ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ, ਹਵਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਖੋਜ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ

ਲਾਭ:

• ਏਆਈ ਦੇ ਨਾਲ ਅਸਲ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ ਲਏ ਗਏ ਡੇਟਾ ਨੂੰ ਕਲੱਸਟਰਿੰਗ ਅਤੇ ਸੰਖੇਪ ਕਰਦੇ ਸਮੇਂ AI ਮੈਮੋਰੀ ਤੋਂ ਹਵਾਲਾ ਗਿਣਤੀ ਅਤੇ ਹਵਾਲੇ ਨਾ ਲੈਣ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਮੈਟ੍ਰਿਕਸ ਜਿਵੇਂ ਕਿ ਹਵਾਲਾ, ਐਚ-ਇੰਡੈਕਸ, ਅਤੇ ਪ੍ਰਭਾਵ ਕਾਰਕ ਵਰਤੋਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਪਰ ਗੁਣਵੱਤਾ ਨਹੀਂ, ਅਤੇ ਖੇਤਰਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਅਸੰਗਤਤਾ।
• ਵਿਅਕਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਗੁਣਾਤਮਕ ਮੁਲਾਂਕਣ ਨਾਲ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਇਕੱਲੇ ਬਿਬਲੀਓਮੈਟ੍ਰਿਕ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀਆਂ ਨੈਤਿਕ ਸੀਮਾਵਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਦੀ ਯੋਗਤਾ

ਇੱਕ ਯੂਨੀਵਰਸਿਟੀ ਲਾਇਬ੍ਰੇਰੀ ਆਪਣੀ ਸੰਸਥਾ ਦੇ ਖੋਜ ਆਉਟਪੁੱਟ ਨੂੰ ਮਾਪਦੀ ਹੈ; ਇੱਕ ਖੇਤਰ ਦੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਧਿਐਨਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਇੱਕ ਖੋਜਕਰਤਾ; ਇੱਕ ਮੈਨੇਜਰ ਇੱਕ ਵਿਭਾਗ ਦੀ ਵਿਗਿਆਨਕ ਦਿੱਖ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਚਾਹ ਸਕਦਾ ਹੈ। ਇਸ ਕੰਮ ਦੇ ਪਿੱਛੇ ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ ਹੈ: ਉਹ ਖੇਤਰ ਜੋ ਵਿਗਿਆਨਕ ਪ੍ਰਕਾਸ਼ਨਾਂ ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ ਹਵਾਲਾ ਸਬੰਧਾਂ ਦੀ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਹਵਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਪ੍ਰਕਾਸ਼ਨ ਮੈਪਿੰਗ ਅਤੇ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ; ਪਰ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਸੰਖਿਆਤਮਕ ਮੈਟ੍ਰਿਕਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਅਤੇ ਨੈਤਿਕ ਕਮੀਆਂ ਨੂੰ ਕਿਵੇਂ ਨੈਵੀਗੇਟ ਕਰਨਾ ਹੈ।

ਆਓ ਸੰਕਲਪਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੀਏ। ਹਵਾਲਾ ਇੱਕ ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਹੈ ਜੋ ਇੱਕ ਪ੍ਰਕਾਸ਼ਨ ਦੁਆਰਾ ਦੂਜੇ ਪ੍ਰਕਾਸ਼ਨ ਨੂੰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ; ਹਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਇਸ ਗੱਲ ਦਾ ਸੂਚਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਕਿਸੇ ਕੰਮ ਦੀ ਕਿੰਨੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। ਐਚ-ਇੰਡੈਕਸ ਇੱਕ ਅਜਿਹਾ ਮਾਪ ਹੈ ਜੋ ਇੱਕ ਖੋਜਕਰਤਾ ਦੀ ਉਤਪਾਦਕਤਾ ਅਤੇ ਪ੍ਰਭਾਵ ਦੋਵਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ (ਜੇ h ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਹਰੇਕ ਨੂੰ ਘੱਟੋ-ਘੱਟ h ਹਵਾਲੇ ਮਿਲੇ ਹਨ, ਤਾਂ h-ਇੰਡੈਕਸ h ਹੈ)। ਪ੍ਰਭਾਵ ਕਾਰਕ ਇੱਕ ਮਾਪ ਹੈ ਜੋ ਇੱਕ ਜਰਨਲ ਦੇ ਔਸਤ ਹਵਾਲਾ ਪੱਧਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਮੈਟ੍ਰਿਕਸ ਉਪਯੋਗੀ ਹਨ, ਪਰ ਕੋਈ ਵੀ "ਗੁਣਵੱਤਾ" ਦੇ ਸਿੱਧੇ ਮਾਪ ਨਹੀਂ ਹਨ; ਇਸ ਅੰਤਰ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖਣਾ ਹੀ ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ ਦਾ ਸਾਰ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: ਜ਼ਿੰਮੇਵਾਰ ਬਿਬਲੀਓਮੈਟ੍ਰਿਕ ਵਿਸ਼ਲੇਸ਼ਣ

