ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಬರವಣಿಗೆ

ಲಾಭಗಳು:

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯವು ಮೂಲಗಳನ್ನು ಹುಡುಕುವಲ್ಲಿ ಅಲ್ಲ, ಆದರೆ ನೀವು ಒದಗಿಸುವ ನೈಜ ಲೇಖನವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು, ಹುಡುಕಾಟ ತಂತ್ರವನ್ನು ಸ್ಥಾಪಿಸುವುದು ಮತ್ತು ಅದನ್ನು ಭಾಷಾ ಸಾಧನವಾಗಿ ಇರಿಸುವುದು
• ಕಲ್ಪಿತ ಉಲ್ಲೇಖಗಳ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ ಮತ್ತು PubMed/DOI ನೊಂದಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಪ್ರತಿ ಉಲ್ಲೇಖವನ್ನು ತೆಗೆದುಹಾಕಿ
• ವೈಜ್ಞಾನಿಕ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಂಖ್ಯೆಗಳನ್ನು ಒದಗಿಸುವ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಘೋಷಿಸುವ ಸಾಮರ್ಥ್ಯ

ಜೀವಶಾಸ್ತ್ರಜ್ಞರ ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ಓದಲು ಮತ್ತು ಬರೆಯಲು ಕಳೆಯಲಾಗುತ್ತದೆ: ಕ್ಷೇತ್ರದೊಂದಿಗೆ ಇಟ್ಟುಕೊಳ್ಳುವುದು, ಎಷ್ಟು ವಿಷಯವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ನೋಡುವುದು, ಅವರ ಸಂಶೋಧನೆಗಳನ್ನು ಕಾಗದ, ಪ್ರಬಂಧ ಅಥವಾ ಅನುದಾನ ಅರ್ಜಿಯಾಗಿ ಪರಿವರ್ತಿಸುವುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಎರಡೂ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಉತ್ತಮ ವೇಗವರ್ಧನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; ಆದರೆ ಇಲ್ಲಿ ಇದು ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಬಲೆ ಹೊಂದಿದೆ: ಭ್ರಮೆಯ ಉಲ್ಲೇಖಗಳು. ಮಾದರಿಯು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಆದರೆ ಅತ್ಯಂತ ವಾಸ್ತವಿಕವಾಗಿ ಕಾಣುವ ಲೇಖನ ಬೈಲೈನ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಈ ಘಟಕದಲ್ಲಿ, ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಬರವಣಿಗೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸಲು ನಾವು ಕಲಿಯುತ್ತೇವೆ.

ಮೂಲ ತತ್ವ: AI ನಿಮ್ಮ ಟೈಪಿಂಗ್ ಅನ್ನು ವೇಗಗೊಳಿಸಲು ಬಿಡಿ, ನಿಮ್ಮ ಆಲೋಚನೆ ಮತ್ತು ಪ್ರೂಫಿಂಗ್ ಅಲ್ಲ.

ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸರಿಯಾದ ಪಾತ್ರ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸಾಹಿತ್ಯದ ಡೇಟಾಬೇಸ್ ಅಲ್ಲ. ಜೆನೆರಿಕ್ LLM ಯಾವ ಕಾಗದವು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಮತ್ತು ನಿಜವಾದ ಉಲ್ಲೇಖಗಳನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ತಿಳಿದಿರುವುದಿಲ್ಲ. ಕೆಲಸಕ್ಕೆ ಸರಿಯಾದ ಪರಿಕರಗಳು:

• ಪಬ್‌ಮೆಡ್, ಗೂಗಲ್ ಸ್ಕಾಲರ್, ಸೆಮ್ಯಾಂಟಿಕ್ ಸ್ಕಾಲರ್: ನೈಜ ಲೇಖನ ಹುಡುಕಾಟ.
• ಉಲ್ಲೇಖದ ಸರಣಿ ಉಪಕರಣಗಳು (ಉದಾ. ಸಂಪರ್ಕಿತ ಪೇಪರ್‌ಗಳು, ಲಿಟ್‌ಮ್ಯಾಪ್‌ಗಳು): ದೃಶ್ಯ ನಕ್ಷೆಯಂತೆ ಸಂಬಂಧಿತ ಲೇಖನಗಳನ್ನು ಹುಡುಕಿ.
• ಡಾಕ್ಯುಮೆಂಟ್-ಆಧಾರಿತ AI: ನೀವು ಒದಗಿಸುವ ನಿಜವಾದ ಲೇಖನವನ್ನು (PDF/ಪಠ್ಯ) ಸಾರಾಂಶ ಮಾಡುವ ಮತ್ತು ಆ ಪಠ್ಯದ ಆಧಾರದ ಮೇಲೆ ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವ ಪರಿಕರಗಳು. ಇಲ್ಲಿ ಮಾದರಿಯು ಮೂಲವನ್ನು ರೂಪಿಸುವುದಿಲ್ಲ, ನೀವು ಅದನ್ನು ನೀಡುವುದನ್ನು ಅದು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ.

