1. ভূমিকা ও সংক্ষিপ্ত বিবরণ
এই নিবন্ধটি সামাজিক AI এজেন্ট স্থাপনের একটি গুরুত্বপূর্ণ চ্যালেঞ্জ নিয়ে আলোচনা করে, বিশেষত অনলাইন শিক্ষার মতো সংবেদনশীল ক্ষেত্রে। লেখক SAMI-এর উপর দৃষ্টি নিবদ্ধ করেন, যা বৃহৎ আকারের অনলাইন ক্লাসরুমে শিক্ষার্থীদের মধ্যে সামাজিক সংযোগকে উৎসাহিত করার জন্য ডিজাইন করা একটি AI সহকারী। যদিও এই ধরনের এজেন্ট সাহিত্যে ভালোভাবে প্রতিষ্ঠিত "নিম্ন সামাজিক উপস্থিতি" সমস্যাটি প্রশমিত করতে পারে, তবে তারা একটি নতুন সমস্যার সৃষ্টি করে: অস্বচ্ছতা। SAMI-এর সাথে ইন্টারঅ্যাক্ট করা শিক্ষার্থীরা স্বাভাবিকভাবেই প্রশ্ন তোলে যে এটিকীভাবেএবংকেননির্দিষ্ট সুপারিশ করে (উদাহরণস্বরূপ, দুজন শিক্ষার্থীকে সংযুক্ত করা)। মূল গবেষণা প্রশ্নটি হল:AI সামাজিক সহকারী কীভাবে ব্যবহারকারীর আস্থা গড়ে তুলতে স্বচ্ছ, বোধগম্য অভ্যন্তরীণ যুক্তির ব্যাখ্যা প্রদান করতে পারে?
প্রস্তাবিত সমাধানটি একটি অভিনবস্ব-ব্যাখ্যাপ্রযুক্তি। এটি একটি প্রাকৃতিক ভাষা প্রশ্নোত্তর প্রক্রিয়া হিসেবে গঠন করা হয়েছে, যেখানে এজেন্ট তার নিজস্ব লক্ষ্য, জ্ঞান এবং পদ্ধতির কাঠামোগতস্ব-মডেলএর উপর ভিত্তি করে অন্তর্দৃষ্টি সম্পাদন করে। মূল উদ্ভাবনটি একটি হাইব্রিড স্থাপত্যে নিহিত, যাজ্ঞান-ভিত্তিক AIএর কাঠামোগত, ব্যাখ্যাযোগ্য উপস্থাপনাকেজেনারেটিভ AI(বিশেষভাবে ChatGPT-কে নির্দেশ করে) এর নমনীয়, প্রাকৃতিক ভাষা উৎপাদন ক্ষমতার সাথে মিলিত।
2. মূল পদ্ধতি ও স্থাপত্য
স্ব-ব্যাখ্যা প্রক্রিয়াটি একটি বহু-পর্যায়ের প্রক্রিয়া, যার লক্ষ্য এজেন্টের অভ্যন্তরীণ যুক্তিকে ব্যবহারকারী-বান্ধব বর্ণনায় রূপান্তর করা।
2.1. স্ব-মডেল: কার্য, পদ্ধতি, জ্ঞান কাঠামো
স্ব-ব্যাখ্যার ভিত্তি হল একটি গণনাযোগ্য স্ব-মডেল। লেখকগণ TMK কাঠামো ব্যবহার করেছেন, যা এজেন্টের কার্যকারিতাকে নিম্নলিখিত উপাদানে বিভক্ত করে:
- টাস্ক: উচ্চ-স্তরের লক্ষ্য (উদাহরণস্বরূপ, "সামাজিক সংযোগতা বৃদ্ধি করা")।
- পদ্ধতি: কাজ সম্পাদনের জন্য প্রোগ্রাম বা অ্যালগরিদম (উদাহরণস্বরূপ, "সাধারণ আগ্রহের অধিকারী শিক্ষার্থীদের খোঁজা")।
- জ্ঞান: পদ্ধতি দ্বারা ব্যবহৃত ডেটা বা বিশ্বাস (উদাহরণস্বরূপ, "শিক্ষার্থী A-এর আগ্রহ: মেশিন লার্নিং")।
একটি গুরুত্বপূর্ণ সমন্বয় হলো TMK উপাদানগুলিকে প্রকাশ করাসংক্ষিপ্ত প্রাকৃতিক ভাষার বর্ণনা, আনুষ্ঠানিক যৌক্তিক প্রস্তাবনার পরিবর্তে। এটি এজেন্টের প্রতীকী কাঠামো এবং জেনারেটিভ মডেলের ভাষা স্থানের মধ্যে ব্যবধান পূরণ করে।
2.2. মিশ্র ব্যাখ্যা উৎপাদন: জ্ঞান-ভিত্তিক AI এবং জেনারেটিভ AI-এর সমন্বয়
ব্যাখ্যা তৈরির প্রক্রিয়াটি পাঁচটি মূল ধাপ জড়িত:
- ইনপুট: ব্যবহারকারী একটি প্রাকৃতিক ভাষার প্রশ্ন জিজ্ঞাসা করেন (যেমন, "তুমি কেন আমাকে Alex-এর সাথে সংযুক্ত করেছ?")।
- অনুসন্ধান: প্রশ্ন এবং TMK স্ব-মডেলের ইংরেজি বর্ণনার মধ্যে সাদৃশ্য অনুসন্ধান চালানো হয়, যাতে সবচেয়ে প্রাসঙ্গিক স্ব-জ্ঞান খণ্ডগুলি চিহ্নিত করা যায়।
- আত্মনিরীক্ষণ: ব্যবহার করা হয়চেইন অফ থটপ্রক্রিয়াটি TMK মডেলের প্রাসঙ্গিক অংশগুলি "ট্রাভার্স" করে, এজেন্টের গৃহীত যৌক্তিক পদক্ষেপগুলি পুনর্গঠন করে।
- জেনারেট: কাঠামোবদ্ধ CoT আউটপুট এবং পুনরুদ্ধার করা জ্ঞান খণ্ডগুলিকে প্রম্পট হিসাবে ফরম্যাট করে, বড় ভাষা মডেলে ইনপুট দেওয়া হয়।
- আউটপুট: ChatGPT সুসংগত প্রাকৃতিক ভাষা ব্যাখ্যা তৈরি করে, ব্যবহারকারীকে ফেরত দেয়।
এই হাইব্রিড পদ্ধতিটি জ্ঞান-ভিত্তিক স্ব-মডেলের সুবিধা নেয়সঠিকতা এবং যাচাইযোগ্যতাব্যাখ্যাকে স্থির করতে, যখন চূড়ান্ত বর্ণনা অর্জনের জন্য জেনারেটিভ AI-এর সুবিধা নেওয়া হয়সুষমতা ও অভিযোজনযোগ্যতা。
3. প্রযুক্তিগত বাস্তবায়ন ও বিবরণ
3.1. সাদৃশ্য অনুসন্ধানের গাণিতিক বর্ণনা
দক্ষতার জন্য অনুসন্ধান ধাপটি অত্যন্ত গুরুত্বপূর্ণ। ব্যবহারকারীর প্রশ্ন $q$ এবং $N$ সংখ্যক TMK বর্ণনা ভেক্টর $\{d_1, d_2, ..., d_N\}$ দেওয়া থাকলে, সিস্টেম সবচেয়ে প্রাসঙ্গিক $k$ সংখ্যক বর্ণনা অনুসন্ধান করে। প্রাসঙ্গিকতা স্কোর সাধারণত কোসাইন সাদৃশ্য ব্যবহার করে গণনা করা হয়:
$\text{similarity}(q, d_i) = \frac{q \cdot d_i}{\|q\| \|d_i\|}$
যেখানে $q$ এবং $d_i$ একটি ভাগ করা শব্দার্থিক স্থানের ভেক্টর উপস্থাপনা। সর্বোচ্চ সাদৃশ্য স্কোর সহ শীর্ষ $k$ সংখ্যক বর্ণনা পরবর্তী পর্যায়ে প্রেরণ করা হয়। এটি নিশ্চিত করে যে ব্যাখ্যাটি এজেন্টের সম্পূর্ণ মডেলের পরিবর্তে, প্রশ্নের সাথে প্রাসঙ্গিক যুক্তির উপর কেন্দ্রীভূত হয়।
3.2. অন্তর্দৃষ্টির জন্য চেইন-অফ-থট প্রম্পটিং
CoT প্রক্রিয়াটি পুনরুদ্ধারকৃত TMK খণ্ডাংশগুলিকে একটি কাঠামোবদ্ধ যুক্তিপথে রূপান্তরিত করে। পুনরুদ্ধারকৃত টাস্ক $T_1$, মেথড $M_1$ এবং নলেজ আইটেম $K_1, K_2$ এর জন্য, CoT প্রম্পটটি নিম্নরূপ ডিজাইন করা যেতে পারে:
"এজেন্টের লক্ষ্য হল: [T_1 বর্ণনা]। এই লক্ষ্য অর্জনের জন্য, এটি নিম্নলিখিত পদ্ধতি ব্যবহার করে: [M_1 বর্ণনা]। এই পদ্ধতির জন্য জানা প্রয়োজন: [K_1 বর্ণনা] এবং [K_2 বর্ণনা]। অতএব, এজেন্টের সিদ্ধান্ত ভিত্তি করে..."তারপর, এই কাঠামোবদ্ধ যুক্তিপথটি "নিম্নলিখিত কাঠামোবদ্ধ যুক্তির ধাপগুলির ভিত্তিতে, শিক্ষার্থীর জন্য একটি পরিষ্কার, সংক্ষিপ্ত ব্যাখ্যা তৈরি করুন" এর মতো নির্দেশাবলীর সাথে একত্রে ChatGPT-তে ইনপুট করা হয়।
4. পরীক্ষামূলক মূল্যায়ন ও ফলাফল
4.1. মূল্যায়ন মেট্রিক্স: সম্পূর্ণতা ও সঠিকতা
লেখক স্ব-ব্যাখ্যাকে দুটি প্রধান মাত্রায় মূল্যায়ন করেছেন:
- সম্পূর্ণতা: ব্যাখ্যাটি কি এজেন্টের সিদ্ধান্ত গ্রহণ প্রক্রিয়ার সমস্ত প্রাসঙ্গিক ধাপকে অন্তর্ভুক্ত করেছে? এটি ব্যাখ্যার বিষয়বস্তুকে TMK উপাদানের সাথে ম্যাপিং করে মূল্যায়ন করা হয়।
- সঠিকতা: ব্যাখ্যাটি কি এজেন্টের প্রকৃত প্রক্রিয়াকে সঠিকভাবে প্রতিফলিত করে, কোন বিভ্রম বা বৈপরীত্য প্রবর্তন না করে? এটি বিশেষজ্ঞ দ্বারা এজেন্টের কোড/লগের ভিত্তিতে যাচাই করা প্রয়োজন।
মূল মূল্যায়ন অন্তর্দৃষ্টি
মিশ্র পদ্ধতিরসঠিকতাদিকনির্দেশক স্কোর উচ্চ, কারণ জেনারেটিভ মডেলটি পুনরুদ্ধারকৃত TMK ডেটা দ্বারা কঠোরভাবে সীমাবদ্ধ।সম্পূর্ণতাতারপর উল্লেখযোগ্যভাবে পরিবর্তিত হয়, যা সাদৃশ্য অনুসন্ধানের গুণমান এবং CoT-এর প্রম্পট ইঞ্জিনিয়ারিং-এর উপর নির্ভর করে।
4.2. অনলাইন ক্লাসরুম স্থাপনার ফলাফল
সিস্টেমটি একটি বাস্তব অনলাইন ক্লাসরুমে মোতায়েন করা হয়েছিল। যদিও প্রদত্ত সারসংক্ষেপে নির্দিষ্ট পরিমাণগত ফলাফলের বিস্তারিত বিবরণ দেওয়া নেই, তবে গবেষণাপত্রটি এই মোতায়েনের কথা রিপোর্ট করে, যা নির্দেশ করে যে এটি গুণগত বা প্রাথমিক বাস্তব-বিশ্ব যাচাইকরণের উপর দৃষ্টি নিবদ্ধ করে। মোতায়েন নিজেই একটি গুরুত্বপূর্ণ ফলাফল, যা গতিশীল শিক্ষামূলক পরিবেশে পদ্ধতির ব্যবহারিক কার্যকারিতা প্রমাণ করে। ভবিষ্যতের কাজ A/B পরীক্ষা থেকে উপকৃত হবে, যা ব্যাখ্যা প্রাপ্ত গ্রুপ এবং ব্যাখ্যা না-প্রাপ্ত গ্রুপের মধ্যে আস্থার মেট্রিক্স পরিমাপ করবে।
অনুমিত চিত্র/গ্রাফ বর্ণনা: একটি বার গ্রাফ যা 'ব্যাখ্যার মান' স্কোরের উপর মিশ্র TMK+ChatGPT পদ্ধতি এবং শুধুমাত্র ব্যবহারকারীর প্রশ্ন ব্যবহার করে ChatGPT বেসলাইনের মধ্যে পার্থক্য তুলনা করে। সঠিকতার ক্ষেত্রে মিশ্র পদ্ধতির বার গ্রাফ উল্লেখযোগ্যভাবে বেশি হবে, যা স্ব-মডেলের অ্যাঙ্করিং প্রভাব প্রদর্শন করে।
5. বিশ্লেষণ কাঠামো এবং উদাহরণ কেস
দৃশ্যকল্প: SAMI শিক্ষার্থী Bob-কে শিক্ষার্থী Alice-এর সাথে সংযুক্ত করে।
ব্যবহারকারীর প্রশ্ন: "আমাকে Alice-এর সাথে কেন সংযুক্ত করা হল?"
অভ্যন্তরীণ TMK স্ব-মডেল খণ্ড:
- T1: "ব্যক্তিগত প্রোফাইল সাদৃশ্যের ভিত্তিতে সামাজিক সংযোগকে উৎসাহিত করা।"
- M1: "আগ্রহের ট্যাগগুলির ওভারল্যাপ গণনা করতে Jaccard সাদৃশ্য ব্যবহার করা।"
- K1: "Bob-এর আগ্রহ: জ্যাজ সঙ্গীত, Python প্রোগ্রামিং।"
- K2: "Alice-এর আগ্রহ: ব্লুজ সঙ্গীত, ডেটা সায়েন্স।"
- K3: "শেয়ার করা ট্যাগ: 'সঙ্গীত', 'প্রোগ্রামিং'। সাদৃশ্য স্কোর: 0.4।"
চ্যাটজিপিটির জন্য চেইন-অব-থট প্রম্পট:
"এজেন্টের কাজ ছিল প্রোফাইল সাদৃশ্যের ভিত্তিতে সংযোগ সুবিধা দেওয়া। এর পদ্ধতি ছিল আগ্রহের ওভারল্যাপ গণনা করা। আপনার জন্য, এটি জানে আপনার আগ্রহগুলি হল: জ্যাজ সঙ্গীত, পাইথন প্রোগ্রামিং। অ্যালিসের জন্য, এটি জানে তার আগ্রহগুলি হল: ব্লুজ সঙ্গীত, ডেটা সায়েন্স। এটি ওভারল্যাপ করা বিভাগের ভিত্তিতে একটি সাদৃশ্য স্কোর গণনা করেছে। সেই স্কোরটি 0.4, যা একটি সংযোগ সুপারিশ করার জন্য এর থ্রেশহোল্ড মান পূরণ করেছে। তাই..."
চূড়ান্তভাবে উৎপন্ন ব্যাখ্যা:
"আমি আপনাকে অ্যালিসের সাথে সংযুক্ত করেছি কারণ আমাদের সিস্টেম শনাক্ত করেছে যে আপনাদের উভয়েরই সাধারণ আগ্রহ রয়েছে, যা কথোপকথন শুরু করার একটি ভাল ভিত্তি হতে পারে। আপনারা দুজনই সঙ্গীত এবং প্রোগ্রামিং-সম্পর্কিত প্রযুক্তিগত বিষয়ে আগ্রহী। এই ওভারল্যাপের ভিত্তিতে, আমি মনে করি আলোচনা শুরু করার জন্য আপনাদের মধ্যে মিল থাকতে পারে।"
6. সমালোচনামূলক বিশ্লেষণ এবং বিশেষজ্ঞ মতামত
মূল অন্তর্দৃষ্টি: এই নিবন্ধটি কেবলমাত্র AI-কে ব্যাখ্যাযোগ্য করার বিষয়ে নয়; এটি সামাজিকভাবে এম্বেডেড ইন্টেলিজেন্ট এজেন্টগুলিতেবিশ্বাস গড়ে তোলাএর কৌশলগত রোডম্যাপ। লেখক সঠিকভাবে উল্লেখ করেছেন যে, শিক্ষার মতো ক্ষেত্রে, একটি এজেন্টের প্রভাব তার মূল কাজের পারফরম্যান্স থেকে নয়, বরং একটি বিশ্বস্ত সামাজিক অংশগ্রহণকারী হিসেবে তার ভূমিকা থেকে আসে। তাদের মিশ্র পদ্ধতি—জেনারেটিভ AI-এর কল্পনাপ্রবণতা সীমিত করতে "সত্যের উৎস" হিসেবে প্রতীকী স্ব-মডেল ব্যবহার—বর্তমান LLM যুগে একটি বাস্তবসম্মত এবং প্রয়োজনীয় কৌশল। এটি Cynthia Rudin-এর মতো গবেষকদের দৃষ্টিভঙ্গির প্রত্যক্ষ প্রতিক্রিয়া: আমাদের অন্তর্নিহিতভাবে ব্যাখ্যাযোগ্য মডেল প্রয়োজন, পরবর্তী ব্যাখ্যার নয়। এখানে, TMK মডেল এই অন্তর্নিহিত কাঠামো সরবরাহ করে।
যৌক্তিক প্রবাহ ও অবদান: যুক্তিপ্রবাহটি প্ররোচক: ১) সামাজিক এজেন্টের বিশ্বাস প্রয়োজন, ২) বিশ্বাসের জন্য স্বচ্ছতা প্রয়োজন, ৩) স্বচ্ছতার জন্য স্ব-ব্যাখ্যা প্রয়োজন, ৪) নির্ভরযোগ্য স্ব-ব্যাখ্যার জন্য নোঙ্গরযুক্ত স্ব-মডেল প্রয়োজন, ৫) ব্যবহারযোগ্য ব্যাখ্যার জন্য প্রাকৃতিক ভাষা প্রয়োজন, ৬) তাই, নোঙ্গরযুক্ত মডেলকে ভাষা জেনারেটরের সাথে একত্রিত করা। মূল অবদান হল এই প্রবাহটিকে বাস্তবায়নের জন্য একটি নির্দিষ্ট স্থাপত্য, বিশেষ করে পুনরুদ্ধার প্রক্রিয়া হিসেবে প্রাকৃতিক ভাষার TMK বর্ণনার উপর ভিত্তি করে সাদৃশ্য অনুসন্ধান ব্যবহার। এটি হার্ডকোড করা নিয়ম ট্রিগার থেকে আরও মার্জিত।
সুবিধা ও সীমাবদ্ধতা: প্রধান সুবিধা হল এরব্যবহারিক মিশ্র নকশা, যা বিশুদ্ধ গভীর শিক্ষার কালো বাক্স প্রকৃতি এবং বিশুদ্ধ প্রতীকী ব্যবস্থার ভঙ্গুরতা এড়ায়। এটি পুনরুদ্ধার-বর্ধিত প্রজন্মের নীতির একটি চতুর প্রয়োগ, তবে প্রয়োগ করা হয়েছেআত্ম-জ্ঞানবাহ্যিক নথি নয়—এটি একটি সম্ভাবনাপূর্ণ ধারণা। যাইহোক, ত্রুটিগুলিও লক্ষণীয়। প্রথমত,আত্ম-মডেলটি স্থির এবং হাতে তৈরি। এটি মিথস্ক্রিয়া থেকে শেখে না বা আপডেট হয় না, যা রক্ষণাবেক্ষণের বোঝা এবং প্রকৃত এজেন্ট কোড থেকে বিচ্ছিন্ন হওয়ার ঝুঁকি তৈরি করে। দ্বিতীয়ত, মূল্যায়নটি দুর্বল। ব্যবহারকারীর বিশ্বাস, বোঝা বা আচরণগত পরিবর্তন সম্পর্কে কঠোর তথ্য কোথায়? এগুলি ছাড়া, এটি একটি প্রকৌশল ধারণা-প্রমাণ মাত্র, যাচাইকৃত বিশ্বাস-গঠনের সরঞ্জাম নয়। তৃতীয়ত, এটি ধরে নেয় যে TMK মডেলটি এজেন্টের "প্রকৃত" যুক্তিকে নিখুঁতভাবে উপস্থাপন করে, যা জটিল, অভিযোজিত এজেন্টদের জন্য সত্য নাও হতে পারে।
কার্যকরী অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য, অন্তর্নিহিত বার্তাটি স্পষ্ট:শুরুতেই অনুসন্ধানযোগ্য আত্ম-মডেল সহ AI সিস্টেম ডিজাইন করতে এগিয়ে যান। এই নিবন্ধটি একটি কার্যকরী টেমপ্লেট সরবরাহ করে। পরবর্তী ধাপ হল এই স্ব-মডেল তৈরী এবং আপডেট স্বয়ংক্রিয় করা, সম্ভবত নিউরাল-সিম্বলিক AI বা মেকানিজম ইন্টারপ্রিটেবিলিটি প্রযুক্তি ব্যবহার করে। গবেষকদের জন্য, চ্যালেঞ্জ হল স্থির স্ব-মডেলের বাইরে গিয়ে,গতিশীল, শেখার যোগ্য স্ব-প্রতিনিধিত্বের দিকে অগ্রসর হওয়া।একটি এজেন্ট কি তার অভিজ্ঞতা এবং কোড থেকে তার নিজের TMK কাঠামো শিখতে পারে? উপরন্তু, এই ক্ষেত্রকে শুধুমাত্র প্রযুক্তিগত সততার বাইরে গিয়ে, ব্যাখ্যার সামাজিক-জ্ঞানগত প্রভাব মূল্যায়নের জন্য মানসম্মত বেঞ্চমার্ক তৈরি করতে হবে। যেমন তৈরি করা ব্যাখ্যাগুলো কি সত্যিই শিক্ষার্থীদের AI-প্রস্তাবিত সহকর্মীদের সাথে মিথস্ক্রিয়া করার ইচ্ছা বাড়ায়? এটাই চূড়ান্ত গুরুত্বপূর্ণ মেট্রিক।
7. ভবিষ্যতের প্রয়োগ এবং গবেষণা দিক
- স্বয়ংক্রিয় স্ব-মডেল শেখা: প্রোগ্রাম সিন্থেসিস বা LLM-ভিত্তিক কোড বিশ্লেষণ প্রযুক্তি একীভূত করা, যাতে এজেন্টের সোর্স কোড এবং রানটাইম লগ থেকে স্বয়ংক্রিয়ভাবে TMK স্ব-মডেল তৈরি ও হালনাগাদ করা যায়, যা ম্যানুয়াল ইঞ্জিনিয়ারিং হ্রাস করে।
- ব্যাখ্যাযোগ্য মাল্টি-এজেন্ট সিস্টেম: এই কাঠামোকে এমন ব্যাখ্যায় প্রসারিত করা যা এজেন্টদের সমষ্টি বা গোষ্ঠীর আচরণ বর্ণনা করে, যেখানে ব্যাখ্যায় সমন্বয় প্রোটোকল এবং উদীয়মান আচরণ জড়িত থাকতে পারে।
- ব্যক্তিগতকৃত ব্যাখ্যা শৈলী: ব্যক্তিগত ব্যবহারকারী প্রোফাইল অনুযায়ী ব্যাখ্যার জটিলতা, স্বর এবং ফোকাস কাস্টমাইজ করতে জেনারেটিভ কম্পোনেন্ট সামঞ্জস্য করুন।
- সক্রিয় বনাম তুলনামূলক ব্যাখ্যা: নিষ্ক্রিয় প্রশ্নোত্তরের বাইরে গিয়ে, অপ্রত্যাশিত আচরণের জন্য এজেন্টকে সক্রিয়ভাবে ব্যাখ্যা প্রদান করতে বা তুলনামূলক ব্যাখ্যা দিতে উৎসাহিত করুন।
- উচ্চ-ঝুঁকিপূর্ণ ক্ষেত্রে প্রয়োগ: চিকিৎসা AI, ফিনটেক বা স্বায়ত্তশাসিত সিস্টেমের মতো ক্ষেত্রে অনুরূপ স্ব-ব্যাখ্যামূলক আর্কিটেকচার স্থাপন করুন, যেখানে স্বচ্ছতা আইনি বা নৈতিক প্রয়োজন।
- বিশ্বাস ক্রমাঙ্কন গবেষণা: দীর্ঘমেয়াদী গবেষণা পরিচালনা করুন যা পরিমাপ করে যে এই ধরনের ব্যাখ্যার দীর্ঘমেয়াদী সংস্পর্শ ব্যবহারকারীর বিশ্বাস, নির্ভরতা এবং সামাজিক লক্ষ্য অর্জনে সিস্টেমের সামগ্রিক কার্যকারিতাকে কীভাবে প্রভাবিত করে।
8. তথ্যসূত্র
- Goel, A. K., & Joyner, D. A. (2017). 使用AI教授AI：来自在线AI课程的启示. AI Magazine.
- Rudin, C. (2019). উচ্চ-ঝুঁকিপূর্ণ সিদ্ধান্তের জন্য ব্ল্যাক-বক্স মেশিন লার্নিং মডেল ব্যাখ্যা করা বন্ধ করুন এবং বদলে ব্যাখ্যাযোগ্য মডেল ব্যবহার করুন. Nature Machine Intelligence.
- Wei, J., et al. (2022). চেইন-অফ-থট প্রম্পটিং লার্জ ল্যাঙ্গুয়েজ মডেলগুলিতে যুক্তিকে উদ্দীপিত করে. Advances in Neural Information Processing Systems.
- Muller, M., et al. (2019). ব্যাখ্যাযোগ্য AI-এর নীতি. Communications of the ACM.
- Confalonieri, R., et al. (2021). A Historical Perspective of Explainable AI. WIREs Data Mining and Knowledge Discovery.
- Goodfellow, I., et al. (2014). Generative Adversarial Networks. Advances in Neural Information Processing Systems.
- Georgia Institute of Technology, Interactive Computing - Design & Intelligence Lab. (https://dilab.gatech.edu/) – এই কাজটি উৎপাদনের গবেষণা পটভূমি হিসেবে।
- OpenAI. (2023). ChatGPT. (https://openai.com/chatgpt) – গবেষণাপত্রে উদ্ধৃত জেনারেটিভ AI উপাদান।