1. ਸਵਾਲ ਸਪਸ਼ਟ ਕਰੋ। "ਇਸ ਖੇਤਰ ਦੇ ਬੁਨਿਆਦੀ ਅਧਿਐਨ ਕੀ ਹਨ?", "ਸਾਡੀ ਸੰਸਥਾ ਦੇ ਸਭ ਤੋਂ ਵੱਧ ਹਵਾਲਾ ਦਿੱਤੇ ਪ੍ਰਕਾਸ਼ਨ ਕੀ ਹਨ?", "ਇਹ ਦੋਵੇਂ ਖੇਤਰ ਕਿਵੇਂ ਇਕ ਦੂਜੇ ਨੂੰ ਮਿਲਾਉਂਦੇ ਹਨ?" ਹਰੇਕ ਸਵਾਲ ਲਈ ਵੱਖਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

2. ਭਰੋਸੇਯੋਗ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਹਵਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਡੇਟਾ ਸਰੋਤ ਜਿੰਨਾ ਹੀ ਭਰੋਸੇਯੋਗ ਹੈ। AI ਹਵਾਲੇ ਦੀ ਗਿਣਤੀ ਜਾਂ ਪ੍ਰਕਾਸ਼ਨ ਸੂਚੀਆਂ ਬਣਾ ਸਕਦਾ ਹੈ; ਇਸਲਈ, ਇੱਕ ਅਸਲ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਅਸਲ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਸੰਖੇਪ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਡੇਟਾ ਬਣਾਉਣ ਲਈ ਨਹੀਂ।

3. ਪੈਟਰਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। AI ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੇ ਇੱਕ ਵੱਡੇ ਸਮੂਹ ਵਿੱਚ ਵਿਸ਼ਾ ਕਲੱਸਟਰਾਂ, ਸਹਿਯੋਗੀ ਨੈੱਟਵਰਕਾਂ, ਜਾਂ ਸਮੇਂ ਦੇ ਨਾਲ ਰੁਝਾਨਾਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਕ ਦਾ ਧਿਆਨ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤਿਆਂ ਵੱਲ ਸੇਧਿਤ ਕਰਦਾ ਹੈ।

4. ਸੰਦਰਭ ਵਿੱਚ ਮਾਪਦੰਡ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਘੱਟ ਹਵਾਲੇ ਦੀ ਗਿਣਤੀ ਇਹ ਨਹੀਂ ਦਰਸਾਉਂਦੀ ਕਿ ਕੰਮ ਬੇਕਾਰ ਹੈ; ਖੇਤਰ ਛੋਟਾ ਹੋ ਸਕਦਾ ਹੈ, ਵਿਸ਼ਾ ਨਵਾਂ ਹੋ ਸਕਦਾ ਹੈ, ਜਾਂ ਪ੍ਰਕਾਸ਼ਨ ਬਹੁਤ ਨਵਾਂ ਹੋ ਸਕਦਾ ਹੈ। ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ ਸੰਖਿਆ ਦੀ ਕਦੇ ਵੀ ਵਿਆਖਿਆ ਨਾ ਕਰੋ।

5. ਨੈਤਿਕ ਸੀਮਾ ਦਾ ਧਿਆਨ ਰੱਖੋ। ਬਿਬਲਿਓਮੈਟ੍ਰਿਕ ਮਾਪਾਂ ਦੀ ਵਰਤੋਂ ਵਿਅਕਤੀਆਂ ਨੂੰ ਨੌਕਰੀ 'ਤੇ ਰੱਖਣ, ਤਰੱਕੀ ਦੇਣ ਜਾਂ ਫੰਡ ਦੇਣ ਬਾਰੇ ਫੈਸਲੇ ਲੈਣ ਲਈ ਇਕੱਲੇ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ। ਨੰਬਰ ਲੋਕਾਂ ਦੀ ਕੀਮਤ ਨਹੀਂ ਮਾਪਦੇ; ਉਹਨਾਂ ਨਾਲ ਦੁਰਵਿਵਹਾਰ ਕਰਨਾ ਗਲਤ ਅਤੇ ਨੁਕਸਾਨਦੇਹ ਹੈ।

