একটি গবেষণা পাইপলাইনে তিনটি মডেল কাজ
গবেষণা মাল্টি-মডেল ওয়ার্কস্পেসের সবচেয়ে স্পষ্ট উদাহরণ, কারণ পাইপলাইনে সত্যিই তিনটি ভিন্ন চাহিদা আছে। আপনার এমন একটি মডেল দরকার যা একসাথে বিশাল পরিমাণ টেক্সট ধরে রাখতে পারে, এমন একটি মডেল যা পিয়ার রিভিউ পেরিয়ে যাওয়ার মতো সতর্কভাবে লেখে, আর এমন একটি মডেল যা বিচ্যুত না হয়ে কঠোর কাঠামোবদ্ধ আউটপুট ফেরত দেয়। কোনো একটি পণ্যই তিনটিতেই সেরা নয়, আর তিনটি পণ্যের মধ্যে সুইচ করার খরচ দিতে হয় একই কর্পাস বারবার আপলোড করে। একটি ওয়ার্কস্পেসের ভেতরে সুইচ করার প্রান্তিক খরচ ছোট আর জানা: Whizi-র মডেল খরচ সূচক অনুসারে (OpenRouter তালিকা মূল্য, 2026-08-20 তারিখে সংগৃহীত), Gemini 3.7 Flash প্রতি স্ট্যান্ডার্ড উত্তরে দাঁড়ায় $0.001313, Claude Sonnet 5-তে $0.007, আর GPT-5.6 Terra-তে $0.008, সবই প্রতি উত্তরে এক সেন্টের নিচে।
| ধাপ | মডেল | কী করছে |
|---|---|---|
| পেপারের একটি কর্পাস পড়া | Gemini | 1M টোকেন প্রসঙ্গ উইন্ডো, তাই 15 থেকে 30টি PDF একই কথোপকথনে বসে |
| একটি প্রমাণ সারণি তৈরি করা | GPT | কঠোর স্কিমা, ধারাবাহিক কলাম মান, কোনো সম্পাদকীয় বিচ্যুতি নেই |
| গদ্য আর সংশ্লেষণের খসড়া | Claude | সতর্ক, সংযত একাডেমিক রেজিস্টার, উৎসের প্রতি বিশ্বস্ত |
| সাম্প্রতিক কাজ খুঁজে বের করা ও তথ্যসূত্র যাচাই | ওয়েব-সংযুক্ত একটি মডেল | স্মৃতির বদলে লাইভ উৎসের বিপরীতে পুনরুদ্ধার |
| নিজের যুক্তির প্রতিকূল পর্যালোচনা | যেকোনো মডেল যা এটি খসড়া করেনি | স্বাধীন পাঠক, কোনো ডুবে যাওয়া খরচ নেই |
শুরু করার আগে বোঝার সবচেয়ে গুরুত্বপূর্ণ বিষয়টি হলো: স্মৃতি থেকে একটি পেপার সম্পর্কে জিজ্ঞাসা করা একটি ভাষা মডেল বিস্তারিত বানিয়ে ফেলবে, আর তা করবে সাবলীলভাবে। আপনার আপলোড করা একটি PDF পড়া একটি মডেল আসল টেক্সট থেকে কাজ করছে। এগুলো ভিন্ন কার্যকলাপ, ভিন্ন নির্ভরযোগ্যতাসহ, আর গবেষণায় AI নিয়ে প্রায় প্রতিটি ভয়ংকর গল্প আসে প্রথমটিকে দ্বিতীয়টি ভেবে ভুল করা থেকে। উৎস আপলোড করুন। সবসময়।
থ্রেড না হারিয়ে 20টি পেপার পড়া
ভুলটি হলো সারসংক্ষেপ চাওয়া। 20টি পেপারের একটি সারসংক্ষেপ এমন একটি অনুচ্ছেদ যা সেই ক্ষেত্রের যেকোনো 20টি পেপার বর্ণনা করতে পারে। আপনি আসলে যা চান তা হলো একটি প্রমাণ সারণি, কারণ একটি সারণি মডেলকে প্রতিটি পেপারের জন্য নির্দিষ্ট মান দিতে বাধ্য করে আর ফাঁকগুলো দৃশ্যমান করে তোলে।