LLM ನ ಸುರಕ್ಷಿತ ಬಳಕೆ: ನೀವು ಕಂಡುಕೊಂಡ ನೈಜ ಲೇಖನಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು, ಅವುಗಳನ್ನು ಹೋಲಿಸುವುದು, ನಿಮಗೆ ವಿಷಯವನ್ನು ವಿವರಿಸುವುದು, ಹುಡುಕಾಟ ಪದಗಳನ್ನು ಸೂಚಿಸುವುದು.

ಸಲಹೆ: "ಈ ವಿಷಯದ ಕುರಿತು ನನಗೆ 10 ಮೂಲಗಳನ್ನು ನೀಡಿ" ಎಂದು AI ಗೆ ಹೇಳಬೇಡಿ; ಬದಲಿಗೆ "ಈ ವಿಷಯದ ಕುರಿತು ನಾನು ಪಬ್‌ಮೆಡ್‌ನಲ್ಲಿ ಯಾವ ಹುಡುಕಾಟ ಪದಗಳನ್ನು ಬಳಸಬೇಕು?" ಕೇಳು. ನಂತರ ನೀವು ನಿಜವಾದ ಕರೆ ಮಾಡಿ. ಮಾದರಿಯು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹುಡುಕುವಲ್ಲಿ ಅಲ್ಲ ಆದರೆ ಹುಡುಕಾಟ ತಂತ್ರವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ.

ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಆಟ್ರಿಬ್ಯೂಷನ್ ಸಮಸ್ಯೆ: ಏಕೆ ಮತ್ತು ಅದನ್ನು ತಪ್ಪಿಸುವುದು ಹೇಗೆ

LLM ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಇದು "ಮುಂದಿನ ಸಂಭವನೀಯ ಪದ" ಎಂಬ ತರ್ಕದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಉಲ್ಲೇಖಕ್ಕಾಗಿ ಕೇಳಿದಾಗ, ನಿಜವಾದ ಲೇಖನವನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವ ಬದಲು, ಅದು ವಾಸ್ತವಿಕವಾಗಿ ಕಾಣುವ ಬೈಲೈನ್ ಅನ್ನು "ಉತ್ಪಾದಿಸುತ್ತದೆ": ತೋರಿಕೆಯ ಲೇಖಕರ ಹೆಸರುಗಳು, ವಾಸ್ತವಿಕ ಜರ್ನಲ್, ಸೂಕ್ತವಾದ ವರ್ಷ, ನಕಲಿ DOI ಕೂಡ. ಅವುಗಳಲ್ಲಿ ಹೆಚ್ಚಿನವು ಎಂದಿಗೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ. ರಕ್ಷಣೆ:

1. ಪ್ರತಿ ಉಲ್ಲೇಖವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿ: doi.org ನಲ್ಲಿ DOI ಅನ್ನು ಹುಡುಕಿ, PubMed ನಲ್ಲಿ ಉಲ್ಲೇಖ.
2. ನೀವೇ ಓದಿದ ಲೇಖನಗಳನ್ನು ಮಾತ್ರ ಉಲ್ಲೇಖಿಸಿ.
3. ಮಾದರಿಯು ತಯಾರಿಸಿದ ಉಲ್ಲೇಖವನ್ನು ನೇರವಾಗಿ ಗ್ರಂಥಸೂಚಿಯಲ್ಲಿ ಎಂದಿಗೂ ಇರಿಸಬೇಡಿ.
4. ನೀವು ಡಾಕ್ಯುಮೆಂಟ್-ಆಧಾರಿತ ಸಾಧನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೂ ಸಹ, ಉಲ್ಲೇಖವು ನಿಜವಾದ ಪಠ್ಯದಲ್ಲಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ.

ವೈಜ್ಞಾನಿಕ ಬರವಣಿಗೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಇಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನಿಜವಾಗಿಯೂ ಶಕ್ತಿಯುತವಾಗಿದೆ, ಏಕೆಂದರೆ ಅದು ಇನ್ನು ಮುಂದೆ "ಮಾಹಿತಿ ಮೂಲ" ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಆದರೆ "ಭಾಷಾ ಸಾಧನ" ವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:

