આર્ગ્યુમેન્ટ મેપિંગ: પ્રિમાઈસ, નિષ્કર્ષ અને અનુમાન માળખું બહાર કાઢવું

નફો:

• ક્રમાંકિત પરિસર-નિષ્કર્ષ માનક સ્વરૂપમાં દલીલ મૂકવાની અને ગર્ભિત જગ્યાને અલગ પાડવાની ક્ષમતા
• માન્યતા (સંરચના) અને સુદ્રઢતા (પરિસરની ચોકસાઈ) વચ્ચેના તફાવતનો સભાનપણે ઉપયોગ કરવામાં સક્ષમ બનવું
• કૃત્રિમ બુદ્ધિમત્તા પર છોડ્યા વિના માન્યતા અને સચોટતાનો ચુકાદો કરવાની ક્ષમતા અને મજબૂત સંસ્કરણ સામે પ્રતિ-દલીલ ઊભી કરવાની ક્ષમતા

તત્વજ્ઞાનનું હૃદય દલીલ છે. ફિલોસોફિકલ ટેક્સ્ટને સમજવાનો અર્થ એ છે કે તે શું કહે છે તે જાણવાની બહાર, તે કેવી રીતે કારણ આપે છે તે જોવા માટે સક્ષમ થવું. દલીલની વિભાવનાઓ (નિષ્કર્ષને સમર્થન આપવા માટે આગળ મૂકવામાં આવેલ પરિસરનું તર્કનું માળખું - એક દાવો), પૂર્વધારણા (નિષ્કર્ષને સમર્થન આપવા માટે સ્વીકારવામાં આવેલ મધ્યવર્તી દાવો અથવા બચાવ) અને નિષ્કર્ષ (પરિસરમાંથી મેળવેલ અંતિમ દાવો) આ વિશ્લેષણના બિલ્ડીંગ બ્લોક્સ છે. દલીલનું મેપિંગ (તર્કના હાડપિંજરને દૃષ્ટિની/સંરચનાત્મક રીતે પરિસર, મધ્યવર્તી નિષ્કર્ષ અને અંતિમ નિષ્કર્ષ તરીકે બહાર કાઢીને દૃશ્યમાન બનાવવું) એ ગાઢ લખાણના તાર્કિક બેકબોનને જાહેર કરવાની સૌથી શક્તિશાળી પદ્ધતિ છે. AI ઝડપથી આ હાડપિંજરનો પ્રથમ ડ્રાફ્ટ બનાવી શકે છે; પરંતુ દલીલ માન્ય છે કે યોગ્ય છે તે નક્કી કરવાનું માણસ પર છે - એટલે કે, તાર્કિક ચુકાદો કરવો.

આ એકમમાં, અમે જોઈશું કે કેવી રીતે દલીલને સ્ટેપ બાય સ્ટેપ મેપ કરવી, તેના પર AIનો ઉપયોગ કેવી રીતે કરવો અને શા માટે તમારે ક્યારેય પણ માન્યતા અને સુદ્રઢતાનો ચુકાદો સોંપવો જોઈએ નહીં.

દલીલની શરીરરચના

ચાલો પહેલા બે મૂળભૂત વિભાવનાઓને અલગ કરીએ, કારણ કે તમામ દલીલ મૂલ્યાંકન તેના પર નિર્ભર છે.

માન્યતા: દલીલ માન્ય છે જો તેનું નિષ્કર્ષ આવશ્યકપણે સાચું હોય તો તેનું પરિસર સાચું હોય. માન્યતા માત્ર માળખા વિશે છે, જગ્યા ખરેખર સાચી છે કે કેમ તે નહીં. દલીલ "બધી બિલાડીઓ ઉડે છે; ટેબ્બી એક બિલાડી છે; તેથી ટેબી ફ્લાય્સ" માન્ય છે, પરંતુ તેનો આધાર ખોટો છે.

સાઉન્ડનેસ: દલીલ એ સાઉન્ડ છે જો તે બંને માન્ય હોય અને તેના તમામ પરિસર વાસ્તવમાં સાચા હોય. સાઉન્ડનેસ માટે પરિસરની રચના અને સત્ય બંનેની જરૂર હોય છે.