প্রম্পট: প্রমাণ সারণি
আমি [n]টি পেপার আপলোড করেছি। প্রতি পেপারে একটি সারিসহ একটি সারণি তৈরি করুন এই কলামগুলো নিয়ে: তথ্যসূত্র (লেখক, সাল), গবেষণা প্রশ্ন, স্টাডি ডিজাইন, নমুনা আকার আর জনগোষ্ঠী, পরিমাপ করা প্রধান ফলাফল, প্রভাব আকার বা মূল পরিসংখ্যানসহ শিরোনাম-পাওয়া ফলাফল, উল্লিখিত সীমাবদ্ধতা, আর প্রকাশিত হলে অর্থায়নের উৎস। কোনো পেপারে কোনো ফিল্ড রিপোর্ট করা না থাকলে লিখুন NOT REPORTED। মান অনুমান করবেন না। আমি আপলোড করিনি এমন কোনো পেপার অন্তর্ভুক্ত করবেন না।
প্রম্পট: সংশ্লেষণ ধাপ
শুধু আপনার এইমাত্র তৈরি করা সারণি ব্যবহার করে উত্তর দিন: এই স্টাডিগুলো কোথায় একমত, কোথায় দ্বিমত, আর দ্বিমতের ব্যাখ্যা কী (ডিজাইন, জনগোষ্ঠী, পরিমাপ, নাকি সময়কাল)? এই সাহিত্যে এমন প্রশ্নগুলো চিহ্নিত করুন যা আপলোড করা কোনো স্টাডি মোকাবিলা করে না। প্রতিটি দাবির জন্য, সেটি যে নির্দিষ্ট সারির উপর ভিত্তি করে তা উল্লেখ করুন।
প্রম্পট: পদ্ধতিগত সমালোচনা
সারণির প্রতিটি স্টাডির জন্য, বৈধতার সবচেয়ে গুরুতর হুমকি লক্ষ্য করুন: নির্বাচন, পরিমাপ, বিভ্রান্তিকরণ, পরিসংখ্যানগত শক্তি, বা সাধারণীকরণযোগ্যতা। পেপারে যা রিপোর্ট করা হয়েছে তার প্রতি নির্দিষ্ট হোন, সাধারণ নয়। কোনো স্টাডি পদ্ধতিগতভাবে শক্তিশালী হলে তা বলুন, সমালোচনা বানিয়ে ফেলবেন না।
শেষ নির্দেশটি আসল কাজ করছে। কোনো মডেলকে সমস্যা খুঁজতে বললে সে সবসময় সমস্যা খুঁজে বের করবে, ভালোভাবে পরিচালিত একটি স্টাডিতেও, কারণ অনুরোধই বোঝায় সমস্যা আছে। কোনো পেপার সঠিক বলার সুস্পষ্ট অনুমতি দিলে সমালোচনা সৎ থাকে।
একটি চ্যাটে পরিষ্কারভাবে দীর্ঘ ডকুমেন্ট আনার কৌশলের জন্য দেখুন PDF-এর সাথে চ্যাট কীভাবে করবেন আর AI দিয়ে PDF সারসংক্ষেপ করার গাইড।
নিষ্কাশন: অগঠিত টেক্সট থেকে কাঠামোবদ্ধ ডেটা বের করা
সিস্টেমেটিক নিষ্কাশন সেই কাজ যেখানে AI সবচেয়ে ন্যায্যতাযোগ্য সময় বাঁচায়, কারণ আউটপুট যাচাইযোগ্য। আপনি পৃষ্ঠা 7-এর বিরুদ্ধে একটি সংখ্যা যাচাই করতে পারেন। আপনি একটি অনুভূতি যাচাই করতে পারেন না।
প্রম্পট: কঠোর স্কিমা নিষ্কাশন