• ಕರಡು ರಚನೆ: ವಿಧಾನದ ಪ್ಯಾರಾಗ್ರಾಫ್‌ನ ಮೊದಲ ಆವೃತ್ತಿ, ಸಾರಾಂಶ.
• ಭಾಷಾ ತಿದ್ದುಪಡಿ: ನಿರರ್ಗಳತೆ ಮತ್ತು ವ್ಯಾಕರಣ, ವಿಶೇಷವಾಗಿ ಸ್ಥಳೀಯವಲ್ಲದ ಇಂಗ್ಲಿಷ್ ಮಾತನಾಡುವವರಿಗೆ.
• ಮರುಸಂಘಟನೆ: ಚದುರಿದ ಟಿಪ್ಪಣಿಗಳನ್ನು ತಾರ್ಕಿಕ ಹರಿವಿಗೆ ತರುವುದು.
• ವಿಭಿನ್ನ ಪ್ರೇಕ್ಷಕರು: ತಜ್ಞರು, ವಿದ್ಯಾರ್ಥಿ ಅಥವಾ ಸಾರ್ವಜನಿಕರಿಗಾಗಿ ಅದೇ ಸಂಶೋಧನೆಯನ್ನು ಪುನಃ ಬರೆಯುವುದು.
• ಪ್ರತಿಕ್ರಿಯೆ ಪತ್ರ: ರೆಫರಿ ಕಾಮೆಂಟ್‌ಗಳಿಗೆ ಕರಡು ಪ್ರತಿಕ್ರಿಯೆ.

ಆದರೆ ವೈಜ್ಞಾನಿಕ ಹಕ್ಕುಗಳು, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಉಲ್ಲೇಖಗಳು ಯಾವಾಗಲೂ ನಿಮ್ಮಿಂದ ಬರಬೇಕು ಮತ್ತು ನಿಮ್ಮಿಂದ ಪರಿಶೀಲಿಸಲ್ಪಡಬೇಕು.

ಹಂತ ಹಂತವಾಗಿ: ಲೇಖನದ ಸಾರಾಂಶವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು

1. ನಿಜವಾದ ಲೇಖನವನ್ನು ಹುಡುಕಿ (ಪಬ್‌ಮೆಡ್/ಸ್ಕಾಲರ್).
2. AI ಗೆ ಪಠ್ಯವನ್ನು ನೀಡಿ (ಸಾರಾಂಶ ಅಥವಾ ಪೂರ್ಣ ಪಠ್ಯ).
3. ರಚನಾತ್ಮಕ ಸಾರಾಂಶವನ್ನು ಕೇಳಿ: ಪ್ರಶ್ನೆ, ವಿಧಾನ, ಸಂಶೋಧನೆಗಳು, ಮಿತಿಗಳು.
4. ಹಕ್ಕುಗಳನ್ನು ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ: ಮಾದರಿಯು ಯಾವುದೇ ಸೇರ್ಪಡೆಗಳನ್ನು ಮಾಡಿದೆಯೇ?
5. ಅದನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಟಿಪ್ಪಣಿಗೆ ವರ್ಗಾಯಿಸಿ, ಮೂಲವನ್ನು ನಿಜವಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ ರೆಕಾರ್ಡ್ ಮಾಡಿ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕೆಳಗಿನ ಲೇಖನದ ಸಾರಾಂಶವನ್ನು 5 ಶೀರ್ಷಿಕೆಗಳ ಅಡಿಯಲ್ಲಿ ಸಾರಾಂಶಗೊಳಿಸಿ: (1) ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆ, (2) ವಿಧಾನ ಮತ್ತು ಮಾದರಿ, (3) ಮುಖ್ಯ ಶೋಧನೆ (ಸಂಖ್ಯೆಗಳೊಂದಿಗೆ), (4) ಮಿತಿಗಳು, (5) ನನ್ನ ಅಧ್ಯಯನಕ್ಕೆ ಸಂಬಂಧ. ಪಠ್ಯದಲ್ಲಿ ಇಲ್ಲದ ಯಾವುದೇ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಬೇಡಿ. ಪಠ್ಯ: [ಅಮೂರ್ತ]

PubMed ನಲ್ಲಿ ಈ ಕೆಳಗಿನ ವಿಷಯವನ್ನು ಹುಡುಕಲು ಪರಿಣಾಮಕಾರಿ ಹುಡುಕಾಟ ಸ್ಟ್ರಿಂಗ್‌ಗಳನ್ನು ಸೂಚಿಸಿ: ಪ್ರಮುಖ ಪದಗಳು, ಸಮಾನಾರ್ಥಕ ಪದಗಳು, MeSH ಪದಗಳು ಮತ್ತು ಬೂಲಿಯನ್ ಆಪರೇಟರ್‌ಗಳು. ವಿಷಯ: [ವಿಷಯ]. ನನಗೆ ಮೂಲಗಳ ಪಟ್ಟಿಯನ್ನು ನೀಡಬೇಡಿ, ನನಗೆ ಹುಡುಕಾಟ ತಂತ್ರವನ್ನು ನೀಡಿ.

