কীভাবে AI দিয়ে একটি PDF সারসংক্ষেপ করবেন (এবং উদ্ধৃতি ঠিক রাখবেন)

কোনো PDF সারসংক্ষেপ করতে AI ব্যবহার করার ক্ষেত্রে সবচেয়ে কঠিন অংশটি হলো, বিশ্বাস/আস্থা। সারাংশটি সাধারণত ভালোই শোনায়, কিন্তু সেটার সাথে যুক্ত উদ্ধৃতিগুলো বাস্তব নাও হতে পারে। আমরা যে দ্বিতীয় বর্ষের পিএইচডি প্রার্থীকে কোচ করি, তিনি একটি সিস্টেমেটিক রিভিউয়ের মাঝপথে এটি বুঝতে পারেন, পেছনে ছিল ১৮৭টি PDF অপেক্ষমাণ। তখন তিনি দেখেন যে তার সারসংক্ষেপ স্প্রেডশিটে সমস্যা হচ্ছে। আনুমানিক ৬০টি এন্ট্রি এমন সব পেপারকে উদ্ধৃত করেছিল যেগুলো আসলে উৎস PDF-গুলোতে পাওয়া যায়নি। তিনি যে টুলটি ব্যবহার করেছিলেন, এক ধরনের ফ্রি ChatGPT-স্টাইল PDF সারসংক্ষেপকারী, তা প্রশিক্ষণ-তথ্য স্মৃতি থেকে সহজভাবে সহায়ক উদ্ধৃতি তৈরি করছিল এবং সেগুলোকে যাচাই ছাড়াই সারাংশের বাক্যের সাথে জুড়ে দিচ্ছিল যে উল্লিখিত পেপারটি আসল নথিতেই আছে কি না। তিনি প্রথম দশটি এন্ট্রি একবার চোখ বুলিয়ে (spot-check) না দেখলে, এসব “ফ্যান্টম সাইটেশন” তার থিসিসে ঢুকে যেত। পরিষ্কার/সংশোধনের কাজটি দুই সপ্তাহ লেগেছিল।

২০২৬ সালে একাডেমিক PDF সারসংক্ষেপ করতে AI ব্যবহার করার সবচেয়ে কেন্দ্রীয় ঝুঁকিটাই হলো এই ব্যর্থতার ধরন। সারাংশ নিজেই সাধারণত যথার্থ থাকে; কিন্তু সেটার সাথে যুক্ত উদ্ধৃতিগুলো প্রায়ই থাকে না। ঝুঁকির দুইটি রূপ আছে। প্রথমটি বাদ পড়ে যাওয়া (omission): সারাংশ এমন একটি প্যারাগ্রাফ ভেঙে/সংকুচিত করে যেখানে তিনটি উৎস উল্লেখ ছিল, এবং পরে সেটিকে একটিমাত্র দাবিতে রূপ দেয় কিন্তু কোনো attribution (কাকে/কোন উৎসে উল্লেখ) রাখে না, ফলে পরে দাবিটি রক্ষা করার যে “চেইন” দরকার, সেটি ভেঙে যায়। দ্বিতীয়টি হ্যালুসিনেশন: মডেল প্রশিক্ষণ-স্মৃতি থেকে সাবলীলভাবে উদ্ধৃতি তৈরি করে যা দেখতে বিশ্বাসযোগ্য, কিন্তু আসলে উৎস PDF-এ থাকে না। দুটোই সহজে এড়ানো যায় না, আর পরে ধরে ফেলা কঠিন।

এই পোস্টে এমন একটি ওয়ার্কফ্লো দেখানো হয়েছে যা, এই দুই ধরনের ব্যর্থতা প্রতিরোধ করে। আমরা আলোচনা করি কেন জেনেরিক PDF সারসংক্ষেপকারী উদ্ধৃতি ছেঁটে ফেলে বা হ্যালুসিনেট করে, উদ্ধৃতি-সেফ সারাংশে কোন চার ধরনের মেটাডেটা সংরক্ষণ করা উচিত, যাচাইযোগ্য সারাংশ তৈরি করে এমন ধাপে ধাপে প্রক্রিয়া, একটি ভালো উদ্ধৃতি-সেফ সারাংশ দেখতে আসলে কেমন, সংক্ষিপ্ত টুল নির্বাচন নোট, এবং প্রতিটি গবেষকের যে সাধারণ ব্যর্থতাগুলো ধরা উচিত সেগুলো।

কীভাবে PDF AI-এর উদ্ধৃতি আউটপুট সারসংক্ষেপ করবেন, যাতে রেফারেন্স হারিয়ে না যায়?