এই পেপার থেকে প্রতিটি রিপোর্ট করা পরিসংখ্যান JSON হিসেবে বের করুন। স্কিমা: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}। শুধু টেক্সট, সারণি, বা ফিগার ক্যাপশনে দেখা যায় এমন সংখ্যা অন্তর্ভুক্ত করুন। ডেরাইভড মান গণনা করবেন না। রাউন্ড করবেন না। কোনো সংখ্যা সারণি আর টেক্সট উভয়ে ভিন্ন মানে দেখা গেলে, উভয় এন্ট্রি ফেরত দিন আর অসঙ্গতি চিহ্নিত করুন।
location_in_paper ফিল্ডটি সেই অংশ যা মানুষ বাদ দেয়, আর এটিই সেই অংশ যা আউটপুটকে ব্যবহারযোগ্য করে তোলে। এটি পেপার আবার পড়ে যাচাই করাকে একটি লক্ষ্যভিত্তিক পরীক্ষায় পরিণত করে, যার মানে যাচাইটা আসলেই সম্পন্ন হয়।
প্রম্পট: পেপার জুড়ে তুলনা
আপলোড করা পেপারগুলো জুড়ে, [আপনার আগ্রহের পরিমাণের] প্রতিটি রিপোর্ট করা অনুমান খুঁজুন। একটি সারণি ফেরত দিন: পেপার, অনুমান, একক, জনগোষ্ঠী, অনুমান পদ্ধতি, আর ডেটা সংগ্রহের সাল। এগুলোর গড় করবেন না। যেখানে ভিন্ন সংজ্ঞা বা জনগোষ্ঠীর কারণে অনুমানগুলো তুলনাযোগ্য নয় তা সুস্পষ্টভাবে উল্লেখ করুন।
মডেলকে গড় না করার নির্দেশ দেওয়া নিয়মকানুন নয়। তুলনাযোগ্য নয় এমন অনুমানের গড় করা AI-সহায়ক সাহিত্য পর্যালোচনায় আত্মবিশ্বাসের সাথে ভুল সংখ্যা তৈরি হওয়ার সবচেয়ে সাধারণ উপায়, আর এটি এমন এক ধরনের ভুল যা একজন পর্যালোচক তাৎক্ষণিকভাবে ধরে ফেলে।
অন্যের বাক্য ধার না করে পর্যালোচনা খসড়া করা
এখানে Claude সেরা খসড়াকারী, কিন্তু প্রম্পটকে একাডেমিক লেখায় গুরুত্বপূর্ণ দুটি নিয়ম কার্যকর করতে হবে: দাবিগুলো উৎসের সাথে যুক্ত থাকে, আর সতর্কতা বজায় থাকে। সহায়ক হতে প্রশিক্ষিত মডেলগুলো সতর্ক ভাষাকে শক্তিশালী করার প্রবণতা রাখে, না চাইতেই "এর সাথে সম্পর্কিত ছিল"-কে "সৃষ্টি করেছে"-তে পরিণত করে।
প্রম্পট: সেকশন খসড়া
উপরের প্রমাণ সারণি শুধু ব্যবহার করে সাহিত্য পর্যালোচনার [সেকশনের নাম] খসড়া করুন। নিয়ম: প্রতিটি দাবি একটি নির্দিষ্ট সারির সাথে সম্পর্কযুক্ত হতে হবে, মূল সতর্কতা বজায় রাখুন (একটি সম্পর্ককে কার্যকারণ দাবিতে উন্নীত করবেন না), [তথ্যসূত্র শৈলী] ফরম্যাট ব্যবহার করুন, আর যেকোনো বাক্য যেখানে আপনি প্রমাণের বাইরে সাধারণীকরণে প্রলুব্ধ হয়েছিলেন তা [CHECK] দিয়ে চিহ্নিত করুন। দর্শক: [ক্ষেত্র] গবেষক। দৈর্ঘ্য: প্রায় [n] শব্দ।
প্রম্পট: সতর্কতা নিরীক্ষা
এই খসড়াটি উৎস উপাদানের বিপরীতে পর্যালোচনা করুন। প্রতিটি বাক্য তালিকাভুক্ত করুন যা অন্তর্নিহিত স্টাডির চেয়ে বেশি নিশ্চয়তা প্রকাশ করে, আর প্রতিটি বাক্য যা একটি ফলাফলকে ভুল উৎসের সাথে যুক্ত করে। বাক্য আর বিরোধপূর্ণ উৎস টেক্সট পাশাপাশি উদ্ধৃত করুন। পুনর্লিখন করবেন না।
