AI দিয়ে গবেষণাপত্র (IMRaD) থেকে মূল ফলাফল আহরণ করুন

AI দিয়ে গবেষণাপত্র থেকে মূল ফলাফল আহরণের টুলগুলোর সুবিধা হলো, আপনি অ্যাবস্ট্র্যাক্ট পড়ে শেষ করার আগেই পদ্ধতি, ফলাফল, এবং আলোচনা দ্রুত বের করতে পারেন। তবে আউটপুট সবসময় নির্ভরযোগ্য নয়, তাই আপনার নিজের লেখায় ছোঁয়ার আগে এর জন্য অবশ্যই একটি ভেরিফিকেশন পাস দরকার। Cochrane Evidence Synthesis 2025-এ মানব রিভিউয়ারদের বিপরীতে AI এক্সট্র্যাকশন টুলগুলোর তুলনা (Helms Andersen et al., Wiley 2025) একটি সংক্ষিপ্ত কিন্তু তাৎপর্যপূর্ণ ফল জানায়: AI দ্বিতীয় রিভিউয়ার হিসেবে মানব এক্সট্র্যাকশনের ৭৮ শতাংশ ফিল্ড মেলাতে পেরেছে, ১২ শতাংশ ফিল্ড মিস করেছে, এবং ১০ শতাংশ ফিল্ডে ভ্রান্ত মান তৈরি করেছে। এই ১০ শতাংশ ভ্রান্ত মানই, যেভাবে আপনি এই টুলগুলো ব্যবহার করবেন, সেটি বদলে দেওয়ার মতো গুরুত্বপূর্ণ একটি সংখ্যা।

আমরা সম্পাদকের ব্যাকলগের মাধ্যমে (ইনটেক স্ক্রিন, আমাদের প্রুফরিডিং ক্লায়েন্টদের জন্য পদ্ধতি-সংক্রান্ত চেক, এবং আমাদের নিজস্ব অভ্যন্তরীণ বেঞ্চমার্ক) প্রতি মাসে প্রায় ২০০টি পেপার থেকে IMRaD অংশগুলো আহরণ করি। দৈনন্দিন ব্যবহারে টিকে থাকা ওয়ার্কফ্লোটি হলো না “PDFটা ChatGPT-তে পেস্ট করে সারাংশ চাওয়া।” এটি একটি কাঠামোবদ্ধ, চার-প্রম্পটের এক্সট্র্যাকশন; প্রতিটি প্রম্পটের মাঝখানে একটি ভেরিফিকেশন ধাপ থাকে; এবং এটি এমন একটি টুলে চালানো হয় যা প্রতিটি দাবিকে এমন একটি verifiable source span-এর সাথে নোঙর করে।

এই পোস্টে রয়েছে সেই ওয়ার্কফ্লো। IMRaD ফ্রেমিং, চারটি এক্সট্র্যাকশন প্রম্পট (methods, results, discussion, limitations), এই নির্দিষ্ট কাজের জন্য টুল কম্প্যারিজন, সেই ভেরিফিকেশন চেকগুলো যা ১০ শতাংশ ভ্রান্ত অংশ ধরতে পারে, এবং RCT, qualitative study, ও meta-analysis, এসব ডোমেইন-নির্দিষ্ট কিছু “gotcha”। মূল কথা: AI দিয়ে গবেষণাপত্র থেকে মূল ফলাফল আহরণ দ্রুত এবং কাজে লাগে, কিন্তু কেবল তখনই, যখন আপনি AI-কে প্রাথমিক উৎস নয়, বরং একটি খসড়া-সহায়ক (draft assistant) হিসেবে ব্যবহার করেন।

গবেষণাপত্র থেকে মূল ফলাফল নির্ভরযোগ্যভাবে আহরণ করতে গেলে AI টুলের ক্ষেত্রে কী করবেন?