ਸੰਕੇਤ: ਜਦੋਂ AI ਇੱਕ ਹਵਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਤਾਂ ਅਸਲ ਡੇਟਾਬੇਸ ਤੋਂ ਹਵਾਲੇ ਦੀ ਗਿਣਤੀ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ ਹਵਾਲੇ ਪ੍ਰਦਾਨ ਕਰੋ; AI ਨੂੰ ਸਿਰਫ਼ ਇਸ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ, ਸਮੂਹ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਦਿਓ। "ਇਸ ਲੇਖਕ ਦਾ ਐਚ-ਇੰਡੈਕਸ ਕੀ ਹੈ?" ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪੁੱਛਣ ਨਾਲ ਇੱਕ ਮੇਕ-ਅੱਪ ਨੰਬਰ ਹੋ ਸਕਦਾ ਹੈ।

ਮਾਪਦੰਡ ਅਤੇ ਹੇਰਾਫੇਰੀ ਦੀਆਂ ਸੀਮਾਵਾਂ

ਕਿਉਂਕਿ ਬਾਈਬਲੀ ਮੈਟ੍ਰਿਕਸ ਸ਼ਕਤੀਸ਼ਾਲੀ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਉਹ ਦੁਰਵਿਵਹਾਰ ਲਈ ਖੁੱਲ੍ਹੇ ਹੁੰਦੇ ਹਨ। ਹਵਾਲਾ ਸੰਖਿਆਵਾਂ ਨੂੰ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ: ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਵੈ-ਉਤਰਨਾ (ਕਿਸੇ ਦੇ ਆਪਣੇ ਕੰਮ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋਏ), ਹਵਾਲਾ ਰਿੰਗ (ਲੋਕਾਂ ਦੇ ਸਮੂਹ ਇੱਕ ਦੂਜੇ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋਏ), ਜਾਂ ਖੇਤਰ ਦਾ ਆਪਣਾ ਹਵਾਲਾ ਸੱਭਿਆਚਾਰ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਮਾਪਦੰਡ ਤੁਲਨਾਯੋਗ ਨਹੀਂ ਹਨ: ਇੱਕ ਮੈਡੀਕਲ ਲੇਖ ਅਤੇ ਇੱਕ ਦਰਸ਼ਨ ਲੇਖ ਦਾ ਹਵਾਲਾ ਵਾਤਾਵਰਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰਾ ਹੈ।