একটি citation-aware টুল বেছে নিন, জেনেরিক সারসংক্ষেপকারী নয়: NotebookLM প্রতিটি সারাংশ বাক্যকে PDF-এর উৎস স্প্যানের (source span) সাথে অ্যাঙ্কর করে, ফলে হ্যালুসিনেটেড উদ্ধৃতি স্থাপত্যগতভাবে (architecturally) কঠিন হয়ে পড়ে। মডেলকে উৎসের ভেতরে থাকা যেকোনো ইন-টেক্সট উদ্ধৃতি (in-text citations) সংরক্ষণ করতে বলুন, প্রতিটি দাবির জন্য কোন পেজে তা আছে উল্লেখ করতে বলুন, এবং অনুমান/ইনফারেন্স (inferences) স্পষ্টভাবে চিহ্নিত করতে বলুন। এরপর পুরো ব্যাচে আস্থা রাখার আগে, প্রথম তিনটি সারাংশে থাকা উদ্ধৃতিগুলো উৎস PDF-এর সাথে যাচাই করুন।

কেন জেনেরিক AI PDF সারসংক্ষেপকারী উদ্ধৃতি ছেঁটে ফেলে বা হ্যালুসিনেট করে?

এর স্থাপত্যগত কারণটি হলো, আমরা পুরো ম্যানুস্ক্রিপ্টের জন্য হ্যালুসিনেটেড উদ্ধৃতি বিষয়ক পোস্টে যে কারণটি দেখিয়েছি, LLM টোকেনাইজারের উদ্ধৃতি-স্প্যানের জন্য আলাদা কোনো বিশেষ মর্যাদা নেই। একটি মডেল যখন PDF সারসংক্ষেপ করে, তখন এটি উৎসকে টোকেনের একটি ধারাবাহিকতা হিসেবে পড়ে এবং এমন একটি সারাংশ তৈরি করে যা কনটেন্টকে আনুমানিকভাবে প্রতিফলিত করে। উৎসে থাকা উদ্ধৃতি ("(Smith, 2024)") অন্য যেকোনো টোকেনের মতোই টোকেন। আউটপুটের উদ্ধৃতি আসতে পারে তিনটি উৎসের যেকোনো একটি থেকে: উৎস থেকে কপি করা (সবচেয়ে ভালো ক্ষেত্র), স্মৃতি থেকে পুনরায় তৈরি করা (উচ্চ ঝুঁকি), অথবা একেবারেই বাদ পড়ে যাওয়া (সবচেয়ে সাধারণ ব্যর্থতা)।

এই তিনটি আচরণ বিভিন্ন টুলে ভিন্নভাবে দেখা যায়। ChatGPT-এর ডিফল্ট PDF সারসংক্ষেপ ছোট, পরিষ্কার প্যাসেজে থাকলে ইন-টেক্সট উদ্ধৃতি তুলনামূলকভাবে ধরে রাখে; কিন্তু ঘন (dense) প্যারাগ্রাফে গেলে এগুলো বাদ পড়ে বা নতুনভাবে লেখা হয়। Claude স্মৃতি থেকে উদ্ধৃতি তৈরি করতে তুলনামূলকভাবে বেশি সংযত, তবে লম্বা ডকুমেন্টে তবুও কিছু উদ্ধৃতি বাদ যেতে পারে। NotebookLM সবচেয়ে শক্তিশালী, কারণ এটি প্রতিটি সারাংশ বাক্যকে PDF-এর উৎস স্প্যানের সাথে অ্যাঙ্কর করে; ফলে “হ্যালুসিনেশন” শুধু নিরুৎসাহিত নয়, স্থাপত্যগতভাবেই কঠিন হয়ে পড়ে। Scholarcy একাডেমিক-নির্দিষ্ট এবং এই ইউজ-কেসের জন্য তৈরি, কিন্তু সারাংশের গ্রানুলারিটি (granularity) কখনও কখনও এমন হয় যে উদ্ধৃতির ঘনত্ব (citation density) যে মাত্রার প্রয়োজন তার চেয়ে বেশি/কম খাপ খায় না।