একটি কাঠামোবদ্ধ চার-প্রম্পট এক্সট্র্যাকশন চালান, methods, results, discussion, এবং limitations, প্রতি প্রম্পট একেকটি সেকশনের জন্য। এমন একটি টুলে চালান যা প্রতিটি দাবিকে verifiable source span-এর সাথে নোঙর করে। প্রম্পটগুলোর মাঝখানে একটি ভেরিফিকেশন পাস যোগ করুন, যাতে প্রায় ১০ শতাংশ ফিল্ডে AI যে ভ্রান্ত মান (hallucination) তৈরি করে তা ধরা পড়ে, যেটি ২০২৫ সালের Helms Andersen Cochrane তুলনায় ৭৮ শতাংশ মানব-ম্যাচের পাশাপাশি নথিভুক্ত। AI-এর আউটপুটকে draft assistant হিসেবে বিবেচনা করুন, প্রাথমিক উৎস হিসেবে নয়, এবং লেখায় পৌঁছানোর আগে প্রতিটি মানকে আসল পেপারের বিপরীতে নিশ্চিত করুন।

IMRaD কাঠামোর মধ্যে “key findings” বলতে ঠিক কী বোঝায়

বেশিরভাগ AI summarizer “এই পেপারের সারাংশ লেখো”কে গুলিয়ে ফেলে “এই পেপার থেকে মূল ফলাফল আহরণ করো”, দুটিকে এক করে দেখে। এই দুটি আলাদা কাজ, এবং দ্বিতীয়টির একটি নির্দিষ্ট কাঠামোবদ্ধ রূপ আছে, যা প্রথমটির মধ্যে নেই।

IMRaD ফরম্যাটে লেখা একটি গবেষণাপত্রে (Introduction, Methods, Results, এবং Discussion) মূল তাৎপর্যপূর্ণ তথ্য থাকে চারটি নোঙর করা সেকশনে। Methods সেকশন উত্তর দেয় “লেখকরা কী করেছেন।” Results সেকশন উত্তর দেয় “তারা কী পেয়েছেন।” Discussion সেকশন উত্তর দেয় “এটার মানে কী এবং সীমাবদ্ধতাই বা কী।” প্রতিটি সেকশনের জন্য AI এক্সট্র্যাকশনে ব্যর্থতার ধরন আলাদা।

নিচের চার-প্রম্পট ওয়ার্কফ্লোটি এই প্রতিটি সেকশনকে আলাদাভাবে টার্গেট করে। এক সেশনে এক সময়ে একটি করে প্রম্পট চালানো, একবারে এক সেকশনের জন্য, এবং প্রম্পটগুলোর মাঝে ভেরিফিকেশন চেক রাখা, এই কাজটাই সেই ১০ শতাংশ hallucination রেট ধরতে সাহায্য করে, যেটা একটি মাত্র “এই পেপারের সারাংশ দাও” প্রম্পট ধরতে পারে না।

গবেষণাপত্র এক্সট্র্যাকশনের জন্য চার-প্রম্পট AI ওয়ার্কফ্লো কী?

এই ওয়ার্কফ্লোটি যেকোনো এমন LLM-এ চালানো যায় যার কনটেক্সট উইন্ডো ১০০K+ (Claude Sonnet, GPT-5, Gemini 3 Pro), অথবা source-grounded টুলে চালানো যায় যেখানে closed-corpus Q&A থাকে (NotebookLM, Sharly AI, SciSpace)। নিচের প্রম্পটগুলো Claude-এর জন্য লেখা, কারণ আমাদের পরীক্ষায় ইন-টেক্সট citation সংরক্ষণ (preservation) সবচেয়ে ভালো হয়েছে; সামান্য শব্দ বদলে একই প্রম্পট GPT-5-এও কাজ করবে।

1. Methods extraction. AI এই সেকশনটি সবচেয়ে খারাপভাবে হ্যান্ডেল করে, তাই প্রথমেই চালান, যখন আপনার মনোযোগ সতেজ থাকে।

Extract the methodology section of the attached paper. Report exactly:
- Study design (e.g., RCT, cohort, case-control, qualitative, meta-analysis)
- Sample size at enrollment and at primary analysis
- Inclusion and exclusion criteria
- Intervention or exposure definition
- Primary outcome and how it was measured
- Statistical analysis plan and software used
- Any pre-registration ID (e.g., ClinicalTrials.gov, OSF, PROSPERO)

For each item, quote the exact sentence from the paper that supports
the extracted fact, with the page or section number. If the paper does
not report a field, write "not reported." Do not infer missing values.

