વ કરો. જો જવાબ "પુરાવાનો ઇનકાર, ખોટો આરોપ અથવા કેસનું પતન" છે, તો AI ને ડ્રાફ્ટ તૈયાર કરવા દો અને તમે નિર્ણય અને ચકાસણી કરો.

પુરાવાની અખંડિતતા: અવિશ્વસનીય સિદ્ધાંત

ડિજિટલ ફોરેન્સિક્સનું હૃદય એ પુરાવાની અખંડિતતા છે. મૂળ પુરાવાઓને ક્યારેય સીધો સ્પર્શ કરવામાં આવતો નથી; તેના બદલે, રાઈટ બ્લોકર (એક સાધન કે જે કોઈપણ ડેટાને હાર્ડવેર/સોફ્ટવેર દ્વારા સ્ત્રોત પર લખવાથી અટકાવે છે) નો ઉપયોગ કરીને એક ઈમેજ લેવામાં આવે છે અને સમગ્ર વિશ્લેષણ આ ઈમેજની નકલ પર કરવામાં આવે છે. ઇમેજ અકબંધ છે તે હેશ દ્વારા સાબિત થાય છે (હેશ મૂલ્ય—મૂલ્ય જે ડેટાના બ્લોકને નિશ્ચિત લંબાઈના અનન્ય ફિંગરપ્રિન્ટમાં રૂપાંતરિત કરે છે, જેમ કે SHA-256, એક-માર્ગી ગાણિતિક કાર્ય દ્વારા); જ્યારે છબી લેવામાં આવે ત્યારે અને દરેક સમીક્ષા પછી હેશ સમાન હોવું જોઈએ.

અહીં AI વિશે મહત્ત્વનો મુદ્દો આ છે: તમે AI ટૂલ્સને જે ડેટા આપો છો તે મૂળ પુરાવો હોવો જોઈએ નહીં, પરંતુ વેરિફાઈડ કોપીમાંથી મેળવેલ ડેરિવેટિવ હોવો જોઈએ અને આ ડેરિવેટિવ ક્યાંથી આવે છે તે નોંધવું જોઈએ. જ્યારે તમે AI ટૂલમાં ઈમેઈલ ટેક્સ્ટ પેસ્ટ કરો છો, ત્યારે તમારે દસ્તાવેજ કરવો જોઈએ કે કઈ ઈમેજ અને હેશ કરેલા સ્ત્રોતમાંથી ટેક્સ્ટ આવ્યો છે અને AIનો ઉપયોગ માત્ર વિશ્લેષણ માટે થાય છે અને પુરાવામાં કોઈ ફેરફાર કરતું નથી. AI નું આઉટપુટ પણ "શોધ" નથી પરંતુ "ચિહ્ન" છે જેને ચકાસવાની જરૂર છે.

સાવધાન: "એઆઈએ આમ કહ્યું" એ વાજબીપણું નથી અને કાયદાની અદાલતમાં તેનું કોઈ બળ નથી. જો ખોટું નિદાન થયું હોય, બનાવટી ટાઈમ સ્ટેમ્પ હોય અથવા પુરાવા ખૂટે હોય, તો જવાબદારી એઆઈની નથી, પરંતુ તે નિષ્ણાતની છે જેણે તે આઉટપુટને ખરાઈ કર્યા વિના રિપોર્ટમાં મૂક્યું છે.

ચકાસણી શિસ્ત: ત્રણ પગલાં

AI પ્રવાહી અને વિશ્વાસપૂર્વક ઉત્પાદન કરે છે; તેનો અર્થ એ નથી કે તે સાચું છે. AI ક્યારેક-ક્યારેક આભાસ ઉત્પન્ન કરે છે - એટલે કે, તે વાસ્તવિક અવિદ્યમાન ફાઇલ પાથ, અવિદ્યમાન ઘટના, બનાવટી ટાઇમસ્ટેમ્પ અથવા ખોટા કાનૂની સંદર્ભ તરીકે રજૂ કરે છે. ફોરેન્સિક રિપોર્ટમાં આ દુર્ઘટના છે. દરેક આઉટપુટ પર ત્રણ-પગલાની રીફ્લેક્સ લાગુ કરો:

1. તેને સ્ત્રોત સાથે જોડો. AI ના દરેક દાવા ઇમેજમાં ચોક્કસ આર્ટિફેક્ટ પર આધારિત હોવા જોઈએ (આર્ટિફેક્ટ - સિસ્ટમ દ્વારા છોડવામાં આવેલ ફોરેન્સિક ટ્રેસ: લોગ રેકોર્ડ, રજિસ્ટ્રી કી, ફાઇલ ટાઇમસ્ટેમ્પ). "કઇ ફાઇલમાં, કયા ઑફસેટ પર, કયા ટાઇમસ્ટેમ્પ પર આ શોધ છે?" અને મૂળ ડેટામાં તમારા માટે જુઓ.
2. સ્વતંત્ર સાધન વડે ચકાસો. ફોરેન્સિક ટૂલ (જેમ કે ઓટોપ્સી, એક્સ-વેઝ, મેગ્નેટ એક્સિઓમ) વડે AI- સારાંશવાળી સમયરેખાનું પુનઃઉત્પાદન કરો. એક સ્ત્રોત પર વિશ્વાસ કરશો નહીં.
3. તેને ટિપ્પણી ફિલ્ટરમાંથી પસાર કરો. શું આઉટપુટ કાર્યકારણ સાથેના સહસંબંધને મૂંઝવે છે? શું કોઈ વૈકલ્પિક સમજૂતી છે? તમારો નિષ્ણાત ચુકાદો અંતિમ ફિલ્ટર છે.

ત્રણ નાના કેસો

કેસ 1 - ટ્રાયજે સમય બચાવ્યો. રેન્સમવેરની એક ઘટનામાં, ટીમને 2.4 મિલિયન ફાઇલો સાથેની સર્વર ઇમેજ મળી. AI-સંચાલિત ટ્રાયજે શંકાસ્પદ એક્સ્ટેન્શન્સ, અસામાન્ય ટાઇમસ્ટેમ્પ્સ અને એન્ક્રિપ્શન સહીઓ સાથે 1,800 ફાઇલોને પ્રાથમિકતા આપી છે. ટીમે પ્રથમ આ તરફ જોયું; પ્રથમ નાબૂદી, જે સામાન્ય રીતે 3 દિવસની હશે, તેને ઘટાડીને 4 કલાક કરવામાં આવી હતી. પરંતુ દરેક "ઉચ્ચ અગ્રતા" ટેગ મેન્યુઅલી ચકાસવામાં આવ્યા હતા.

કેસ 2 - ચકાસણીમાં આભાસ થયો. એક નિષ્ણાત પાસે AI નો સારાંશ લોગનો સ્ટેક હતો. "એડમિનિસ્ટ્રેટર બાહ્ય IP થી 22:14 વાગ્યે લૉગિન કરો," YZ એ કહ્યું. જ્યારે નિષ્ણાતે મૂળ લોગ પર જોયું, ત્યારે આવો કોઈ રેકોર્ડ નહોતો; AI એ બે સમાન રેખાઓનું સંયોજન કર્યું હતું અને એવી ઘટના બનાવી હતી જે અસ્તિત્વમાં ન હતી. એટ્રિબ્યુશન પગલાએ ખોટા દાવાને રિપોર્ટ દાખલ કરતા અટકાવ્યો.

કેસ 3 - અખંડિતતાના ઉલ્લંઘનમાંથી પાછા ફરો. ઝડપ માટે, એક નવા વિશ્લેષકે મૂળ યુએસબી સ્ટિકને સીધી કમ્પ્યુટરમાં પ્લગ કરી અને ફાઇલોને AI ટૂલમાં લોડ કરી. વરિષ્ઠ નિષ્ણાતને સમજાયું: રાઇટ બ્લૉકરનો ઉપયોગ કરવામાં આવ્યો ન હતો, ઑપરેટિંગ સિસ્ટમે ડિસ્ક એક્સેસ ટાઇમસ્ટેમ્પમાં ફેરફાર કર્યો હતો. પુરાવા નબળા પડી ગયા છે. પ્રક્રિયાને શરૂઆતથી પુનરાવર્તિત કરવામાં આવી હતી, છબી લઈને અને હેશને ચકાસીને.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) નોકરીની યોગ્યતાનું મૂલ્યાંકન:

તમારી ભૂમિકા: વરિષ્ઠ કમ્પ્યુટર ફોરેન્સિક્સ નિષ્ણાત. હું નીચે નોકરીનું વર્ણન કરીશ. મને કહો (1) શું આ કામ ટ્રાયેજ/ડ્રાફ્ટિંગ કાર્ય છે જે AI ને સોંપી શકાય છે અથવા પુરાવાના અર્થઘટનને નિર્ધારિત કરતો નિર્ણાયક નિર્ણય, (2) ખોટા આઉટપુટની કાનૂની કિંમત, (3) જે ચકાસણી મારે પ્રતિનિધિમંડળ પહેલાં અને પછી કરવાની જરૂર છે. જોબ: [જોબ અહીં દાખલ કરો]