AI દલીલની રચના (પરિસર અને નિષ્કર્ષની સૂચિ) કાઢવામાં સારી છે. પરંતુ "શું આ દલીલ માન્ય છે?" પણ પ્રશ્ન "તે નક્કર છે?" ક્યારેક ભૂલ થાય છે. પ્રશ્ન, તે પરિસરના વાસ્તવિક સત્યનું મૂલ્યાંકન કરી શકતો નથી - કારણ કે આ માટે વિશ્વનું જ્ઞાન, વૈચારિક સંવેદનશીલતા અને નિર્ણયની જરૂર છે. આ જ કારણ છે કે તમારી પાસે AI નકશો દોરશે અને તેનું જાતે મૂલ્યાંકન કરશે.

સંકેત: "માનક સ્વરૂપ" માં દલીલ માટે AI ને પૂછો: ક્રમાંકિત પરિસર (S1, S2, ...), મધ્યવર્તી નિષ્કર્ષ જો કોઈ હોય તો, અને અંતિમ નિષ્કર્ષ (S). આ ફોર્મેટ દલીલને ચકાસવા અને નબળી કડી શોધવા બંનેને સરળ બનાવે છે.

મેપિંગ પગલાં

1. પરિણામ શોધો. લેખક સૌથી વધુ શું સાબિત કરવાનો પ્રયાસ કરી રહ્યા છે? "તે કિસ્સામાં", "તેથી", "તેથી" જેવા અભિવ્યક્તિઓ સામાન્ય રીતે પરિણામ સૂચવે છે.

2. જગ્યા એકત્રિત કરો. નિષ્કર્ષને સમર્થન આપતી દલીલો શું છે? અભિવ્યક્તિઓ "કારણ કે", "કારણ કે", "કારણ કે" પરિસરનો સંદર્ભ આપે છે.

3. ગર્ભિત જગ્યા ઉમેરો. દલીલને કામ કરવા માટે કયા અસ્પષ્ટ પરિસર (છુપાયેલા ધારણાઓ) જરૂરી છે? આને દૃશ્યમાન બનાવવાથી ઘણીવાર ટીકાનો સૌથી મજબૂત મુદ્દો ખુલે છે.

4. અલગ મધ્યવર્તી પરિણામો. લાંબી દલીલોમાં, નિમ્ન પરિસરમાંથી જ એક પરિમાણ કાઢી શકાય છે. આ સ્તરોને અલગ કરો.

5. ટેસ્ટ વેલિડિટી. જો પરિસરને સત્ય તરીકે સ્વીકારવામાં આવે, તો શું નિષ્કર્ષ જરૂરી લાગે છે? જો નહીં, તો શું ખૂટે છે અથવા અનુમાનમાં કોઈ લીપ છે?

6. ટકાઉપણું પરીક્ષણ. શું પરિસર ખરેખર સાચું છે? જે વિવાદાસ્પદ છે? આ તે છે જ્યાં તમારો નિષ્ણાત ચુકાદો અમલમાં આવે છે.

સાવધાન: AI દલીલને "માન્ય" તરીકે પુષ્ટિ આપી શકે છે; આ મંજૂરીને ક્યારેય અંતિમ શબ્દ ન ગણો. AI તાર્કિક માન્યતાની ખાતરીપૂર્વક પરંતુ અચોક્કસ સમજૂતી પેદા કરી શકે છે. પરિસર સાચું છે એમ ધારીને માન્યતા તપાસો અને નિષ્કર્ષ અનિવાર્ય છે કે કેમ તે જાતે ધ્યાનમાં લો.