2. Results extraction. সংখ্যাগত নোঙর (numeric anchors)টাই হলো যাচাইযোগ্য অংশ। AI কখনও কখনও সংখ্যা রাউন্ড করবে বা স্থান বদলাবে; “ঠিক কোন বাক্যটি” কোট (quote) করতে হবে, এই শর্তটি উভয় ধরনের ভুল ধরতে সাহায্য করে।

Extract the results section of the attached paper. Report exactly:
- Primary outcome with point estimate, 95 percent CI, and p-value
- Secondary outcomes with effect sizes and CIs
- Pre-specified subgroup findings (do not extract post-hoc subgroups
  unless flagged as exploratory in the paper)
- Adverse events or sensitivity-analysis results
- Sample size at follow-up (note dropouts)

For each numeric value, quote the exact sentence and figure or table
number from the paper. If a value is not reported, write "not reported."

3. Discussion extraction. এটি সেই সেকশন, যেখানে AI সবচেয়ে বেশি নিশ্চিততা (certainty) অতিরঞ্জিত করে। তাই এটিকে hedge সংরক্ষণ করতে বাধ্য করুন।

Extract the discussion section of the attached paper. Report exactly:
- The authors' interpretation of the primary finding in their own words
- Any hedging language the authors use (e.g., "may," "suggests,"
  "consistent with," "preliminary evidence")
- Stated generalizability claims (to what population, setting,
  or condition)
- Comparison with prior literature, with cited references preserved
- Acknowledged limitations (each one as a separate bullet)

Preserve the authors' hedges word-for-word. Do not paraphrase
"may suggest" as "shows" or "demonstrates."

4. Limitations এবং gaps. limitations-এর জন্য আলাদা প্রম্পট দিন, কারণ AI এক্সট্র্যাক্টর প্রায়ই আলোচনা (discussion)-এর মাঝামাঝি লুকানো সীমাবদ্ধতাগুলো মিস করে।

List every limitation the authors acknowledge in the paper. Include:
- Methodological limitations (sample, measurement, design)
- Generalizability limitations (population, setting, time)
- Statistical limitations (power, multiple testing, confounding)
- Author-acknowledged sources of bias

Quote the exact sentence for each limitation. Do not add limitations
that you infer but the authors did not state.

একই চ্যাট সেশনে চারটি প্রম্পট ক্রমানুসারে চালান, যাতে কনটেক্সট সামনে এগিয়ে থাকে। Claude বা GPT-5-এ প্রতিটি পেপারের জন্য পুরো ওয়ার্কফ্লো সময় লাগে প্রায় ১৫ থেকে ২০ মিনিট; পরের (next) ভেরিফিকেশন ধাপটি যোগ হলে আরেক ১০ মিনিট লাগে।

টুল তুলনা: কোন AI সবচেয়ে ভালোভাবে IMRaD সেকশন এক্সট্র্যাক্ট করে

বিস্তৃত best AI summarizer for research papers 2026 বেঞ্চমার্কে সব ধরনের summarization ব্যবহারের ক্ষেত্রে টুলগুলো স্কোর করা হয়েছিল। কিন্তু verifiable anchor সহ কাঠামোবদ্ধ IMRaD extraction, এই নির্দিষ্ট কাজের ক্ষেত্রে র‌্যাঙ্কিং উল্টো দিকে গেছে।