ಈ ವಿಧಾನವು ನನ್ನ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ವ್ಯಾಕರಣವನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ, ಆದರೆ ಯಾವುದೇ ಸಂಖ್ಯಾ ಮೌಲ್ಯಗಳು, ವಿಧಾನದ ಹೆಸರುಗಳು ಅಥವಾ ಸಮರ್ಥನೆಗಳನ್ನು ಬದಲಾಯಿಸಬೇಡಿ. ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಿ. ಪಠ್ಯ: [ಪ್ಯಾರಾಗ್ರಾಫ್]

ಮೂರು ವಿಭಿನ್ನ ಪ್ರೇಕ್ಷಕರಿಗೆ ನನ್ನ ಸಂಶೋಧನೆಯನ್ನು ಪುನಃ ಬರೆಯಿರಿ: (1) ಕ್ಷೇತ್ರ ತಜ್ಞರು, (2) ಪದವಿಪೂರ್ವ ವಿದ್ಯಾರ್ಥಿ, (3) ಸಾಮಾನ್ಯ ಜನರು. ವೈಜ್ಞಾನಿಕ ನಿಖರತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ, ಉತ್ಪ್ರೇಕ್ಷೆ ಮಾಡಬೇಡಿ. ಹುಡುಕುವಿಕೆ: [ಪಠ್ಯ]

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "CRISPR ಬಗ್ಗೆ ಪರಿಚಯವನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಮೂಲವನ್ನು ಸೇರಿಸಿ."

ಪ್ರಬಲವಾದದ್ದು: "ಕೆಳಗೆ ನಾನೇ ಓದಿದ ಮತ್ತು ಪರಿಶೀಲಿಸಿರುವ 4 ಲೇಖನಗಳಿವೆ (ಉಲ್ಲೇಖಗಳನ್ನು ಲಗತ್ತಿಸಲಾಗಿದೆ). ಈ ಲೇಖನಗಳ ಆಧಾರದ ಮೇಲೆ, ಸಸ್ಯಗಳ ಸಂತಾನೋತ್ಪತ್ತಿಯಲ್ಲಿ CRISPR ಕುರಿತು ಪರಿಚಯಾತ್ಮಕ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ರಚಿಸಿ; ಈ 4 ಮೂಲಗಳಲ್ಲಿ ಯಾವುದು ಪ್ರತಿ ಕ್ಲೈಮ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಆವರಣದಲ್ಲಿ ಸೂಚಿಸಿ; ಈ ಮೂಲಗಳಲ್ಲಿ ಇಲ್ಲದ ಯಾವುದೇ ಕ್ಲೈಮ್‌ಗಳನ್ನು ಸೇರಿಸಬೇಡಿ."

ವ್ಯತ್ಯಾಸ: ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ, ನೀವು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಒದಗಿಸುತ್ತೀರಿ ಮತ್ತು ಮಾದರಿಯು ಅವುಗಳನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತದೆ. ಕೃತಕ ಗುಣಲಕ್ಷಣಗಳ ಅಪಾಯವನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 — ನಕಲಿ DOI: ಒಬ್ಬ ಪದವೀಧರ ವಿದ್ಯಾರ್ಥಿಯು ತನ್ನ ಪ್ರಬಂಧದ ಪರಿಚಯದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಒದಗಿಸಿದ 8 ಮೂಲಗಳನ್ನು ಸೇರಿಸಿದ್ದಾನೆ. ಸಲಹೆಗಾರರು ಪರಿಶೀಲಿಸಿದಾಗ, ಅವುಗಳಲ್ಲಿ 3 ಎಂದಿಗೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಮತ್ತು ಅವುಗಳಲ್ಲಿ 2 ರ ಲೇಖಕರು ತಪ್ಪಾಗಿದ್ದಾರೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ. ವಿದ್ಯಾರ್ಥಿಯು ಸಂಪೂರ್ಣ ಗ್ರಂಥಸೂಚಿಯನ್ನು ಕೂಲಂಕಷವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕಾಗಿತ್ತು. ಪಾಠ: ಮಾದರಿಯ ಗುಣಲಕ್ಷಣವನ್ನು ಎಂದಿಗೂ ನಂಬಬೇಡಿ.