ત્રણ નાના કેસો

કેસ 1 - છુપાયેલ પરિસર જાહેર. પીએચડીના વિદ્યાર્થીએ નૈતિક ફિલોસોફીના પેપરમાં દલીલને મેપ કરી. AI પ્રમાણભૂત સ્વરૂપમાં 3 પરિસર અને 1 નિષ્કર્ષ મેળવે છે. વિદ્યાર્થીએ 4થા પ્રિમાઈસ (છુપાયેલા મૂલ્યની ધારણા)ની નોંધ લીધી જે દલીલને કામ કરવા માટે જરૂરી હતી પરંતુ ટેક્સ્ટમાં તેનો ક્યારેય ઉલ્લેખ કરવામાં આવ્યો ન હતો. આ છુપાયેલ પરિબળ પેપરનો સૌથી વિવાદાસ્પદ મુદ્દો હતો અને તે વિદ્યાર્થીની ટીકાનું કેન્દ્ર બન્યો હતો. AI એ હાડપિંજર આપ્યું; વાસ્તવિક શોધ વિદ્યાર્થીની હતી.

કેસ 2 - AI એ ખોટી રીતે માન્યતાની પુષ્ટિ કરી. એક પ્રશિક્ષકે AI દ્વારા વિદ્યાર્થીના પેપરમાં દલીલનું મૂલ્યાંકન કરાવ્યું હતું. એઆઈએ કહ્યું કે "દલીલ માન્ય છે". જ્યારે લેક્ચરરે તપાસ કરી, ત્યારે તેણે જોયું કે નિષ્કર્ષ તરફના સંક્રમણમાં "મધ્યમ શબ્દ" ભૂલ હતી (બે ખ્યાલો વાસ્તવમાં અલગ હોવા છતાં પરિસરમાં સમાન ગણવા). દલીલ માન્ય ન હતી. AI ની પ્રવાહી પુષ્ટિએ તર્કમાં ખામી છુપાવી હતી; માનવ નિયંત્રણ પકડ્યું છે.

કેસ 3 - મજબુતતાની ચર્ચા. એક સેમિનાર જૂથે રાજકીય ફિલસૂફીની દલીલને મેપ કરી. માળખું માન્ય હતું. પરંતુ ચર્ચા એક કેન્દ્રિય આધારના સત્ય પર ઉકળે છે: "દરેક તર્કસંગત વ્યક્તિ પોતાના રસને મહત્તમ કરે છે." જૂથે 20-મિનિટની ચર્ચામાં દર્શાવ્યું હતું કે આ આધાર પ્રાયોગિક અને સામાન્ય રીતે વિવાદાસ્પદ છે. AI આ દલીલ કરી શક્યું નથી; તેણે માત્ર નકશો જ આપ્યો હતો. સ્વસ્થતાનો ચુકાદો જૂથનો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ લખાણની દલીલ સારી છે?

આ દાવો અસ્પષ્ટ અને ખતરનાક બંને છે: AI તમારા માટે "સારા/ખરાબ" જેવો ચુકાદો આપે છે, સાચીતા સાથે માન્યતાને મૂંઝવે છે, અને તે કેવી રીતે પહોંચ્યું તે બતાવતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તર્ક-લક્ષી દલીલ વિશ્લેષક. નીચેના ટેક્સ્ટની દલીલને પ્રમાણભૂત સ્વરૂપમાં બહાર કાઢો: - ક્રમાંકિત પરિસર (S1, S2, ...), મધ્યવર્તી નિષ્કર્ષ (જો કોઈ હોય તો), અંતિમ નિષ્કર્ષ (S). - લખાણમાં ન હોય પરંતુ જરૂરી હોય તેવા ગર્ભિત પરિસરને [ઈમ્પ્લિસિટ] લેબલ સાથે અલગથી બતાવો. - વાક્યને ચિહ્નિત કરો કે જેના પર દરેક પરિમાણ આધારિત છે. ન્યાય ન કરો: "માન્ય/સાઉન્ડ" કહો નહીં. તેના બદલે, મને એક પ્રશ્ન તરીકે અનુમાનનું પગલું રજૂ કરો કે જેને માન્યતા માટે ચકાસવાની જરૂર છે અને તે પૂર્વધારણા કે જે યોગ્યતા માટે વિવાદાસ્પદ હોઈ શકે. હું નક્કી કરીશ. ટેક્સ્ટ: [ટેક્સ્ટ અહીં પેસ્ટ કરો]