প্রকৌশলগত (operational) ইঙ্গিতটি হলো: সারসংক্ষেপের ক্ষেত্রে টুল নির্বাচনের গুরুত্ব অনুবাদের চেয়ে বেশি। একটি সাধারণ উদ্দেশ্য LLM, যেখানে উদ্ধৃতি-অ্যাঙ্করিংয়ের শৃঙ্খলা নেই, এমন সারাংশ তৈরি করবে যা সাবলীল এবং নিশ্চিতভাবে উৎস-সমর্থিত মনে হবে, কিন্তু আংশিকভাবে ভুল হতে পারে। একটি citation-aware টুল এমন সারাংশ তৈরি করবে যা কখনও কম নান্দনিক শোনাতে পারে, কিন্তু ধারাবাহিকভাবে ট্রেস করা যায়। যে কোনো সারাংশ যদি আপনার নিজের লেখাকে প্রভাবিত করে, তাহলে দ্বিতীয়টি বেছে নিন।

উদ্ধৃতি-সেফ সারাংশ যে চার ধরনের মেটাডেটা সংরক্ষণ করে

সব সারাংশের একই মাত্রার উদ্ধৃতি-সংক্রান্ত ব্যবস্থাপনা দরকার হয় না। নিচের চার ধরনের মেটাডেটা হলো “মেনু”; আপনার ইউজ-কেসের সাথে যে মাত্রাটি মেলে সেটি বেছে নিন।

1. উৎসের ইন-টেক্সট উদ্ধৃতি। উৎস PDF যখন বলে "(Martinez & Chen, 2024) found that...", তখন উদ্ধৃতি-সেফ সারাংশ সেই attribution-টি সারাংশের মধ্যেই সংরক্ষণ করবে। সারাংশটি এমনভাবে সংকুচিত করা উচিত নয় যে "researchers have found that..." ধরনের সাধারণ বাক্যে হারিয়ে যায়, কিংবা যে দাবিটি করা হয়েছে সেটিকে উদ্ধৃত উৎসের বদলে পেপারের লেখকদের সাথে ভুলভাবে অ্যাট্রিবিউট না করে। ইন-টেক্সট উদ্ধৃতি হলো মূল প্রমাণে ফেরার সেই “চেইন”; এটি হারালে চেইন ভেঙে যায়।

2. রেফারেন্স তালিকার অ্যাঙ্কর। সারাংশে এমন যথেষ্ট মেটাডেটা থাকা উচিত, যেমন উৎস পেপার সম্পর্কে লেখক, বছর, জার্নাল, DOI, যাতে আপনি আপনার নিজের কাজে সেটি সঠিকভাবে উদ্ধৃত করতে পারেন, PDF আবার খুলতে না হয়। বেশিরভাগ টুল এটি তুচ্ছভাবে (trivially) করে; ব্যর্থতার ধরনটি ঘটে যখন টুলটি আসল পেপারের DOI বা বছর থেকে ভিন্ন কিছু তৈরি করে, যদিও এটি বিরল, তবুও প্রতি ব্যাচে একবার যাচাই করা মূল্যবান।

3. পেজ বা সেকশন অ্যাঙ্কর। সারাংশের বাক্যটি এমনভাবে উৎসের নির্দিষ্ট পেজ বা সেকশনের সাথে লিঙ্ক করা উচিত যেখানে দাবিটি আছে। NotebookLM এটি নেটিভভাবেই করে; Sharly AI পেজ রেফারেন্স দেয়; Claude এবং ChatGPT সাধারণত পেজ নম্বর দেয় না, যদি না আপনি স্পষ্টভাবে পেজ নম্বর অন্তর্ভুক্ত করতে বলেন। পেজ অ্যাঙ্কর হলো লেখার সময় পুরো পেপার আবার না পড়ে দাবিটি যাচাই করতে যে সুবিধা দেয়।