ಪ್ರಕರಣ 2 — ಶೋಧನೆಯನ್ನು ಸೇರಿಸಲಾಗಿದೆ: ಒಬ್ಬ ಸಂಶೋಧಕನು ಒಂದು ಕಾಗದವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿದನು; ಮಾದರಿಯು ಸಾರಾಂಶದಲ್ಲಿಲ್ಲದ "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಹತ್ವ" ಪದಗುಚ್ಛವನ್ನು ಸೇರಿಸಿದೆ. ಅದನ್ನು ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ ಸಂಶೋಧಕರು ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿದರು. ಪಾಠ: ಯಾವಾಗಲೂ ಅಮೂರ್ತವನ್ನು ಮೂಲದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ: ಒಬ್ಬ ಸಂಶೋಧಕ, ಸ್ಥಳೀಯವಲ್ಲದ ಇಂಗ್ಲಿಷ್ ಮಾತನಾಡುವವರು, ಅವರು ಬರೆದ ವಿಧಾನ ವಿಭಾಗವನ್ನು AI ಅನ್ನು ಸುವ್ಯವಸ್ಥಿತಗೊಳಿಸಿದ್ದರು; ಅವರು ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಹಕ್ಕುಗಳನ್ನು ಬದಲಾಯಿಸಬಾರದು ಎಂದು ಷರತ್ತು ವಿಧಿಸಿದರು. ಫಲಿತಾಂಶವು ಅರ್ಥವನ್ನು ವಿರೂಪಗೊಳಿಸದೆ ಹೆಚ್ಚು ಓದಬಲ್ಲ ಪಠ್ಯವಾಗಿದೆ. ಪಾಠ: ಭಾಷಾ ಸಾಧನವಾಗಿ, AI ಅತ್ಯುತ್ತಮವಾಗಿದೆ.

ಹೋಲಿಕೆ ಚಾರ್ಟ್

ಅನ್ವೇಷಣೆ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಶ್ವಾಸಾರ್ಹವೇ?

ಸರಿಯಾದ ಸಾಧನ/ವಿಧಾನ

ಸೋರ್ಸಿಂಗ್

ಇಲ್ಲ

ಪಬ್‌ಮೆಡ್/ವಿದ್ವಾಂಸ

ಉಲ್ಲೇಖವನ್ನು ರಚಿಸುವುದು

ಇಲ್ಲ (ಮೇಕಪ್)

ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ

ನೀಡಿರುವ ಲೇಖನದ ಸಾರಾಂಶ

ಹೌದು (ಪಠ್ಯದ ಮೂಲಕ ದೃಢೀಕರಿಸಿ)

LLM + ಹೋಲಿಕೆ

ಭಾಷಾ ತಿದ್ದುಪಡಿ

ಹೌದು

LLM

ಕರಡು ರಚಿಸಿ

ಹೌದು (ನಿಮ್ಮಿಂದ ಹಕ್ಕು)

LLM

ಹುಡುಕಾಟ ತಂತ್ರ

ಹೌದು

LLM

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಅದನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಮಾದರಿಯ ಗುಣಲಕ್ಷಣವನ್ನು ಬಳಸುವುದು: ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮತ್ತು ಅತ್ಯಂತ ಹಾನಿಕಾರಕ ತಪ್ಪು.
• ಸರ್ಚ್ ಇಂಜಿನ್‌ಗಾಗಿ LLM ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು: ಇದು ನಿಜವಾದ ಲೇಖನಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದಿಲ್ಲ.
• ಸಾರಾಂಶವನ್ನು ಅವಲಂಬಿಸುವುದು ಮತ್ತು ಮೂಲವನ್ನು ಓದದಿರುವುದು: ಮಾದರಿ ಸೇರ್ಪಡೆ/ಅಸ್ಪಷ್ಟತೆಗೆ ಕಾರಣವಾಗಬಹುದು.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಮಾಡುವುದು ಹಕ್ಕುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ: ವೈಜ್ಞಾನಿಕ ಹಕ್ಕು ನಿಮ್ಮಿಂದಲೇ ಬರಬೇಕು.
• ಕೃತಿಚೌರ್ಯ ಮತ್ತು ಸ್ವಂತಿಕೆ: ಮಾದರಿಯಿಂದ ತಯಾರಿಸಿದ ಪಠ್ಯವನ್ನು ನನ್ನ ಸ್ವಂತ ವಾಕ್ಯದಂತೆ ಪ್ರಸ್ತುತಪಡಿಸುವುದು; ಜರ್ನಲ್ ನೀತಿಗಳನ್ನು ಉಲ್ಲಂಘಿಸಬಹುದು.

ಎಚ್ಚರಿಕೆ: ಅನೇಕ ನಿಯತಕಾಲಿಕೆಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು AI ಬಳಕೆಯ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು AI ಅನ್ನು ಲೇಖಕರಾಗಿ ಅಂಗೀಕರಿಸುವುದಿಲ್ಲ. ನಿಮ್ಮ AI-ಬೆಂಬಲಿತ ಬರವಣಿಗೆಯಲ್ಲಿ ನೀವು ಬಳಸುವ ಪರಿಕರ ಮತ್ತು ವ್ಯಾಪ್ತಿಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಸೂಚಿಸಿ; ಅಂತಿಮ ಪಠ್ಯದ ನಿಖರತೆಗೆ ನೀವು ಜವಾಬ್ದಾರರಾಗಿರುತ್ತೀರಿ.