આ પ્રોમ્પ્ટ બંધારણને છોડી દે છે પરંતુ નિર્ણય તમારા પર છોડી દે છે; તે ગર્ભિત પરિસરને અનપેક કરે છે અને તેમને ચકાસી શકાય તેવું બનાવે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) માનક ફોર્મ મેપિંગ:

નીચેની દલીલને પ્રમાણભૂત સ્વરૂપમાં મૂકો: ક્રમાંકિત પરિસર, મધ્યવર્તી નિષ્કર્ષ, અંતિમ નિષ્કર્ષ. ટેક્સ્ટમાં દરેક ઘટકને વાક્ય સાથે લિંક કરો. ટિપ્પણીઓ ઉમેરો, ફક્ત માળખું બહાર કાઢો. ટેક્સ્ટ: [ટેક્સ્ટ]

2) ગર્ભિત જગ્યા માટે શિકાર:

ગર્ભિત પરિસરની સૂચિ બનાવો કે જે આ દલીલ તેના નિષ્કર્ષ પર પહોંચવા માટે જરૂરી છે પરંતુ ટેક્સ્ટમાં જણાવેલ નથી. દરેક માટે: સંક્ષિપ્તમાં જણાવો કે તે શા માટે જરૂરી છે અને તેની ચોકસાઈ કેટલી શંકાસ્પદ છે. ફક્ત ટેક્સ્ટ પર આધાર રાખો. ટેક્સ્ટ: [ટેક્સ્ટ]

3) નબળા કડી નિદાન (ન્યાય કરવા માટે તમારું નથી):

આ દલીલમાં, (a) પગલું જ્યાં અનુમાન સૌથી નબળું છે તે બતાવો, (b) QUESTION સ્વરૂપમાં સૌથી વિવાદાસ્પદ આધાર. "માન્ય/અમાન્ય" અથવા "સાચું/ખોટું" કહો નહીં; મારે ક્યાં જોવું જોઈએ તે ફક્ત નિર્દેશ કરો. હું નક્કી કરીશ. દલીલ: [પ્રમાણભૂત સ્વરૂપ પેસ્ટ કરો]

4) પ્રતિ-દલીલો બનાવવી:

નીચેની દલીલ માટે 2 સૌથી મજબૂત વાંધાઓ બનાવો. સ્પષ્ટ કરો કે દરેક વાંધાનું લક્ષ્ય કયું આધાર અથવા અનુમાન છે. વાંધામાંથી સ્ટ્રો મેન ન બનાવો; દલીલના સૌથી મજબૂત સંસ્કરણને લક્ષ્ય બનાવો. દલીલ: [માનક સ્વરૂપ પેસ્ટ કરો]

માન્યતા/મજબુતતા કોષ્ટક

પ્રશ્ન

તે શું પૂછે છે?

AI ની ભૂમિકા

જેનો નિર્ણય

માળખું શું છે?

પૂર્વવર્તી અને નિષ્કર્ષ

હાડપિંજર બહાર કાઢે છે

સામાન્ય

શું કોઈ ગર્ભિત આધાર છે?

છુપાયેલ ધારણાઓ

ઉમેદવારોની યાદી

મનુષ્ય સાચો છે

શું તે માન્ય છે?

શું પરિસર → નિષ્કર્ષ જરૂરી છે?

પરીક્ષણ બિંદુ બતાવે છે

માનવ ચુકાદાઓ

શું તે નક્કર છે?

શું પરિસર ખરેખર સાચું છે?