2) સ્ત્રોત સાથે લિંક કરવાની જવાબદારી:

હું તમને લોગ/ફાઈલ યાદી આપીશ. દરેક શોધ માટે સ્ત્રોતનો ઉલ્લેખ કરવો આવશ્યક છે: ફાઇલનામ, લાઇન/ઓફસેટ, ટાઇમસ્ટેમ્પ. સ્ત્રોત વિના કોઈપણ દાવા કરશો નહીં. જો તમને ખાતરી ન હોય, તો તેને "ચકાસણીની જરૂર છે" તરીકે ચિહ્નિત કરો. અવિદ્યમાન બનાવટ.

3) પુરાવા સંદર્ભ ટૅગ:

આ ટેક્સ્ટ ઇમેજ [ઇમેજ નામ] પરથી લેવામાં આવ્યો છે જેની હેશ [SHA-256 મૂલ્ય] છે. હું તેને ફક્ત વિશ્લેષણના હેતુઓ માટે પ્રદાન કરું છું; પુરાવાને બદલશો નહીં અથવા ફરીથી લખશો નહીં. "આ એક સંકેત છે જે ચકાસવાની જરૂર છે" ના સંદર્ભમાં તમારું વિશ્લેષણ રજૂ કરો.

4) ગોપનીય/વ્યક્તિગત ડેટા માસ્કિંગ:

હું જે ટેક્સ્ટ પ્રદાન કરીશ તેમાં વ્યક્તિગત ડેટા (નામ, TR ID, IBAN, આરોગ્ય) હોઈ શકે છે. સૂચિ કરો કે કયા ક્ષેત્રોને પહેલા માસ્ક કરવાની જરૂર છે; હું માસ્ક કરીશ અને ફરીથી મોકલીશ. જેમ છે તેમ તેનું વિશ્લેષણ કરશો નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ લોગ જુઓ અને હુમલો શોધો.

આ દાવો સંદર્ભ-મુક્ત છે: તે સ્પષ્ટ નથી કે કઈ સિસ્ટમ, કયો સમયગાળો, કયા પુરાવાનો સ્ત્રોત. AI આગાહી અને શોધ કરી શકે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ફોરેન્સિક લોગ વિશ્લેષક. સ્ત્રોત: hashed web server access.log (Apache સંયુક્ત ફોર્મેટ), માર્ચ 14-15, UTC. કાર્ય: ફક્ત લોગમાં ખરેખર અસ્તિત્વમાં છે તેવા રેકોર્ડ્સના આધારે અસામાન્ય વિનંતીઓ (SQLi પ્રયાસ, ડિરેક્ટરી નેવિગેશન, અસામાન્ય વપરાશકર્તા-એજન્ટ)ની સૂચિ બનાવો. દરેક શોધ માટે ચોક્કસ લાઇન અને ટાઇમસ્ટેમ્પનો ઉલ્લેખ કરો. ટિપ્પણી ઉમેરો નહીં, હું પુરાવાનું મૂલ્યાંકન કરીશ. જો તમને ખાતરી ન હોય તો ચિહ્નિત કરો.

તફાવત સ્પષ્ટ છે: સ્ત્રોત, ફોર્મેટ, સમય અવધિ અને "વાસ્તવમાં અસ્તિત્વમાં છે" અવરોધ આઉટપુટને બચાવયોગ્ય બનાવે છે.