২০২৫ সালের Helms Andersen Cochrane তুলনায় Elicit এবং ChatGPT-কে দ্বিতীয় রিভিউয়ার হিসেবে পরীক্ষা করা হয়, মানব এক্সট্র্যাক্টরদের বিপরীতে, বহু সংখ্যক systematic review জুড়ে। উভয় AI টুলই প্রায় ৭৮ শতাংশ extraction fields-এ মানব রিভিউয়ারদের সাথে মিলিয়েছে; কিন্তু মিসগুলো কেন্দ্রীভূত হয়েছে সূক্ষ্ম ফিল্ডগুলোতে (subgroup analyses, methodological quality assessments), এবং hallucinations কেন্দ্রীভূত হয়েছে এমন ফিল্ডগুলোতে যেখানে পেপারটি বলেছে “not reported”, তবু AI বিশ্বাসযোগ্য (plausible) মান বানিয়ে ফেলেছে। সারকথা: AI extraction সাধারণ routine ফিল্ডে একটি একক মানব রিভিউয়ারের সাথে প্রতিযোগিতামূলক, কিন্তু সূক্ষ্ম ফিল্ডে ভেরিফিকেশন পাস ছাড়া নির্ভরযোগ্য নয়।

উপরের চার-প্রম্পট ওয়ার্কফ্লো দিয়ে সিঙ্গেল-পেপার extraction-এর ক্ষেত্রে আমরা ইন-টেক্সট citation সংরক্ষণের জন্য Claude Sonnet সুপারিশ করি। প্রিডিফাইনড extraction fields সহ multi-paper systematic review-এর ক্ষেত্রে সুপারিশ হলো Elicit বা Scholarcy, একজন মানব দ্বিতীয় রিভিউয়ারের সাথে। structured extraction নয়, বরং lit-review prose summarization-এর জন্য পছন্দ NotebookLM।

AI দিয়ে extraction কীভাবে যাচাই করবেন এবং ১০ শতাংশ hallucination ধরবেন?

ভেরিফিকেশন ধাপটিই হলো সেই অংশ, যেটি বেশিরভাগ ওয়ার্কফ্লো বাদ দেয়, এবং এ কারণেই AI extraction-এর যে খ্যাতি, সেটি তৈরি হয়েছে। এই চেক করতে প্রতি পেপারে ১০ মিনিট লাগে এবং প্রায় সব ভ্রান্ত মান ধরা পড়ে।

1. Numeric spot-check. মূল PDF খুলুন। AI-এর results extraction থেকে তিনটি সংখ্যা বেছে নিন (sample size, primary effect size, একটি p-value)। AI যে বাক্য উদ্ধৃত করেছে, সেই source sentence-এর বিপরীতে প্রতিটি সংখ্যা মিলিয়ে নিন। AI যদি এমন কোনো বাক্য কোট করে যেখানে সংখ্যাটি নেই, তাহলে বুঝবেন AI hallucinate করেছে; তখন প্রম্পটটি নতুন করে চালান, স্পষ্ট নির্দেশ দিয়ে “quote only sentences that contain the numeric value”।

2. Hedge preservation check. AI-এর discussion extraction পড়ুন। মূল পেপারে থাকা প্রতিটি “may,” “suggests,” “consistent with,” “preliminary,” এবং “exploratory”, AI আউটপুটে আছে কি না নিশ্চিত করুন। AI যদি “may suggest”-কে “demonstrates” দিয়ে বদলে ফেলে, তাহলে extraction প্রযুক্তিগতভাবে ঠিক হলেও তা বিভ্রান্তিকর।

3. Limitations completeness check. মূল পেপারের discussion এবং limitations সেকশন স্ক্যান করুন। limitations গুনুন। AI-এর limitations bullet তালিকার সাথে মিলান। একটির বেশি গ্যাপ থাকলে, limitations prompt আবার চালানোর একটি সতর্ক সংকেত।

4. Citation chain check. AI-এর discussion extraction থেকে দুটি রেফারেন্স বেছে নিন। দুটিই বাস্তব কিনা (hallucinated নয়) নিশ্চিত করুন, এবং cited claim যে আসলে মূল উৎসে কী বলা আছে তার সাথে মেলে কিনা যাচাই করুন। আমাদের hallucinated-citation audit ব্যর্থতার ধরনগুলো কভার করে; সংক্ষিপ্তভাবে বললে, আমাদের টেস্ট সেটে AI extractors প্রায় ৩ শতাংশ রেফারেন্স hallucinate করেছে।