ਇਹ ਸਮੱਸਿਆ ਮਨੁੱਖਤਾ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਹੋਰ ਵੀ ਸਪੱਸ਼ਟ ਹੈ; ਕਿਉਂਕਿ ਇਹਨਾਂ ਖੇਤਰਾਂ (ਕਿਤਾਬਾਂ, ਅਨੁਵਾਦ, ਸਮੀਖਿਆਵਾਂ) ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਆਉਟਪੁੱਟ ਨੂੰ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਘੱਟ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਕਿਸੇ ਇਤਿਹਾਸਕਾਰ ਜਾਂ ਸਾਹਿਤਕ ਵਿਦਵਾਨ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਿਰਫ਼ ਹਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਦੁਆਰਾ ਮਾਪਣਾ ਕੰਮ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਗਲਤ ਸਮਝਣਾ ਹੈ। ਲਾਇਬ੍ਰੇਰੀਅਨ ਇੱਕ ਗਾਈਡ ਹੈ ਜੋ ਪ੍ਰਸ਼ਾਸਕਾਂ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਅਕਾਦਮਿਕ ਯੋਗਤਾ ਜਾਂ ਕਿਸੇ ਵਿਭਾਗ ਦੀ ਗੁਣਵੱਤਾ ਬਾਰੇ ਅੰਤਿਮ ਨਿਰਣੇ ਵਜੋਂ ਇੱਕ ਬਿਬਲੀਓਮੈਟ੍ਰਿਕ ਮਾਪ ਪੇਸ਼ ਨਾ ਕਰੋ। ਜ਼ਿੰਮੇਵਾਰ ਖੋਜ ਮੁਲਾਂਕਣ ਦੇ ਸਿਧਾਂਤ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ ਕਿ ਉਪਾਅ ਗੁਣਾਤਮਕ ਮੁਲਾਂਕਣ ਦੇ ਪੂਰਕ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ, ਇਸਦੀ ਥਾਂ ਨਹੀਂ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਖੇਤਰ ਮੈਪ ਕੀਤਾ ਗਿਆ। ਇੱਕ ਲਾਇਬ੍ਰੇਰੀਅਨ ਇੱਕ ਖੋਜ ਸਮੂਹ ਨੂੰ ਆਪਣੇ ਖੇਤਰ ਵਿੱਚ ਬੁਨਿਆਦੀ ਕੰਮ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦਾ ਸੀ। ਇਸਨੇ ਇੱਕ ਅਸਲੀ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ 200 ਪ੍ਰਕਾਸ਼ਨਾਂ ਤੋਂ ਡੇਟਾ ਖਿੱਚਿਆ; YZ ਨੇ ਇਸ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ਾ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਸੰਖੇਪ ਕੀਤਾ ਅਤੇ 10 ਸਭ ਤੋਂ ਵੱਧ ਹਵਾਲਾ ਦਿੱਤੇ ਅਧਿਐਨਾਂ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ। ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਡੇਟਾਬੇਸ ਵਿੱਚ ਹਰੇਕ ਕਲੱਸਟਰ ਅਤੇ ਪਛਾਣਕਰਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ; ਸਮੂਹ ਨੇ ਤੇਜ਼ੀ ਨਾਲ ਖੇਤਰ ਦੀ ਬਣਤਰ ਨੂੰ ਸਮਝ ਲਿਆ।

ਕੇਸ 2 - ਨਕਲੀ ਐਚ-ਇੰਡੈਕਸ ਫੜਿਆ ਗਿਆ। ਇੱਕ ਮੈਨੇਜਰ ਨੇ ਏਆਈ ਨੂੰ ਇੱਕ ਖੋਜਕਰਤਾ ਦੇ ਐਚ-ਇੰਡੈਕਸ ਬਾਰੇ ਪੁੱਛਿਆ; ਏਆਈ ਨੇ ਕਿਹਾ "42". ਲਾਇਬ੍ਰੇਰੀਅਨ ਨੇ ਅਸਲ ਡੇਟਾਬੇਸ ਨੂੰ ਦੇਖਿਆ: ਸਹੀ ਮੁੱਲ 19 ਸੀ; AI ਨੇ ਨੰਬਰ ਬਣਾ ਲਿਆ ਸੀ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਕਦੇ ਵੀ AI ਮੈਮੋਰੀ ਤੋਂ ਨਹੀਂ ਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਪਰ ਅਸਲ ਡੇਟਾ ਤੋਂ.

ਕੇਸ 3 - ਗਲਤ ਤੁਲਨਾ ਰੋਕੀ ਗਈ। ਇੱਕ ਯੂਨਿਟ ਆਪਣੇ ਹਵਾਲੇ ਦੀ ਔਸਤ ਸੰਖਿਆ ਦੇ ਆਧਾਰ 'ਤੇ ਦੋ ਅਧਿਆਵਾਂ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਫੰਡ ਅਲਾਟ ਕਰਨਾ ਚਾਹੁੰਦਾ ਸੀ। ਲਾਇਬ੍ਰੇਰੀਅਨ ਨੇ ਸਮਝਾਇਆ ਕਿ ਵਿਭਾਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦਵਾਈ (ਉੱਚ ਹਵਾਲਾ ਸਭਿਆਚਾਰ) ਸੀ ਅਤੇ ਦੂਜਾ ਮਨੁੱਖਤਾ (ਕਿਤਾਬ-ਭਾਰੀ, ਘੱਟ ਹਵਾਲਾ ਸਭਿਆਚਾਰ) ਸੀ, ਅਤੇ ਇਹ ਤੁਲਨਾ ਗਲਤ ਹੋਵੇਗੀ। ਮੁਲਾਂਕਣ ਨੂੰ ਗੁਣਾਤਮਕ ਮਾਪਦੰਡਾਂ ਦੁਆਰਾ ਸਮਰਥਤ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਫੀਲਡ ਅੰਤਰਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਸਨ।