ભૂમિકા/કાર્ય સરખામણી ચાર્ટ

વેપાર

AI ની ભૂમિકા

માણસની ભૂમિકા

ચકાસણી

ફાઇલ ટ્રાયજ

પ્રાથમિકતાની રૂપરેખા

નિર્ણય, સમીક્ષા

મેન્યુઅલ સેમ્પલિંગ

લોગ વિશ્લેષણ

અસંગતતા માર્કિંગ

અર્થઘટન, કાર્યકારણ

સ્ત્રોતની લિંક

સમયરેખા

રેન્કિંગ ડ્રાફ્ટ

ચકાસણી, ટિપ્પણી

સ્વતંત્ર વાહન

ઇમેઇલ સમીક્ષા

વિષય/એન્ટિટી નિષ્કર્ષણ

સુસંગતતા નિર્ણય

હાથ દ્વારા વાંચન

જાણ કરો

પ્રથમ સારાંશ ડ્રાફ્ટ

જોડણી, સહી

શોધ-સ્રોત મેપિંગ

સામાન્ય ભૂલો

• તારણો માટે AI આઉટપુટની ભૂલ કરવી. આઉટપુટ હંમેશા ચકાસવા માટેનો સંકેત છે; તે સ્ત્રોત સાથે કનેક્ટ કર્યા વિના રિપોર્ટ દાખલ કરતું નથી.
• મૂળ પુરાવાને સ્પર્શ કરવો. ઇમેજ લીધા વિના અથવા રાઇટ બ્લૉકરનો ઉપયોગ કર્યા વિના કામ કરવાથી પુરાવા બળી જશે.
• વિનંતી કે સંસાધનોની વિનંતી ન કરે. જો તમે ઑફસેટ/ટાઇમસ્ટેમ્પ ન માંગતા હો, તો AI ઇવેન્ટ્સ બનાવી શકે છે.
• ઓપન ટૂલમાં ગોપનીય/વ્યક્તિગત ડેટા પેસ્ટ કરવો. જો તે લીક થાય છે, તો તે કાનૂની અને નૈતિક ઉલ્લંઘન છે.
• અનધિકૃત ઍક્સેસ માટે સુરક્ષા માહિતીનો ઉપયોગ કરવો. AIનો ઉપયોગ માત્ર સંરક્ષણ, ચકાસણી અને અધિકૃત સમીક્ષા માટે થાય છે.

સારાંશમાં

AI એ ડિજિટલ ફોરેન્સિક્સમાં એક શક્તિશાળી સહાયક છે: તે વિશાળ ડેટા, ફ્લેગ પેટર્ન, બ્લુપ્રિન્ટ્સનું ઉત્પાદન કરે છે. પરંતુ પુરાવાની પ્રામાણિકતા, અર્થઘટન અને કાનૂની મૂલ્ય માનવીઓનું છે. આ મોડ્યુલની કરોડરજ્જુ તરીકે બે-સેટ વિભાજન (વોલ્યુમ વર્ક વિ. અખંડિતતા/કોમેન્ટરી નિર્ણયો), ત્રણ-પગલાની ચકાસણી (સ્રોતની લિંક, સ્વતંત્ર સાધન સાથે ચકાસણી, ટિપ્પણી ફિલ્ટર), પુરાવાની અખંડિતતા અને કસ્ટડી જાગૃતિની સાંકળ અને ડેટા ગોપનીયતા આ મોડ્યુલની કરોડરજ્જુ તરીકે રાખો.

એપ્લિકેશન કાર્ય

તમારા પોતાના (અથવા કાલ્પનિક) ઘટના દૃશ્યમાંથી 6 કાર્યોની સૂચિ બનાવો. દરેકને "AI- સોંપી શકાય તેવી ટ્રાયેજ/ડ્રાફ્ટિંગ" અથવા "માનવ નિર્ણય" તરીકે વર્ગીકૃત કરો. ટ્રાન્સફર કરી શકાય તેવા એક માટે, ઉપરોક્ત “નોકરી યોગ્યતા મૂલ્યાંકન” નમૂનાનો ઉપયોગ કરો અને AI તરફથી પ્રતિસાદ મેળવો; પછી ત્રણ-પગલાની ચકાસણી લાગુ કરો અને સ્ત્રોત સાથે કનેક્ટ કરવાનો પ્રયાસ કરો.

ચેકલિસ્ટ

• [ ] મેં કામને બે ક્લસ્ટરમાં વિભાજિત કર્યું (મોટા/સંપૂર્ણતા-ટિપ્પણી નિર્ણય).
• [ ] મેં ત્રણ-પગલાંની ચકાસણી (સ્રોત, સ્વતંત્ર સાધન, ટિપ્પણી) લાગુ કરી છે.
• [ ] મેં મૂળ પુરાવાને બદલે હેશ-વેરિફાઈડ ઈમેજ કોપી સાથે કામ કર્યું.
• [ ] મેં AI ને આપેલા ડેટાને પુરાવા સંદર્ભ સાથે ટેગ કર્યા છે.
• [ ] મેં ટૂલને વ્યક્તિગત/ગોપનીય ડેટા ફક્ત માસ્ક કરેલા અને માન્ય સ્વરૂપમાં પ્રદાન કર્યો છે.