চার ধাপের এই ভেরিফিকেশনই সবচেয়ে ছোট ওয়ার্কফ্লো, যা Cochrane স্টাডিতে রিপোর্ট করা hallucination রেট ধরে। এই চার ধাপের যেকোনো একটি বাদ দিলে প্রতি পেপারে ২ থেকে ৩ মিনিট বাঁচতে পারে, কিন্তু extraction-এ খারাপ ডেটার হার ৫ থেকে ১০ শতাংশে নেমে যেতে পারে। systematic-review কাজে এই ট্রেডটি সবসময়ই ভুল; casual reading-এ কখনও কখনও কাজ করে।

ডোমেইন-নির্দিষ্ট extraction-এর কিছু সতর্কতা

চার-প্রম্পট ওয়ার্কফ্লো সাধারণভাবে প্রয়োগ করা যায়, কিন্তু চারটি স্টাডি ডিজাইনে এমন ব্যর্থতা রয়েছে যেগুলো জানা দরকার, প্রম্পট চালানোর আগে।

Randomized controlled trials. CONSORT-স্টাইল কাঠামোই AI extraction-এর ক্ষেত্রে সবচেয়ে নির্ভরযোগ্য; sample size, primary outcome, এবং effect sizes সাধারণত স্পষ্টভাবে লেবেল করা থাকে। সমস্যাটা হয় subgroup analyses-এ: AI extractors নিয়মিত post-hoc subgroup-কে pre-specified হিসেবে রিপোর্ট করে, যা findings-এর certainty ফুলিয়ে দেয়। methods সেকশনে subgroup pre-specification ভাষা ("pre-specified" বনাম "exploratory" বনাম "post-hoc") সবসময় দেখুন এবং AI যদি distinction ধরে না রাখে, তাহলে আবার প্রম্পট দিন।

Qualitative studies. “results” হলো থিম এবং উদ্ধৃতি (quotes), সংখ্যা নয়। AI extractors qualitative results-কে অতিরিক্তভাবে কম্প্রেস করে অল্প কয়েকটি থিমে পরিণত করে এবং সেই সমৃদ্ধ verbatim quotes হারায়, যেগুলো qualitative কাজকে ব্যাখ্যাযোগ্য করে। qualitative পেপারের জন্য results prompt দুবার চালান: একবার থিমের জন্য, আরেকবার প্রতি থিমে representative quotes-এর জন্য।

Meta-analyses এবং systematic reviews. “primary outcome” হলো একটি pooled effect size, heterogeneity পরিসংখ্যানসহ। AI extractors প্রায়ই pooled effect রিপোর্ট করে, কিন্তু I-squared বা tau-squared মান বাদ দেয়, যেগুলো বলে দেয় পুলের মধ্যে heterogeneity কতটা। meta-analytic পেপারের জন্য results prompt-এ স্পষ্ট নির্দেশ যোগ করুন: “report I-squared and tau-squared if present”।

Observational studies. “intervention” হলো randomized intervention নয়, এটি একটি exposure, এবং বিশ্লেষণ পরিকল্পনায় থাকে confounding adjustment। AI extractors প্রায়ই multivariable মডেলে কোন কোন confounder adjust করা হয়েছে সেই তালিকা বাদ দেয়, ফলে residual confounding ঝুঁকি বিচার করা অসম্ভব হয়ে পড়ে। methods prompt-এ স্পষ্ট নির্দেশ যোগ করুন: “list every confounder included in the multivariable model”।

বিশেষভাবে systematic review কাজের জন্য আমাদের PDF summarization workflow বৃহত্তর অপারেশনাল ধাপগুলো কভার করে, এবং ChatPDF vs Scholarcy vs SciSummary comparison বলে দেয় কোন টুল কোন ডিজাইনের সাথে জোড়া লাগানো উচিত।

আপনার রেফারেন্স-ম্যানেজার ওয়ার্কফ্লোতে কীভাবে AI extraction যুক্ত করবেন?