ವ್ಯವಸ್ಥಿತ ಸ್ಕ್ರೀನಿಂಗ್ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗಡಿ

ಸಂಪೂರ್ಣ ವಿಷಯವನ್ನು ಸಮಗ್ರವಾಗಿ ಮತ್ತು ನಿಷ್ಪಕ್ಷಪಾತವಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ಬಯಸುವ ವ್ಯವಸ್ಥಿತ ವಿಮರ್ಶೆಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಆಕರ್ಷಕವಾಗಿ ತೋರುತ್ತದೆ, ಆದರೆ ಅದನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಬಳಸಬೇಕು. ವ್ಯವಸ್ಥಿತ ಹುಡುಕಾಟದ ಮೂಲತತ್ವವು ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ ಮತ್ತು ಪಾರದರ್ಶಕ ಹುಡುಕಾಟ ತಂತ್ರವಾಗಿದೆ: ಯಾವ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಹುಡುಕಲಾಗಿದೆ ಎಂಬುದನ್ನು ದಾಖಲಿಸುವುದು, ಯಾವ ಪದಗಳೊಂದಿಗೆ, ಯಾವ ಸೇರ್ಪಡೆ/ಹೊರಹಾಕುವಿಕೆಯ ಮಾನದಂಡಗಳೊಂದಿಗೆ. ಈ ತಂತ್ರವನ್ನು ಹೊಂದಿಸಲು, ನಿಯಮಗಳನ್ನು ವಿಸ್ತರಿಸಲು ಮತ್ತು ಸ್ಕ್ರೀನಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಬರೆಯಲು AI ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಆದರೆ ಇದು ವಾಸ್ತವವಾಗಿ ಲೇಖನಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವ ನಿಜವಾದ ಡೇಟಾಬೇಸ್ ಹುಡುಕಾಟವಾಗಿದೆ; "ಸಂಬಂಧಿತ ಅಧ್ಯಯನಗಳು ಇಲ್ಲಿವೆ" ಎಂದು ಮಾಡೆಲ್ ಹೇಳುವುದರಿಂದ ಸ್ಕ್ರೀನಿಂಗ್ ಬದಲಿಯಾಗಿಲ್ಲ ಮತ್ತು ಪ್ರಮುಖ ಅಧ್ಯಯನಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳಬಹುದು.

ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಲೇಖನಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸಹಾಯ ಮಾಡುವುದು ಮತ್ತೊಂದು ಶಕ್ತಿಯುತ ಮತ್ತು ಸುರಕ್ಷಿತ ಬಳಕೆಯಾಗಿದೆ: ನೂರಾರು ಅಮೂರ್ತತೆಗಳು ನಿಮ್ಮ ಸೇರ್ಪಡೆ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುತ್ತವೆಯೇ ಎಂದು ನೋಡಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ನಿಮ್ಮ ಮಾನದಂಡದ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿಯು ಪ್ರತಿ ಸಾರಾಂಶವನ್ನು "ಬಹುಶಃ ಸಂಬಂಧಿತ/ಅಪ್ರಸ್ತುತ" ಎಂದು ಪೂರ್ವ-ವರ್ಗೀಕರಿಸಬಹುದು; ಆದರೆ ಅನಿಶ್ಚಿತ ಸನ್ನಿವೇಶಗಳನ್ನು ಸೇರಿಸುವ ಅಂತಿಮ ನಿರ್ಧಾರವು ಮಾನವನಿಗೆ ಬಿಟ್ಟದ್ದು. ಇಲ್ಲಿ ಮತ್ತೊಮ್ಮೆ, ಮಾದರಿಯು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಲ್ಲ, ಆದರೆ ಪೂರ್ವ-ಸ್ಕ್ರೀನಿಂಗ್ ಸಹಾಯವಾಗಿದೆ.

ಕೆಳಗಿನ ಸೇರ್ಪಡೆ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ಕೆಳಗಿನ ಲೇಖನದ ಅಮೂರ್ತತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ:[ಮಾನದಂಡ]. "ಸಂಬಂಧಿತ/ಅಪ್ರಸ್ತುತ/ಅನಿಶ್ಚಿತ" ಎಂದು ವರ್ಗೀಕರಿಸಿ ಮತ್ತು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಸಮರ್ಥನೆಯನ್ನು ನೀಡಿ. ಅಂತಿಮ ನಿರ್ಧಾರ ನನ್ನದೇ; ನೀವು ಕೇವಲ ಪೂರ್ವ-ಅರ್ಹತೆಯನ್ನು ಹೊಂದಿದ್ದೀರಿ. ಸಾರಾಂಶ: [ಪಠ್ಯ]