ਵਿਜ਼ੂਅਲ ਮੈਪ ਅਤੇ ਰੀਡਿੰਗ ਟਰੈਪ

ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਇੱਕ ਅਕਸਰ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਟੂਲ ਨੈੱਟਵਰਕ ਨਕਸ਼ੇ (ਜਿਵੇਂ ਕਿ ਸਹਿ-ਸਹਿਤ ਜਾਂ ਸਹਿ-ਲੇਖਕ ਨੈੱਟਵਰਕ) ਹੈ, ਜੋ ਨੋਡਾਂ ਅਤੇ ਲਿੰਕਾਂ ਦੁਆਰਾ ਪ੍ਰਕਾਸ਼ਨਾਂ ਜਾਂ ਲੇਖਕਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦਿਖਾਉਂਦੇ ਹਨ। ਇਹ ਨਕਸ਼ੇ ਕਿਸੇ ਖੇਤਰ ਦੀ ਬਣਤਰ, ਕਲੱਸਟਰ ਅਤੇ ਬ੍ਰਿਜ ਵਰਕ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਬਣਾਉਂਦੇ ਹਨ; AI ਅੰਡਰਲਾਈੰਗ ਅਸਲ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਹਨਾਂ ਨਕਸ਼ਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਵਿਜ਼ੂਅਲ ਨਕਸ਼ੇ, ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਗੁੰਮਰਾਹਕੁੰਨ ਵੀ ਹੋ ਸਕਦੇ ਹਨ: ਇੱਕ ਵੱਡਾ, ਕੇਂਦਰੀ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦੇਣ ਵਾਲਾ ਨੋਡ "ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ" ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ ਪਰ ਸਿਰਫ਼ "ਸਭ ਤੋਂ ਵੱਧ ਜੁੜਿਆ" ਹੋ ਸਕਦਾ ਹੈ; ਇੱਕ ਕਲੱਸਟਰ ਦਾ ਆਕਾਰ ਸਿਰਫ਼ ਪ੍ਰਕਾਸ਼ਨ ਦੀ ਮਾਤਰਾ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ, ਉਸ ਸਪੇਸ ਦਾ ਮੁੱਲ ਨਹੀਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਕਸ਼ਾ ਕਿਵੇਂ ਖਿੱਚਿਆ ਜਾਂਦਾ ਹੈ (ਕਿਹੜੀ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਕਿਹੜੀ ਸਮਾਂ ਮਿਆਦ, ਕਿਹੜਾ ਡੇਟਾਬੇਸ) ਨਤੀਜੇ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲਦਾ ਹੈ। ਇਸ ਲਈ, ਜਦੋਂ ਇੱਕ ਫੈਸਲੇ ਲਈ ਇੱਕ ਆਧਾਰ ਦੇ ਤੌਰ ਤੇ ਇੱਕ ਬਿਬਲਿਓਮੈਟ੍ਰਿਕ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪੇਸ਼ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਣਾ ਲਾਜ਼ਮੀ ਹੈ ਕਿ ਇਹ ਕਿਸ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਕਿਹੜੇ ਮਾਪਦੰਡਾਂ ਅਤੇ ਕਿਸ ਸਮੇਂ ਦੀ ਮਿਆਦ ਵਿੱਚ ਹੈ। ਜੇਕਰ ਇੱਕ AI-ਤਿਆਰ ਕੀਤੀ ਟਿੱਪਣੀ ਨਕਸ਼ੇ 'ਤੇ ਇੱਕ ਨੋਡ ਨੂੰ "ਲੀਡਰ" ਜਾਂ "ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ" ਵਜੋਂ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਦੇਖਣ ਲਈ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਉਹ ਵਿਸ਼ੇਸ਼ਤਾ ਅਸਲ ਡੇਟਾ ਦੁਆਰਾ ਸਮਰਥਿਤ ਹੈ।

ਸੁਝਾਅ: ਨੈੱਟਵਰਕ ਨਕਸ਼ੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ "ਕੇਂਦਰ = ਸਿਖਰ" ਦੇ ਜਾਲ ਵਿੱਚ ਨਾ ਫਸੋ। ਕੇਂਦਰੀਤਾ ਸਿਰਫ ਕੁਨੈਕਸ਼ਨ ਘਣਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ; ਕਿਸੇ ਕੰਮ ਦਾ ਮੂਲ ਯੋਗਦਾਨ ਜਾਂ ਗੁਣਵੱਤਾ ਨਕਸ਼ੇ 'ਤੇ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੀ ਅਤੇ ਸਮੱਗਰੀ ਨੂੰ ਪੜ੍ਹ ਕੇ ਹੀ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਅਸਲ ਹਵਾਲਾ ਡੇਟਾ ਦਾ ਸੰਖੇਪ:

ਹੇਠਾਂ ਪ੍ਰਕਾਸ਼ਨ ਸੂਚੀ ਅਤੇ ਹਵਾਲਾ ਨੰਬਰ ਹਨ ਜੋ ਮੈਂ ਇੱਕ ਅਸਲ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ ਲਏ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਵਿਸ਼ਾ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡੋ ਅਤੇ ਹਰੇਕ ਕਲੱਸਟਰ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਸੰਖੇਪ ਕਰੋ। ਮੇਰੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਨਵੇਂ ਪ੍ਰਕਾਸ਼ਨਾਂ ਜਾਂ ਹਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਸ਼ਾਮਲ ਨਾ ਕਰੋ। ਡੇਟਾ: [ਇੱਥੇ]

2) ਰੁਝਾਨ ਅਤੇ ਪੈਟਰਨ ਮਾਰਕਿੰਗ:

ਹੇਠਾਂ ਦਿੱਤੇ ਸਾਲ-ਆਧਾਰਿਤ ਪ੍ਰਕਾਸ਼ਨ/ਉਤਰਨਾ ਡੇਟਾ ਵਿੱਚ ਧਿਆਨ ਦੇਣ ਯੋਗ ਰੁਝਾਨਾਂ (ਵਧਾਉਣਾ, ਘਟਾਉਣਾ, ਸਹਿਯੋਗ ਇਕਾਗਰਤਾ) ਨੂੰ ਉਜਾਗਰ ਕਰੋ। ਹਰ ਨਿਰੀਖਣ ਨੂੰ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਕਰੋ, ਅੰਦਾਜ਼ਾ ਨਾ ਲਗਾਓ। ਡੇਟਾ: [ਇੱਥੇ]

3) ਮਾਪਦੰਡ ਵਿਆਖਿਆ ਚੇਤਾਵਨੀ:

ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ, ਹੇਠਾਂ ਦਿੱਤੇ ਬਿਬਲੀਓਮੈਟ੍ਰਿਕ ਮਾਪਦੰਡ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਇਹ ਕਿਸ ਵਿਸ਼ੇ 'ਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਕਿਸ ਵਿਸ਼ੇ 'ਤੇ ਇਹ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ, ਕਿਸ ਵਿਸ਼ੇ 'ਤੇ ਇਹ ਦੁਰਵਰਤੋਂ ਲਈ ਖੁੱਲ੍ਹਾ ਹੈ? ਮਾਪਦੰਡ ਅਤੇ ਸੰਦਰਭ: [ਇੱਥੇ]

4) ਖੇਤਰ ਅੰਤਰ ਨਿਯੰਤਰਣ:

ਕੀ ਹੇਠਾਂ ਦਿੱਤੇ ਦੋ ਸਮੂਹਾਂ ਦੇ ਹਵਾਲੇ ਡੇਟਾ ਦੀ ਸਿੱਧੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ? ਖੇਤਰਾਂ ਦੇ ਵਿਚਕਾਰ ਹਵਾਲਾ ਸੱਭਿਆਚਾਰ ਵਿੱਚ ਅੰਤਰਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਕੀ ਤੁਲਨਾ ਸਹੀ ਹੈ। ਡੇਟਾ: [ਇੱਥੇ]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਲੇਖਕ ਦੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੇਖਾਂ ਅਤੇ ਹਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਦੀ ਸੂਚੀ ਬਣਾਓ।