চার-প্রম্পট extraction একটি structured output তৈরি করে। এরপর সেটি কোথায় থাকে, সেটাই follow-up প্রশ্ন। আমাদের সম্পাদকীয় ক্লায়েন্টদের জন্য তিনটি প্যাটার্ন কাজ করে।

Pattern 1: Zotero বা Mendeley-তে Notes ফিল্ড। চার-প্রম্পট আউটপুটগুলো পেপারের reference entry-এর Notes ফিল্ডে পেস্ট করুন। লেখার সময় citation-এর পাশে দৃশ্যমান, searchable, এবং portable, অর্থাৎ ব্যক্তিগত গবেষকদের জন্য সবচেয়ে কম ঘর্ষণ (lowest-friction) অপশন।

Pattern 2: Spreadsheet extraction matrix। systematic review-এর ক্ষেত্রে চার-প্রম্পট আউটপুটগুলো Covidence বা Excel extraction matrix-এর সাথে সরাসরি মানচিত্রিত হয়: এক সারি প্রতি পেপার, আর এক কলাম প্রতি ফিল্ড। AI extraction হলো প্রথম পাস; মানব দ্বিতীয় রিভিউয়ার একই ম্যাট্রিক্স পূরণ করে এবং বৈষম্য থাকলে সেটি adjudicate করে। এই প্যাটার্নটাই ২০২৫ সালের Helms Andersen Cochrane স্টাডি যাচাই করেছে।

Pattern 3: Obsidian বা Notion, প্রতি পেপারের আলাদা নোট। PhD-এর lit review-এ যেখানে লেখালেখি পড়ার পাশাপাশি হয়, সেখানে চারটি IMRaD সেকশনকে হেডিং হিসেবে রেখে প্রতি পেপারের জন্য একটি structured note তৈরি করলে সেটি হয়ে ওঠে একটি queryable knowledge base। methodology অনুযায়ী, population অনুযায়ী, outcome অনুযায়ী ট্যাগ দিন; ড্রাফটিংয়ের সময় ট্যাগ দিয়ে query করুন।

আপনার ওয়ার্কফ্লোর সাথে যেই প্যাটার্নটি মানায়, শর্তটা একই: AI-এক্সট্র্যাক্টেড আউটপুট হলো একটি draft, প্রাথমিক উৎস নয়। আপনার লেখায় যেসব দাবিই টিকে থাকবে, সেগুলোর প্রতিটি ক্ষেত্রে আসল পেপারের বিপরীতে একটি verification pass দরকার; এবং যেসব রেফারেন্স টিকে থাকবে, সেগুলোর জন্য দরকার সেই citation-chain check, যেটি our AI proofreader সাবমিশনের আগে আপনার manuscript-এর বিরুদ্ধে চালায়। আমরা our own AI summarizer তৈরি করেছি যাতে ডিফল্টভাবে চার-প্রম্পট IMRaD ওয়ার্কফ্লো source-anchored quotes সহ চালানো যায়, ফলে verification ধাপটি ছোট হয়, বাদ পড়ে না।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলি

প্রশ্ন: ২০২৬ সালে গবেষণাপত্র থেকে মূল ফলাফল আহরণের জন্য সেরা AI টুল কোনটি?

চার-প্রম্পট IMRaD ওয়ার্কফ্লো দিয়ে সিঙ্গেল-পেপার deep extraction-এর ক্ষেত্রে আমাদের সুপারিশ Claude Sonnet; ইন-টেক্সট citation preservation এবং hedge handling আমাদের বেঞ্চমার্কে সবচেয়ে শক্তিশালী। প্রিডিফাইনড ফিল্ডসহ multi-paper systematic-review extraction-এর ক্ষেত্রে সুপারিশ Elicit (২০২৫ Cochrane স্টাডিতে মানব রিভিউয়ারদের বিপরীতে যাচাই করা হয়েছে) বা Scholarcy (সবচেয়ে শক্তিশালী structured-data export)। citation-traceable lit-review ব্যাচ কাজের জন্য NotebookLM প্রাসঙ্গিক স্কেলে ফ্রি।

প্রশ্ন: AI কি গবেষণাপত্রের methodology সেকশন সঠিকভাবে আহরণ করতে পারে?