4. কনফিডেন্স ফ্ল্যাগ। সারাংশটি যদি আলাদা করে দেয় যে "পেপারটি বলে X" বনাম "আমি অনুমান করছি পেপারটি মানে X", তাহলে এমন সারাংশ একটি সমান দাবিতে সবকিছু চ্যাপ্টা করে দেওয়া সারাংশের চেয়ে বেশি উপকারী। কিছু টুল (NotebookLM, Scholarcy) এই পার্থক্য বজায় রাখে; অধিকাংশ LLM-ভিত্তিক টুল তা ভেঙে দেয়। সমাধানটি প্রম্পট-লেভেলে: অনিশ্চিত ইনফারেন্সগুলোকে মডেল যেন স্পষ্টভাবে মার্ক করে, এটা চাইতে হবে।

যে সারাংশ এই চার ধরনের মেটাডেটা, সবকটিই ধরে রাখে, তা তৈরি করতে বেশি সময় লাগে এবং যেটি এগুলো ধরে না সেটির চেয়ে কম নান্দনিকভাবে পড়ে। কিন্তু এটি আপনার নিজের লেখায় উদ্ধৃত করা যায়, একমাত্র এমন সারাংশ। যে উৎস আপনার কাজে ব্যবহার করবেন, সেক্ষেত্রে এই ট্রেড-অফ মূল্যবান।

কীভাবে কোনো একাডেমিক PDF সারসংক্ষেপ করবেন, যাতে উদ্ধৃতিগুলো না হারায়?

পাঁচটি ধাপ। ওয়ার্কফ্লোটি ধরে নেয় আপনি লিটারেচার রিভিউ বা সিস্টেমেটিক-রিভিউ উদ্দেশ্যে কয়েকটি PDF-এর একটি ব্যাচ সারসংক্ষেপ করছেন; একক পেপারের ক্ষেত্রে ধাপ ১ এড়িয়ে যান।

ধাপ 1: PDF-গুলো স্ট্যান্ডার্ডাইজ করুন। নিশ্চিত করুন আপনার ব্যাচের প্রতিটি PDF থেকে টেক্সট এক্সট্র্যাক্ট করা যায় (স্ক্যান করা ছবি নয়)। যেসব স্ক্যান করা PDF আছে সেগুলোর ওপর OCR চালান (ABBYY FineReader, Adobe Acrobat Pro, অথবা ফ্রি Tesseract পাইপলাইন)। OCR ছাড়া স্ক্যান করা PDF-এ সারসংক্ষেপের মান সবসময়ই খারাপ; উদ্ধৃতিগুলো বিশেষভাবে এলোমেলো অক্ষর-স্ট্রিং হিসেবে বেরিয়ে আসে। এই ধাপটি প্রতি PDF-এ ১০ থেকে ৩০ সেকেন্ড সময় নেয়।

ধাপ 2: ডকুমেন্টের দৈর্ঘ্য ও উদ্ধৃতির ঘনত্ব দেখে টুল নির্বাচন করুন। ২০ পৃষ্ঠার কম দৈর্ঘ্যের একটি একক পেপার এবং স্বাভাবিক উদ্ধৃতি ঘনত্ব (৬০টির কম রেফারেন্স) হলে, ফাইল-আপলোড ইন্টারফেস দিয়ে Claude Sonnet ব্যবহার করে সারসংক্ষেপ করাই সুপারিশ। লিটারেচার রিভিউয়ের জন্য প্রক্রিয়াধীন বহু পেপারের ব্যাচে, যেখানে source-span traceability অত্যন্ত গুরুত্বপূর্ণ, সেখানে NotebookLM সুপারিশ। সিস্টেমেটিক রিভিউতে যেখানে স্ট্রাকচার্ড ডেটা এক্সট্র্যাকশন দরকার (sample size, intervention, outcome), সেখানে Scholarcy অথবা একটি কাস্টম Claude প্রম্পট সুপারিশ। উদ্ধৃতি-সেফটির জন্য প্রম্পট ইঞ্জিনিয়ারিংয়ের চেয়ে টুল নির্বাচন বেশি গুরুত্বপূর্ণ।

ধাপ 3: এই চার ধরনের মেটাডেটার জন্য স্পষ্টভাবে প্রম্পট দিন। জেনেরিক "summarize this paper" প্রম্পটগুলো এমন সারাংশ তৈরি করে যা উদ্ধৃতি ফেলে দেয়। আমাদের ব্যবহৃত একটি প্রম্পট টেমপ্লেট:

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

প্রম্পট যোগ করার ওভারহেড বাস্তব (~৫০ টোকেন), তবে আউটপুট-মানের পার্থক্য তাৎপর্যপূর্ণ। NotebookLM-এর এই প্রম্পটের দরকার নেই, কারণ এর স্থাপত্যই ধাপ 1-3 স্বয়ংক্রিয়ভাবে সামলে নেয়; Claude এবং ChatGPT, দুটোই, এটির মাধ্যমে যথেষ্ট উন্নত হয়।

ধাপ 4: ব্যাচে আস্থা রাখার আগে প্রথম তিনটি সারাংশের উদ্ধৃতি যাচাই করুন। প্রথম তিনটি পেপারের উৎস PDF খুলুন এবং সারাংশে থাকা প্রতিটি ইন-টেক্সট উদ্ধৃতি আসলেই উৎসে আছে কি না নিশ্চিত করুন। যদি সারাংশে এমন উদ্ধৃতি দেখেন যা উৎসে নেই, তাহলে টুলটি হ্যালুসিনেট করছে; টুল বদলান বা প্রম্পট আরও টাইট করুন। এটিই একমাত্র চেক যা, আমরা পোস্টের শুরুতে যে সিস্টেমেটিক-রিভিউ ব্যর্থতার প্যাটার্ন দেখিয়েছি, সেটা ধরে ফেলে।

ধাপ 5: মেটাডেটা অক্ষুণ্ণ রেখে স্ট্রাকচার্ড ফরম্যাটে এক্সপোর্ট করুন। প্রতি পেপার প্রতি এক সারি এবং (citation, summary, page references, methodology details, your notes) কলামসহ একটি স্প্রেডশিট, ডাউনস্ট্রিম রাইটিংয়ের জন্য সারাংশকে ব্যবহারযোগ্য রাখে। ফ্রি-টেক্সট এক্সপোর্ট এড়িয়ে চলুন, যা “প্রতি পেপার প্রতি সারি” কাঠামো হারিয়ে ফেলে। যেসব টুল CSV বা BibTeX-with-notes-এ এক্সপোর্ট করে সেগুলো রেফারেন্স ম্যানেজারে ইন্টিগ্রেট করা সহজ।

সম্পূর্ণ ওয়ার্কফ্লোটি প্রতি PDF-এ মোটামুটি পাঁচ থেকে দশ মিনিট লাগে, যার মধ্যে প্রায় ৬০ শতাংশই হলো যাচাই ধাপ (ধাপ 4)। এই যাচাই ধাপই একটি citation-safe সারাংশকে, ফ্লুয়েন্ট কিন্তু ভুল, ধরনের সারাংশ থেকে আলাদা করে।

উদ্ধৃতি-সেফ সারাংশ আসলে কেমন দেখায়?

চার-মেটাডেটা স্ট্যান্ডার্ডকে কংক্রিট করতে, একই পেপারকে দুইভাবে সারসংক্ষেপ করার একটি উদাহরণ।

উদ্ধৃতি-ব্লাইন্ড সারাংশ (জেনেরিক ChatGPT ডিফল্ট):

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

এই সারাংশটি সাবলীল এবং দক্ষতার মতো শোনায়। কিন্তু উদ্ধৃতির দৃষ্টিতে এটি একেবারেই অকেজো। পেপারটি যে মূল উৎসগুলো উদ্ধৃত করেছে, সেগুলোর সাথে দাবিগুলোর কোনো attribution নেই। "researchers found" ধরনের ফ্রেমিং কোনো internal citation-ই একক কণ্ঠে (single voice) গুটিয়ে দেয়। যাচাইয়ের জন্য কোনো পেজ রেফারেন্স নেই। আপনি যদি আপনার নিজের কাজে এটি উদ্ধৃত করতে চান, তাহলে আপনাকে PDF আবার খুলতে হতো।

উদ্ধৃতি-সেফ সারাংশ (NotebookLM-স্টাইল, স্পষ্ট প্রম্পটসহ):