নিজের লেখার উপরও সতর্কতা নিরীক্ষা চালান, শুধু মডেলের আউটপুটে নয়। এটি রাত 11টায় লেখা মানুষের খসড়াতেও একই বিচ্যুতি ধরে।
তথ্যসূত্র যাচাই, যা ঐচ্ছিক নয়
এটিই সেই সেকশন যা সবচেয়ে গুরুত্বপূর্ণ, তাই এটি ইচ্ছাকৃতভাবে স্পষ্ট। ভাষা মডেলগুলো তথ্যসূত্র বানিয়ে ফেলে। তারা তৈরি করে বাস্তব লেখকের নাম, বিশ্বাসযোগ্য জার্নাল শিরোনাম, সঠিক দেখতে ভলিউম আর পৃষ্ঠা নম্বর, আর এমন DOI যা কোথাও নিয়ে যায় না বা একটি অসম্পর্কিত পেপারে নিয়ে যায়। প্রত্যাহার করা পেপার এভাবেই সাহিত্যে ঢুকেছে। এভাবেই খ্যাতি ক্ষতিগ্রস্ত হয়েছে।
এটি প্রতিরোধ করার নিয়মগুলো:
- স্মৃতি থেকে একটি দাবির জন্য কোনো মডেলকে "উৎস খুঁজে বের করতে" বলবেন না। একটি ওয়েব-সংযুক্ত মডেলকে সেগুলো পুনরুদ্ধার করতে বলুন, তারপর নিজে প্রতিটি লিংক খুলুন।
- প্রতিটি DOI রিজলভ করে যাচাই করুন। রিজলভ না হওয়া DOI একটি বানানো জিনিস, টাইপো নয়।
- পরীক্ষা করুন যে উদ্ধৃত পেপারটি সত্যিই তথ্যসূত্রে দাবি করা কথা বলে কিনা। একটি দাবির সাথে যুক্ত একটি বাস্তব পেপার যা সেটি সমর্থন করে না তা ধরা কঠিনতর ভুল, আর এটি একটি বানানো পেপারের চেয়ে বেশি সাধারণ।
- আপনি খোলেননি এমন কিছু কখনো উদ্ধৃত করবেন না। এই নিয়মটি AI-এর আগেও ছিল, আর AI একে ভারবহনকারী করে তুলেছে।
- আপলোড করা PDF-গুলোকে সত্যের উৎস হিসেবে রাখুন। আপনি আপলোড করেননি এমন কোনো পেপার সম্পর্কে মডেল আপনাকে যা বলে তা গঠনগতভাবেই অযাচাইকৃত।
প্রম্পট: তথ্যসূত্র নিরীক্ষা
এই তালিকার প্রতিটি তথ্যসূত্রের জন্য বলুন: এই কথোপকথনের একটি উৎস থেকে আপনি এটি নিশ্চিত করতে পারেন কিনা, নাকি এটি আপনার প্রশিক্ষণ ডেটা থেকে আসে আর তাই অযাচাইকৃত। অনুমান করবেন না। প্রতিটি অযাচাইকৃত এন্ট্রি স্পষ্টভাবে চিহ্নিত করুন। আমি সেগুলো নিজে হাতে যাচাই করব।
সেই প্রম্পট মডেলকে নির্ভরযোগ্য করে না। এটি স্পষ্ট করে দেয় কোন দাবিগুলো আপনার দেওয়া কিছুর সাথে যুক্ত, যা আপনি কী যাচাই করবেন তা জানার জন্য প্রয়োজনীয় পার্থক্য।
এটি যা প্রতিস্থাপন করে না
এটি একটি সিস্টেমেটিক পর্যালোচনা প্রোটোকল প্রতিস্থাপন করে না। আপনার কাজে PRISMA প্রয়োজন হলে, অনুসন্ধান কৌশল, স্ক্রিনিং, আর অন্তর্ভুক্তি সিদ্ধান্ত নথিভুক্ত করা আর রক্ষা করা আপনারই থেকে যায়। AI আপনাকে প্রোটোকল খসড়া করতে আর অন্তর্ভুক্ত স্টাডি থেকে নিষ্কাশন দ্রুত করতে সাহায্য করতে পারে; এটি অনুসন্ধান হতে পারে না।