ನನ್ನ ಬರವಣಿಗೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಪ್ತ ಕುರುಹುಗಳು

AI-ಉತ್ಪಾದಿತ ಪಠ್ಯಗಳು ಕೆಲವೊಮ್ಮೆ ವಿಪರೀತ ಸಾಮಾನ್ಯ, ಪುನರಾವರ್ತಿತ, ಅಥವಾ "ತಂಪು ಆದರೆ ಖಾಲಿ". ವೈಜ್ಞಾನಿಕ ಬರವಣಿಗೆಯಲ್ಲಿ ಕಾಂಕ್ರೀಟ್ ಅತ್ಯಗತ್ಯ: ಪ್ರತಿ ವಾಕ್ಯವು ಕೆಲವು ಮಾಹಿತಿಯನ್ನು ತಿಳಿಸಬೇಕು. ಮಾದರಿಯ ರೂಪರೇಖೆಯನ್ನು ಹಾಗೆಯೇ ಬಿಡುವ ಬದಲು, ಪ್ರತಿ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಪ್ರಶ್ನೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ "ಈ ವಾಕ್ಯವು ನಿಜವಾಗಿಯೂ ಏನನ್ನಾದರೂ ಹೇಳುತ್ತದೆಯೇ ಅಥವಾ ಇದು ಫಿಲ್ಲರ್ ಆಗಿದೆಯೇ?" ನಿವಾರಿಸು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮಾದರಿಯಿಂದ ರಚಿಸಲಾದ ಪಠ್ಯವು ಕೆಲವೊಮ್ಮೆ ಸೂಕ್ಷ್ಮವಾದ ತಪ್ಪು-ನಿಯಮಗಳನ್ನು ಅಥವಾ ಸಾಮಾನ್ಯ ಆದರೆ ತಪ್ಪಾದ ಅಭಿವ್ಯಕ್ತಿಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ; ಡೊಮೇನ್ ತಜ್ಞರ ಕಣ್ಣುಗಳೊಂದಿಗೆ ಪ್ರತಿ ತಾಂತ್ರಿಕ ಪದವನ್ನು ಪರಿಶೀಲಿಸಿ. AI ಉತ್ತಮ ಮೊದಲ ಡ್ರಾಫ್ಟ್ ಜನರೇಟರ್ ಆಗಿದೆ; ಅವನು ಒಳ್ಳೆಯ ಪ್ರೂಫ್ ರೀಡರ್ ಅಲ್ಲ. ಅಂತಿಮ ಓದುವಿಕೆ ಯಾವಾಗಲೂ ನೀವೇ.

ಗುಣಲಕ್ಷಣಗಳನ್ನು ಏಕೆ ರಚಿಸಲಾಗಿದೆ: ಯಾಂತ್ರಿಕತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.