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

সম্পূর্ণ উদ্ধৃতি: Kowalski, M., Singh, R., & Patel, A. (2024).
বয়স্ক প্রাপ্তবয়স্কদের মধ্যে জ্ঞানীয় প্রশিক্ষণ: একটি ১২-সপ্তাহের র্যান্ডমাইজড ট্রায়াল।
Journal of Cognitive Enhancement, 18(3), 234-251.
https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

দ্বিতীয় সারাংশটি মোটামুটি প্রথমটির প্রায় দ্বিগুণ লম্বা। এটি আপনাকে PDF আবার না খুলেও এই পেপারকে সঠিকভাবে উদ্ধৃত করে একটি লিটারেচার-রিভিউ প্যারাগ্রাফ লিখতে দেয়। উৎসের প্রতিটি ইন-টেক্সট উদ্ধৃতি সংরক্ষিত আছে। পেজ রেফারেন্সগুলো স্পষ্ট। ইনফারেন্সটি চিহ্নিত করা হয়েছে। পুরো রেফারেন্সটি আপনার রেফারেন্স ম্যানেজারে পেস্ট করার জন্য প্রস্তুত।

আপনি যেকোনো উৎস নিজের কাজে উদ্ধৃত করবেন, সেখানে দ্বিতীয় ফরম্যাটটাই ন্যূনতম মানদণ্ড।

এক অনুচ্ছেদে টুল নির্বাচন

আমাদের বিস্তৃত AI লিটারেচার রিভিউ ওয়ার্কফ্লো পোস্ট বহু-পেপারের কেস কভার করে; উদ্ধৃতি-সেফ PDF সারসংক্ষেপের জন্য সংক্ষিপ্ত টুল-নির্বাচন ভার্সন হলো: traceable citation-anchored সারাংশের জন্য NotebookLM (ফ্রি, Google account প্রয়োজন, লিটারেচার-রিভিউ ব্যাচের জন্য সেরা); একবারে একটি একক লম্বা PDF সারসংক্ষেপের জন্য file upload দিয়ে Claude Sonnet (২০০K কনটেক্সট উইন্ডো প্রায় সব জার্নাল আর্টিকেল এক পাসে সামলায়); সিস্টেমেটিক রিভিউতে structured-data extraction-এর জন্য Scholarcy (পেইড, তবে structured output ঘণ্টা বাঁচায়); পড়ার সময় একটি একক PDF-এর বিরুদ্ধে conversational Q&A-এর জন্য ChatPDF ("এই পেপার X সম্পর্কে কী বলে?", এ ধরনের প্রশ্নের জন্য ভালো)। আমাদের নিজস্ব AI সারসংক্ষেপকারী উপরে বর্ণিত চার-মেটাডেটা স্ট্যান্ডার্ড দিয়ে citation-preservation প্যাটার্নকে মোড়ায়। আপনি যে কোনো উৎস নিজের কাজে উদ্ধৃত করবেন, তার জন্য জেনেরিক ফ্রি PDF সারসংক্ষেপকারী এড়িয়ে চলুন; হ্যালুসিনেশনের ঝুঁকি বাস্তব।

সাধারণ ব্যর্থতা এবং কীভাবে ধরবেন

যে সাহিত্য-পর্যালোচনাগুলো আমরা অডিট করেছি, সেখানে আমরা পাঁচটি ব্যর্থতার ধরন দেখি। প্রতিটির আলাদা নির্দিষ্ট সমাধান আছে।

ব্যর্থতা ১: হ্যালুসিনেটেড সহায়ক উদ্ধৃতি। সারাংশ এমন একটি দাবিকে এমনভাবে অ্যাট্রিবিউট করে যেন সেটা এমন এক পেপারে আছে, যা উৎস PDF-এ বাস্তবে নেই। সমাধান: কোনো ব্যাচে প্রথম তিনটি সারাংশ উৎস PDF-এর সাথে যাচাই করুন। যদি হ্যালুসিনেটেড উদ্ধৃতি দেখা যায়, টুল বদলান (সবচেয়ে নির্ভরযোগ্যভাবে NotebookLM) অথবা প্রম্পট আরও টাইট করুন যাতে source-span অ্যাঙ্কর বাধ্যতামূলক হয়।