વિવાદાસ્પદ ચિહ્નિત કરે છે

માનવ ચુકાદાઓ

સામાન્ય ભૂલો

• મજબુતતા સાથે ગૂંચવણભરી માન્યતા. માન્ય દલીલની જગ્યા ખોટી હોઈ શકે છે; ફક્ત એટલા માટે કે AI કહે છે "માન્ય" નો અર્થ "સાચો" નથી.
• AI ના ચુકાદાને સ્વીકારી રહ્યા છીએ. "આ દલીલ સારી/ખરાબ છે" પ્રકારનું મૂલ્યાંકન AI પર છોડી દેવું; તાર્કિક નિર્ણય તમારો છે.
• ગર્ભિત પૂર્વધારણાને બાદ કરતા. સૌથી મજબૂત ટીકા ઘણીવાર અસ્પષ્ટ ધારણામાં હોય છે; AI દ્વારા આપવામાં આવેલા હાડપિંજર માટે સ્થાયી ન થાઓ, છુપાયેલા આધાર માટે જુઓ.
• સ્ટ્રો-મેન સેટિંગ. પ્રતિ-દલીલ ઉત્પન્ન કરતી વખતે, દલીલના સૌથી મજબૂત સંસ્કરણનું લક્ષ્ય રાખો, તેના નબળા કેરિકેચર (દાનનો સિદ્ધાંત) નહીં.
• નકશાને ટેક્સ્ટ સાથે કનેક્ટ કરી રહ્યાં નથી. લખાણમાં દરેક પરિમાણનો આધાર દર્શાવ્યા વિના નકશાને સાચા તરીકે સ્વીકારવો.

સારાંશમાં

આર્ગ્યુમેન્ટ મેપિંગ ફિલોસોફિકલ ટેક્સ્ટના લોજિકલ બેકબોનને દૃશ્યમાન બનાવે છે. AI ઝડપથી પૂર્વવર્તી-પરિણામ હાડપિંજર અને ગર્ભિત પૂર્વવર્તી ઉમેદવારોને બહાર કાઢી શકે છે; આ એક વિશાળ સમય બચાવનાર છે. પરંતુ બે નિર્ણાયક ચુકાદાઓ-માન્યતા (સંરચના) અને સુદ્રઢતા (સ્થાનનું સત્ય) - માનવ રહે છે. માન્યતાને મજબૂતતા સાથે ક્યારેય ગૂંચવશો નહીં, AI ના "સારા/ખરાબ" ચુકાદાને સ્વીકારશો નહીં, ગર્ભિત જગ્યાઓ જોવાની ખાતરી કરો અને સૌથી મજબૂત વિરુદ્ધ પ્રતિ-દલીલો બનાવો. AI એક કાર્ટોગ્રાફર છે; તમે પેસેન્જર છો જે રસ્તાનું મૂલ્યાંકન કરે છે.

એપ્લિકેશન કાર્ય

1. લેખ અથવા ટેક્સ્ટમાંથી એક, સ્પષ્ટ દલીલ પસંદ કરો.
2. "સ્ટાન્ડર્ડ ફોર્મ મેપિંગ" ટેમ્પલેટ વડે પ્રિમીસ-પરિણામ હાડપિંજરને બહાર કાઢો.
3. છુપાયેલી ધારણાઓ શોધો અને સૌથી વધુ વિવાદાસ્પદ ધારણાઓને “ગર્ભિત પ્રીમાઈસ હન્ટ” ટેમ્પલેટ વડે ધ્વજાંકિત કરો.
4. તમારા માટે માન્યતા પરીક્ષણ કરો: ધારી રહ્યા છીએ કે જગ્યા સાચી છે, શું નિષ્કર્ષ જરૂરી લાગે છે?
5. સૌથી નબળા આધાર પર તમારો પોતાનો એક-વાક્ય વાંધો લખો.

ચેકલિસ્ટ

• [ ] મેં દલીલને પ્રમાણભૂત ક્રમાંકિત સ્વરૂપમાં મૂક્યું છે.
• [ ] મેં ગર્ભિત જગ્યાને અલગથી ચિહ્નિત કરી છે.
• [ ] મેં સભાનતાપૂર્વક માન્યતા અને સુદ્રઢતા વચ્ચેના તફાવતનો ઉપયોગ કર્યો.
• [ ] મેં માન્યતા અને મજબૂતીનો નિર્ણય AI પર નહીં, મારા પર છોડી દીધો.
• [ ] મેં દરેક પ્રીમાઈસને ટેક્સ્ટમાં આધાર સાથે લિંક કર્યું છે.
• [ ] મેં સ્ટ્રો મેન નહીં પણ સૌથી મજબૂત રાજ્ય સામે કાઉન્ટર-અર્યુમેન્ટ ઊભી કરી.