ಮಾದರಿಯ ಆಟ್ರಿಬ್ಯೂಷನ್ ಫ್ಯಾಬ್ರಿಕೇಶನ್ ಅನ್ನು "ತಪ್ಪು" ಗಿಂತ ಹೆಚ್ಚಾಗಿ ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಿಧಾನದ ನೈಸರ್ಗಿಕ ಪರಿಣಾಮವಾಗಿ ನೋಡುವುದು, ಅದನ್ನು ರಕ್ಷಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ. ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ಮಾದರಿಯು ಲಕ್ಷಾಂತರ ನೈಜ ಬೈಲೈನ್‌ಗಳ ಮಾದರಿಯನ್ನು ಕಲಿಯುತ್ತದೆ: ಲೇಖಕರ ಹೆಸರುಗಳು ಹೇಗೆ ಕಾಣುತ್ತವೆ, ಜರ್ನಲ್ ಹೆಸರುಗಳ ಸ್ವರೂಪ, DOI ಗಳ ರಚನೆ. ಉಲ್ಲೇಖವನ್ನು ವಿನಂತಿಸಿದಾಗ, ಅದು ನಿಜವಾದ ದಾಖಲೆಯನ್ನು "ನೋಡುವುದಿಲ್ಲ"; ಇದು ಕಲಿತ ಮಾದರಿಗೆ ಸರಿಹೊಂದುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ತೋರಿಕೆಯ ಟ್ಯಾಗ್ ಅನ್ನು "ಉತ್ಪಾದಿಸುತ್ತದೆ". ಆದ್ದರಿಂದ ಫಲಿತಾಂಶವು ತುಂಬಾ ವಾಸ್ತವಿಕವಾಗಿ ಕಾಣುತ್ತದೆ ಆದರೆ ನಿಜವಾಗದಿರಬಹುದು; ಅವರು ಎಂದಿಗೂ ಬರೆಯದ ಲೇಖನದಲ್ಲಿ ನಿಜವಾದ ಲೇಖಕರ ಹೆಸರನ್ನು ಸೇರಿಸಿಕೊಳ್ಳಬಹುದು. ಒಮ್ಮೆ ನೀವು ಈ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡರೆ, ನಿಯಮವು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ: ಮಾದರಿಯಿಂದ ರಚಿಸಲಾದ ಯಾವುದೇ ಗುರುತಿಸುವಿಕೆಯನ್ನು ನೀವು ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ನೋಡುವವರೆಗೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ. ಡಾಕ್ಯುಮೆಂಟ್-ಅವಲಂಬಿತ ಪರಿಕರಗಳು (ನೀವು ನಿಜವಾದ ಪಠ್ಯವನ್ನು ನೀಡುವಲ್ಲಿ) ಈ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಏಕೆಂದರೆ ಮಾದರಿಯು ಅಳವಡಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ನೀವು ಒದಗಿಸುವ ಪಠ್ಯವನ್ನು ಅವಲಂಬಿಸಿದೆ; ಆದರೆ ಉಲ್ಲೇಖವು ಆ ಪಠ್ಯದಲ್ಲಿದೆಯೇ ಎಂದು ಇನ್ನೂ ಪರಿಶೀಲಿಸಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಸಾಹಿತ್ಯದ ಹುಡುಕಾಟದಲ್ಲಿ AI ಮೂಲಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದಿಲ್ಲ (ಮೇಕಪ್) ಆದರೆ ನೀವು ಒದಗಿಸುವ ನಿಜವಾದ ಲೇಖನಗಳನ್ನು ಇದು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ, ಹುಡುಕಾಟ ತಂತ್ರವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಬರವಣಿಗೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ. ದೊಡ್ಡ ಅಪಾಯವೆಂದರೆ ನಿರ್ಮಿತ ಗುಣಲಕ್ಷಣಗಳು; ಪ್ರತಿ ಬೈಲೈನ್ ಅನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿ ಮತ್ತು ನೀವು ಓದಿದ ಮೂಲಗಳನ್ನು ಮಾತ್ರ ಬಳಸಿ. ವೈಜ್ಞಾನಿಕ ಹಕ್ಕುಗಳು, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಉಲ್ಲೇಖಗಳು ನಿಮ್ಮಿಂದ ಬರುತ್ತವೆ; AI ಭಾಷೆ ಮತ್ತು ಕ್ರಮವನ್ನು ಮಾತ್ರ ಬಲಪಡಿಸುತ್ತದೆ. ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಘೋಷಿಸಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ನಿಜವಾಗಿ ಓದಿದ ಲೇಖನವನ್ನು (ಅಮೂರ್ತ ಅಥವಾ ಪೂರ್ಣ ಪಠ್ಯ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ನೀಡಿ ಮತ್ತು ರಚನಾತ್ಮಕ ಸಾರಾಂಶವನ್ನು ರಚಿಸಿ (ಪ್ರಶ್ನೆ, ವಿಧಾನ, ಕಂಡುಹಿಡಿಯುವಿಕೆ, ಮಿತಿ). ಮಾದರಿಯು ಏನನ್ನಾದರೂ ಸೇರಿಸಿದೆಯೇ ಅಥವಾ ವಿರೂಪಗೊಳಿಸಿದೆಯೇ ಎಂದು ನೋಡಲು ಸಾರಾಂಶವನ್ನು ಮೂಲ ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ. ಪ್ರತ್ಯೇಕವಾಗಿ, ಅದೇ ವಿಷಯದ ಮೇಲೆ ಸಂಪನ್ಮೂಲಗಳ ಪಟ್ಟಿಗಾಗಿ ಮಾದರಿಯನ್ನು ಕೇಳಿ; ಪಬ್‌ಮೆಡ್‌ನಲ್ಲಿ ಅವನು ನೀಡುವ ಪ್ರತಿಯೊಂದು ಬೈಲೈನ್‌ನಲ್ಲಿ ಹುಡುಕಿ ಮತ್ತು ಎಷ್ಟು ನಿಜವೆಂದು ಎಣಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಪಬ್‌ಮೆಡ್/ಸ್ಕಾಲರ್‌ನಲ್ಲಿ ಮೂಲಗಳನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ, ನಾನು ಅವುಗಳನ್ನು ಮಾದರಿಗೆ ಸರಿಹೊಂದುವಂತೆ ಮಾಡಲಿಲ್ಲ.
• [ ] ನಾನು ಪ್ರತಿ ಉಲ್ಲೇಖವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಅಮೂರ್ತವನ್ನು ಮೂಲ ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಸಿದೆ.
• [ ] ನಾನೇ ವೈಜ್ಞಾನಿಕ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಂಖ್ಯೆಗಳನ್ನು ಒದಗಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಓದಿದ ಮೂಲಗಳನ್ನು ಮಾತ್ರ ಉಲ್ಲೇಖಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಘೋಷಿಸಿದ್ದೇನೆ.