ব্যর্থতা ২: attribution ভেঙে পড়া/ধসে যাওয়া। সারাংশ "Smith (2024) found X, but Jones (2023) found Y"-কে পরিণত করে "researchers have found mixed results." Fix: ইন-টেক্সট উদ্ধৃতি সংরক্ষণ করতে প্রম্পট স্পষ্টভাবে দিন; যেসব টুল এটি নেটিভভাবে করে সেগুলো বেছে নিন (NotebookLM, Scholarcy)।

ব্যর্থতা ৩: ভুল methodology ডিটেইলস। সারাংশ এমন একটি sample size, study design, বা primary outcome রিপোর্ট করে যা আসল পেপারের সাথে মেলে না। citation হ্যালুসিনেশনের চেয়ে এটি কম দেখা যায়, কিন্তু ঘটলে প্রভাব বেশি। সমাধান: প্রম্পটে "extract methodology details verbatim from the methods section" যোগ করুন; প্রথম ব্যাচটি যাচাই করুন।

ব্যর্থতা ৪: জেনেরিক abstract পুনর্লিখন। "summary" মূলত পেপারের abstract-এরই রিরাইট, বডি থেকে কোনো অতিরিক্ত তথ্য নেই। দ্রুত ওভারভিউয়ের জন্য কাজে লাগতে পারে, কিন্তু লিটারেচার রিভিউয়ের জন্য নয়; যেখানে পেপারের বডি থেকে methodology, results, এবং limitations দরকার। সমাধান: বডি কনটেন্টের জন্য প্রম্পট স্পষ্ট করুন; abstract-এর বাইরে থাকা সেকশনগুলো থেকে spot-check করে যাচাই করুন।

ব্যর্থতা ৫: উদ্ধৃতি ফরম্যাটের বিচ্যুতি। সারাংশ উদ্ধৃতির কনটেন্ট ঠিকই সংরক্ষণ করতে পারে, কিন্তু উৎসের তুলনায় ভিন্ন ফরম্যাটে উপস্থাপন করে (parenthetical থেকে narrative, বা উল্টোটা)। প্রথম চারটির মতো কম গুরুত্বপূর্ণ, তবে তবুও ধরার মতো। সমাধান: উৎসের আসল উদ্ধৃতি-ফরম্যাট সংরক্ষণ করতে প্রম্পট দিন; উদ্ধৃতি ফরম্যাটিং হাবটি ক্যানোনিকাল ফরম্যাটগুলো কভার করে, যদি পরে নরমালাইজ করতে হয়।

আমাদের পোস্টে পেপার সারসংক্ষেপের জন্য citation-preservation কোণ ছাড়াও আরও বিস্তৃত ওয়ার্কফ্লো আছে; এই পোস্টটি হলো ওই ওয়ার্কফ্লোর PDF-নির্দিষ্ট অংশ এবং citation-safety এক্সটেনশন।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলি

প্রশ্ন: ২০২৬ সালে একাডেমিক PDF সারসংক্ষেপের জন্য কোন AI টুলটি সেরা?

সঠিক টুল নির্ভর করে ইউজ-কেসের ওপর। ব্যাচ PDF প্রসেসিংসহ লিটারেচার রিভিউতে যেখানে citation traceability সবচেয়ে বেশি গুরুত্বপূর্ণ, সেখানে NotebookLM সবচেয়ে শক্তিশালী। একক লম্বা পেপারের ক্ষেত্রে (প্রায় ~500 পৃষ্ঠা পর্যন্ত), file upload দিয়ে Claude Sonnet তার ২০০K কনটেক্সট উইন্ডো এক পাসেই ব্যবহার করে। সিস্টেমেটিক রিভিউতে যেখানে structured-data extraction দরকার, Scholarcy বিশেষভাবে এই কাজের জন্য তৈরি। পড়ার সময় একটি একক PDF-এর বিরুদ্ধে conversational Q&A-এর জন্য ChatPDF সবচেয়ে দ্রুত। আপনি যেসব সোর্স নিজের কাজে উদ্ধৃত করতে চান, সেগুলোর জন্য জেনেরিক ফ্রি PDF সারসংক্ষেপকারী এড়িয়ে চলুন; একাডেমিক ব্যবহারে কেন্দ্রীয় ব্যর্থতার ধরন হলো citation hallucination ঝুঁকি।

প্রশ্ন: PDF সারসংক্ষেপ করার সময় ChatGPT কি উদ্ধৃতি হ্যালুসিনেট করবে?