AI ਅਸਲ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਕੀਤੇ ਬਿਨਾਂ ਆਪਣੀ ਗਲੋਬਲ ਮੈਮੋਰੀ ਤੋਂ ਬਣੇ ਸਿਰਲੇਖਾਂ ਅਤੇ ਹਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ: ਇੱਕ ਭਰੋਸੇਮੰਦ ਪਰ ਜਾਅਲੀ ਵਿਸ਼ਲੇਸ਼ਣ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ ਸਹਾਇਕ। ਹੇਠਾਂ ਪ੍ਰਕਾਸ਼ਨ ਹਵਾਲੇ ਅਤੇ ਹਵਾਲਾ ਨੰਬਰ ਹਨ ਜੋ ਮੈਂ ਅਸਲ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ ਖਿੱਚੇ ਹਨ। ਇਸ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਹਵਾਲਾ ਦਿੱਤੇ ਡੋਮੇਨ ਤੋਂ ਸਭ ਤੋਂ ਹੇਠਲੇ ਤੱਕ ਕ੍ਰਮਬੱਧ ਕਰੋ, ਇਸਨੂੰ ਵਿਸ਼ਾ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡੋ, ਅਤੇ ਹਰੇਕ ਕਲੱਸਟਰ ਨੂੰ ਸੰਖੇਪ ਕਰੋ। ਮੇਰੇ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਤੋਂ ਭਟਕ ਨਾ ਜਾਓ, ਕੋਈ ਨੰਬਰ ਜਾਂ ਲੇਬਲ ਨਾ ਬਣਾਓ। ਮਾਪਦੰਡ ਦੀਆਂ ਸੀਮਾਵਾਂ ਬਾਰੇ ਇੱਕ ਛੋਟਾ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ। ਡੇਟਾ: [ਇੱਥੇ]

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ; ਇਹ AI ਨੂੰ ਅਸਲ ਡੇਟਾ ਤੱਕ ਸੀਮਿਤ ਕਰਦਾ ਹੈ, ਮਨਘੜਤ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਬੈਂਚਮਾਰਕ ਸੀਮਾਵਾਂ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ।

ਮਾਪਦੰਡ ਅਤੇ ਸੀਮਾ ਸਾਰਣੀ

ਮਾਪਦੰਡ

ਕੀ ਦਿਖਾਉਂਦਾ ਹੈ

ਕੀ ਨਹੀਂ ਦਿਖਾਉਂਦਾ

ਧਿਆਨ

ਹਵਾਲੇ ਦੀ ਸੰਖਿਆ

ਵਰਤੋਂ/ਦ੍ਰਿਸ਼ਟੀ

ਗੁਣਵੱਤਾ, ਸ਼ੁੱਧਤਾ

ਖੇਤਰ ਦੇ ਸਭਿਆਚਾਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ

h-ਇੰਡੈਕਸ

ਉਤਪਾਦਕਤਾ+ਪ੍ਰਭਾਵ

ਵਿਅਕਤੀ ਦਾ ਮੁੱਲ

ਕਰੀਅਰ ਦੀ ਲੰਬਾਈ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ

ਪ੍ਰਭਾਵ ਕਾਰਕ

ਜਰਨਲ ਔਸਤ

ਸਿੰਗਲ ਲੇਖ ਦਾ ਮੁੱਲ

ਜਰਨਲ ਪੱਧਰ ਦੇ ਮਾਪਦੰਡ

ਸਹਿਯੋਗ ਨੈੱਟਵਰਕ

ਜਿਨ੍ਹਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ

ਯੋਗਦਾਨ ਦੀ ਦਰ

ਨੈੱਟਵਰਕ ਵਿੱਚ ਭੂਮਿਕਾ ਅਸਪਸ਼ਟ ਹੈ

ਆਮ ਗਲਤੀਆਂ

• AI ਤੋਂ ਹਵਾਲੇ ਦੀ ਗਿਣਤੀ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਨੰਬਰ ਅਸਲ ਡੇਟਾਬੇਸ ਤੋਂ ਬਾਹਰ ਬਣੇ ਹੁੰਦੇ ਹਨ।
• ਇਹ ਸੋਚਣਾ ਕਿ ਮਾਪਦੰਡ ਗੁਣਵੱਤਾ ਦਾ ਮਾਪ ਹੈ. ਹਵਾਲਾ ਵਰਤੋਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਗੁਣਵੱਤਾ ਨਹੀਂ।
• ਖੇਤਰਾਂ ਦੀ ਸਿੱਧੀ ਤੁਲਨਾ ਕਰਨਾ। ਵਿਸ਼ੇਸ਼ਤਾ ਸਭਿਆਚਾਰ ਵੱਖੋ-ਵੱਖਰੇ ਹਨ, ਇਹ ਸਹੀ ਨਹੀਂ ਹੈ.
• ਵਿਸ਼ੇਸ਼ਤਾ ਦੁਆਰਾ ਮਨੁੱਖਤਾ ਨੂੰ ਮਾਪਣਾ. ਬੁੱਕ-ਹੈਵੀ ਆਉਟਪੁੱਟ ਡੇਟਾਬੇਸ ਵਿੱਚ ਘੱਟ ਪ੍ਰਸਤੁਤ ਕੀਤੇ ਗਏ ਹਨ।
• ਮਾਪਦੰਡਾਂ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ। ਭਰਤੀ/ਪ੍ਰਮੋਸ਼ਨ ਦਾ ਫੈਸਲਾ ਇੱਕ ਮਾਪਦੰਡ 'ਤੇ ਅਧਾਰਤ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