এটি আপনার তথ্যসূত্র ব্যবস্থাপক প্রতিস্থাপন করে না। Zotero, Mendeley, বা EndNote-কে আপনি আসলে যা পড়েছেন তার রেকর্ড হিসেবে রাখুন। চ্যাট কার্যকরী স্মৃতি, একটি আর্কাইভ নয়।
এটি পরিসংখ্যানগত বিশ্লেষণ প্রতিস্থাপন করে না। একটি মডেল একটি পদ্ধতি ব্যাখ্যা করতে পারে, এর জন্য R বা Python লিখতে পারে, আর আপনার ব্যাখ্যা যুক্তিসঙ্গত কিনা পরীক্ষা করতে পারে, কিন্তু একটি চ্যাট উইন্ডোর ভেতরে আপনার বিশ্লেষণ চালানো আর গণিতকে বিশ্বাস করা ন্যায্যতাযোগ্য নয়। কোড তৈরি করুন, নিজের পরিবেশে চালান, আর আউটপুট পরীক্ষা করুন।
আর এটি প্রকাশ প্রতিস্থাপন করে না। জার্নাল আর প্রতিষ্ঠানগুলো ক্রমবর্ধমানভাবে AI সরঞ্জাম কীভাবে ব্যবহার করা হয়েছে তার একটি বিবৃতি দাবি করছে। প্রতিটি ধাপে আপনি কী ব্যবহার করেছেন তা লিখে রাখুন যেমন যেমন এগোন, কারণ জমা দেওয়ার সময় এটি পুনর্গঠন করা অপ্রীতিকর।
- মডেল কী মনে রাখে তা জিজ্ঞাসা না করে পেপারগুলো আপলোড করুন
- কোনো সংশ্লেষণ চাওয়ার আগে প্রতি পেপারে একটি সারিসহ একটি প্রমাণ সারণি তৈরি করুন
- প্রতিটি নিষ্কাশিত সংখ্যায় একটি location_in_paper ফিল্ড আবশ্যক করুন যাতে যাচাই লক্ষ্যভিত্তিক হয়
- মডেলকে সতর্কতা বজায় রাখতে আর কখনো সম্পর্ককে কার্যকারণে উন্নীত না করতে নির্দেশ দিন
- আপনার তথ্যসূত্র তালিকায় ঢোকার আগে প্রতিটি DOI রিজলভ করুন আর প্রতিটি উৎস খুলুন
- মডেলকে জিজ্ঞাসা করুন কোন দাবিগুলো আপলোড করা টেক্সটের সাথে যুক্ত আর কোনগুলো স্মৃতি থেকে
- আপনার প্রকাশ বিবৃতির জন্য প্রতিটি ধাপে AI কীভাবে ব্যবহার করা হয়েছে তার একটি চলমান নোট রাখুন
প্রায়ই জিজ্ঞাসিত প্রশ্ন
Whizi কি খুব দীর্ঘ পেপার সামলাতে পারে?
হ্যাঁ। Whizi-তে Gemini একটি 1M টোকেন প্রসঙ্গ উইন্ডো তালিকাভুক্ত করে, যার বাস্তব অর্থ হলো একটি দীর্ঘ থিসিস, একটি সম্পূর্ণ নিয়ন্ত্রক ফাইলিং, বা 15 থেকে 30টি পেপারের একটি সেট একই কথোপকথনে বসতে পারে আর সামগ্রিকভাবে জিজ্ঞাসা করা যায়। এটি একবারে একটি অংশে একটি ডকুমেন্ট সারসংক্ষেপ করার চেয়ে ভিন্ন, কারণ "এগুলো কোথায় দ্বিমত পোষণ করে"-এর মতো ক্রস-ডকুমেন্ট প্রশ্ন তখনই কাজ করে যখন সবকিছু একসাথে উপস্থিত থাকে।
Whizi কি তথ্যসূত্র উদ্ধৃত করে?