হতে পারে, বিশেষ করে ঘন (dense) প্যাসেজে বা যখন প্রম্পট স্পষ্টভাবে উদ্ধৃতি চায় কিন্তু সেগুলোকে source span-এর সাথে অ্যাঙ্কর করে না। আমাদের সুপারিশ হলো, কোনো LLM-কে কখনোই উৎস থেকে “generate citations” করতে বলা উচিত নয়; বরং বলুন যেন সে “preserve any in-text citations that appear in the source” এবং “include page numbers where each claim appears।” এভাবে উদ্ধৃতির কাজটি মডেলের প্রশিক্ষণ-স্মৃতির ওপর নির্ভর না করে source-span যাচাইয়ের সাথে অ্যাঙ্কর হয়।

প্রশ্ন: AI দিয়ে আমি ৬০,০০০ শব্দের থিসিস কীভাবে সারসংক্ষেপ করব?

লং-কনটেক্সট সাপোর্ট আছে এমন টুল ব্যবহার করুন: Claude Sonnet (২০০K টোকেন একটি সাধারণ থিসিসকে এক পাসে কভার করে) অথবা NotebookLM (যেটি স্বয়ংক্রিয়ভাবে chunk করে এবং chunk-গুলোর মধ্যে ধারাবাহিকতা বজায় রাখে)। পুরো থিসিস একবারে না করে অধ্যায়ভিত্তিক সারসংক্ষেপ করুন; প্রতিটি অধ্যায়ের সারাংশ আপনার নিজের লিটারেচার-রিভিউ সেকশন লেখায় বেশি কাজে দেয়, এবং chunking এমন “চেকপয়েন্ট” দেয় যা রিভিউ করা যায়। পূর্ণ-থিসিস পাসের জন্য GPT-5 এড়িয়ে চলুন; ১২৮K কনটেক্সট বেশির ভাগ অধ্যায়ের জন্য যথেষ্ট, কিন্তু পুরো ডকুমেন্টের ক্ষেত্রে অস্বস্তিকর।

প্রশ্ন: আমি কি আমার নিজের পেপারে AI-তৈরি PDF সারসংক্ষেপ উদ্ধৃত করতে পারি?

আপনি উদ্ধৃত করবেন আসল পেপারকে, সারাংশকে নয়। সারাংশ হলো একটি টুল, যা আপনাকে উৎস পড়তে ও মনে রাখতে সাহায্য করে; উদ্ধৃতি যায় উৎস পেপারের দিকেই। সারাংশটি যদি আপনাকে কোনো ইনসাইট তৈরি করতে সাহায্য করে, তাহলে ইনসাইটটি আপনার; উদ্ধৃতি যাবে সেই ইনসাইটকে সমর্থন করে এমন যে পেপারে। ম্যানুস্ক্রিপ্টে AI টুল ব্যবহারের উদ্ধৃতি দেওয়ার বিষয়ে আমাদের বিস্তৃত আলোচনার জন্য, see our AI disclosure guide দেখুন, এটি ওই ক্লাস্টারের সবচেয়ে কাছের সঙ্গী (companion) পোস্ট।

প্রশ্ন: সিস্টেমেটিক রিভিউয়ের জন্য কীভাবে আমি PDF থেকে structured data এক্সট্র্যাক্ট করব?

structured-output সক্ষমতা আছে এমন টুল ব্যবহার করুন: Scholarcy দিয়ে purpose-built extraction (sample size, intervention, outcome, conclusion, নামযুক্ত ফিল্ড হিসেবে) অথবা এমন একটি Claude প্রম্পট যা একই ফিল্ডগুলো JSON বা CSV ফরম্যাটে চায়। structured output সবসময়ই যাচাই করা উচিত, আপনার ব্যাচের অন্তত প্রথম ১০টি পেপারের জন্য উৎস PDF-এর সাথে; narrative সারাংশের তুলনায় structured-extraction টুল বেশি নির্ভরযোগ্য, তবে আমাদের সম্পাদকীয় পরীক্ষায় এখনো প্রায় ৫–১০ শতাংশ হারে ভুল-ফিল্ড ত্রুটি (wrong-field errors) তৈরি হয়।