রুটিন ফিল্ডগুলোর ক্ষেত্রে প্রায় ৭৮ শতাংশ নির্ভুল, ২০২৫ সালের Helms Andersen Cochrane তুলনার ভিত্তিতে। বাকি ২২ শতাংশ ভাগ হয় missed details (১২ শতাংশ) এবং যে ফিল্ডগুলো পেপারটি রিপোর্ট করেনি সেগুলোর জন্য hallucinated values (১০ শতাংশ)–এ। চার-প্রম্পট ওয়ার্কফ্লো ও ভেরিফিকেশন পাস প্রায় সব hallucination ধরে; আর missed details, যে ক্ষেত্রেই হোক, মানব রিভিউয়ারের প্রয়োজন হয়। systematic review-এ মানব নজরদারিসহ AI একজন সক্ষম দ্বিতীয় রিভিউয়ার; আর casual reading-এ verification ছাড়া AI extraction অনির্ভরযোগ্য।

প্রশ্ন: PDF থেকে IMRaD সেকশন আহরণ করতে আমি ChatGPT বা Claude-কে কীভাবে প্রম্পট করব?

একই চ্যাট সেশনে চারটি প্রম্পট ক্রমানুসারে চালান: একটি methods-এর জন্য, একটি results-এর জন্য, একটি discussion-এর জন্য, এবং একটি limitations-এর জন্য। প্রতিটি প্রম্পটকে বলুন যেন, প্রতিটি আহরিত তথ্যের জন্য AI ঠিক source-এর sentence কোট করে এবং “infer missing values” না করে “not reported” লিখে। চার-প্রম্পট ওয়ার্কফ্লো সেকশনে উপরের সম্পূর্ণ প্রম্পট টেমপ্লেটগুলো আছে। একটি মাত্র “summarize this paper” প্রম্পট এড়িয়ে চলুন; structured per-section পদ্ধতিই ৭৮ শতাংশ accuracy রেট এনে দেয়।

প্রশ্ন: আমি কীভাবে যাচাই করব যে AI কোনো পেপার থেকে সঠিক সংখ্যা আহরণ করেছে?

চার ধাপের ভেরিফিকেশন: তিনটি মানের জন্য আসল PDF-এর বিপরীতে numeric spot-check, মূল discussion সেকশনের বিপরীতে hedge preservation check, মূল limitations সেকশনের বিপরীতে limitations completeness check, এবং AI যে দুটি রেফারেন্স কোট করেছে তার বিপরীতে citation chain check। পুরো যাচাই সাধারণত প্রতি পেপারে প্রায় ১০ মিনিট লাগে এবং চার-প্রম্পট ওয়ার্কফ্লো যা উৎপন্ন করে তার প্রায় সব ভ্রান্ত মান ধরতে পারে।

প্রশ্ন: আমি কি AI extraction ব্যবহার করে PRISMA-compliant systematic review করতে পারি?

হ্যাঁ, কিছু শর্তসাপেক্ষে। PRISMA 2020 AI extraction নিষিদ্ধ করে না, এবং ২০২৫ সালের Cochrane methodology কাজ শুরু হয়েছে মানব এক্সট্র্যাক্টরের পাশাপাশি AI-কে দ্বিতীয় রিভিউয়ার হিসেবে বৈধতা দেওয়ার দিক থেকে। বর্তমান সম্মতি হলো, AI extraction গ্রহণযোগ্য, যখন এটি দুইজন রিভিউয়ারের একজন হিসেবে ব্যবহৃত হয়; মানব রিভিউয়ার একই ফিল্ড স্বাধীনভাবে এক্সট্র্যাক্ট করে এবং বৈষম্য থাকলে সেটি adjudicate করে। কেবলমাত্র একজন রিভিউয়ার হিসেবে AI extraction এখনও পদ্ধতিগতভাবে defensible নয়; মানবের সাথে দ্বিতীয় রিভিউয়ার হিসেবে AI ব্যবহার করা, প্রাসঙ্গিকভাবে defensible। Cochrane Evidence Synthesis-এ Helms Andersen 2025 পেপারটিতে যাচাই সংক্রান্ত বিস্তারিত আছে।