আপনি যখন একটি ওয়েব-সংযুক্ত মডেল ব্যবহার করেন তখন এটি লিংক ফেরত দেয়, আর আপনি ডকুমেন্ট আপলোড করলে এটি নির্দেশ করতে পারে যে একটি দাবি আপনার উৎসের কোথা থেকে এসেছে। কোনোটিই যাচাইয়ের বিকল্প নয়। প্রতিটি DOI রিজলভ করুন, প্রতিটি লিংক খুলুন, আর নিশ্চিত করুন যে উদ্ধৃত কাজটি তার সাথে যুক্ত দাবিকে সমর্থন করে। বানানো আর ভুলভাবে দায়ী করা তথ্যসূত্র AI-সহায়ক গবেষণার সবচেয়ে গুরুতর ব্যর্থতা, আর একমাত্র নির্ভরযোগ্য প্রতিরক্ষা হলো নিজে উৎস খোলা।
সবকিছুর জন্য শুধু একটি মডেল কেন ব্যবহার করবেন না?
কারণ তিনটি ধাপ বিপরীত আচরণ চায়। একটি বড় কর্পাস পড়ার জন্য একটি বিশাল প্রসঙ্গ উইন্ডো দরকার। নিষ্কাশনের জন্য একটি স্কিমার প্রতি কঠোর, বিরক্তিকর আনুগত্য দরকার। খসড়ার জন্য একাডেমিক সতর্কতা বজায় রাখা যত্নবান গদ্য দরকার। এই তিনটিই একটি ওয়ার্কস্পেসের ভেতরে চালানো মানে কর্পাসটি একবার আপলোড হয় আর সুইচ জুড়ে প্রসঙ্গ বহন করে, তিনটি আলাদা পণ্যের কাছে পুনরায় ব্যাখ্যা করার বদলে।
একাডেমিক কাজে AI ব্যবহার করা কি গ্রহণযোগ্য?
নীতি জার্নাল, অর্থদাতা, আর প্রতিষ্ঠান অনুযায়ী ভিন্ন, আর দ্রুত বদলাচ্ছে, তাই আপনার জন্য প্রযোজ্য নির্দিষ্ট প্রয়োজনীয়তা পরীক্ষা করুন। ব্যাপক প্যাটার্নটি হলো নিষ্কাশন, খসড়া, আর সম্পাদনার জন্য AI ব্যবহার করা সাধারণত প্রকাশসহ গ্রহণযোগ্য, যদিও একটি মডেলকে লেখক হিসেবে তালিকাভুক্ত করা নয়, আর সমাপ্ত কাজের প্রতিটি দাবি ও তথ্যসূত্রের জন্য আপনি সম্পূর্ণ দায়বদ্ধ থাকেন। যেমন যেমন এগোন কী ব্যবহার করেছেন তা লিপিবদ্ধ করুন।
আমি কি অপ্রকাশিত বা গোপনীয় ডেটা আপলোড করতে পারি?
Whizi আপনার কথোপকথনের উপর প্রশিক্ষণ নেয় না আর প্রতিটি প্রদানকারীর নীতি সেই মডেল সক্ষম করার আগে পর্যালোচনাযোগ্য, কিন্তু আপনার নৈতিকতা অনুমোদন আর যেকোনো ডেটা শেয়ারিং চুক্তি হলো বাধ্যতামূলক সীমাবদ্ধতা। মানব বিষয়ের ডেটা প্রায় সবসময় বাইরে রাখা উচিত যদি না আপনার অনুমোদন সুস্পষ্টভাবে তৃতীয় পক্ষের প্রক্রিয়াকরণ কভার করে। পরিচয়-মুক্ত অংশ আর আপনার নিজের খসড়া স্বাভাবিক নিরাপদ ক্ষেত্র।