ਬਿਬਲਿਓਮੈਟ੍ਰਿਕਸ ਅਤੇ ਹਵਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਏਆਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ ਜੋ ਅਸਲ ਡੇਟਾ ਨੂੰ ਕਲੱਸਟਰ ਕਰਦਾ ਹੈ, ਰੁਝਾਨਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ; ਪਰ ਕਦੇ ਵੀ AI ਮੈਮੋਰੀ ਤੋਂ ਹਵਾਲੇ ਨੰਬਰ ਅਤੇ ਬਾਈਲਾਈਨਾਂ ਨਾ ਲਓ, ਕਿਉਂਕਿ ਇਹ ਇਸਨੂੰ ਬਣਾਉਂਦਾ ਹੈ। ਮੈਟ੍ਰਿਕਸ ਵਰਤੋਂ ਅਤੇ ਦਿੱਖ ਦਿਖਾਉਂਦੇ ਹਨ, ਗੁਣਵੱਤਾ ਨਹੀਂ; ਡੋਮੇਨਾਂ ਵਿੱਚ ਤੁਲਨਾ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ; ਮਨੁੱਖਤਾ ਵਿੱਚ ਘੱਟ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਵਿਅਕਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇਕੱਲੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ। ਲਾਇਬ੍ਰੇਰੀਅਨ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਗਾਈਡ ਹੈ ਜੋ ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਗੁਣਾਤਮਕ ਮੁਲਾਂਕਣ ਨਾਲ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਅਸਲ ਹਵਾਲਾ ਡੇਟਾਬੇਸ ਤੋਂ ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੀ ਇੱਕ ਛੋਟੀ ਸੂਚੀ (10-15 ਰਿਕਾਰਡ, ਹਵਾਲੇ ਗਿਣਤੀ ਦੇ ਨਾਲ) ਲਓ। AI ਕਲੱਸਟਰ ਰੱਖੋ ਅਤੇ "ਅਸਲ ਹਵਾਲੇ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰੋ" ਟੈਮਪਲੇਟ ਨਾਲ ਸੰਖੇਪ ਕਰੋ, ਫਿਰ ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ ਹਵਾਲੇ ਅਤੇ ਗਿਣਤੀਆਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ। ਫਿਰ "ਮਾਪਦੰਡ ਵਿਆਖਿਆ ਚੇਤਾਵਨੀ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ ਆਪਣੀ ਪਸੰਦ ਦੇ ਮੈਟ੍ਰਿਕ (ਜਿਵੇਂ ਕਿ h-ਇੰਡੈਕਸ) ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਯੋਜਨਾ ਬਣਾਓ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਮੈਨੇਜਰ ਨੂੰ ਕਿਵੇਂ ਸਮਝਾਓਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਅਸਲ ਡੇਟਾਬੇਸ ਤੋਂ ਹਵਾਲੇ ਨੰਬਰ ਅਤੇ ਹਵਾਲੇ ਦਿੱਤੇ ਹਨ, ਮੈਂ ਉਹਨਾਂ ਨੂੰ AI ਦੁਆਰਾ ਨਹੀਂ ਬਣਾਇਆ ਹੈ।
• [ ] ਮੈਂ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਵਰਤੋਂ/ਦ੍ਰਿਸ਼ਟੀ ਦੇ ਸੂਚਕਾਂ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ, ਗੁਣਵੱਤਾ ਦੇ ਨਹੀਂ।
• [ ] ਮੈਂ ਖੇਤਰਾਂ ਦੇ ਵਿਚਕਾਰ ਹਵਾਲਾ ਸੱਭਿਆਚਾਰ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਮਨੁੱਖਤਾ ਦੀ ਘੱਟ ਪੇਸ਼ਕਾਰੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਵਿਅਕਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇਕੱਲੇ ਮਾਪਦੰਡ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ।