AI نے سائنس دے کجھ لفظ بدلے نیں، آپ سائنس نوں نہیں — اجے تیکر
جدوں توں 2022 دے آخر وچ وڈے زبانی ماڈل عام ورتوں لئی ملن لگے، کھوجیاں نے ایہناں نوں لکھن، سودھن تے علمی لکھتاں وچ کھوج لئی ورتیا اے۔ تحقیقاں ایہناں نوں اکلے اکلے سائنسداناں لئی، پیداواریت تے نمایاں ہون وچ، اصلی فائدیاں دا سہرا دیندیاں نیں۔ پر ساری سائنس بارے فکراں ودھ گئیاں نیں: اک «AI تضاد» (AI paradox) جیہدے وچ پیداواریت معیار دی قیمت اُتے آندی اے، «AI کچرے» (AI slop) دا اک ہڑ، تے ہولی ہولی پھیلدی اک یک رنگی (monoculture) جیہڑی خیالاں دا گھیرا تنگ کر دیوے گی۔
New Jersey Institute of Technology وچ Ron Bekkerman، Nichole Li، Bahareh Kargar تے Mark Somers نے ایہہ ناپن دا بیڑا چُکیا کہ کیہ کجھ ٹُٹیا اے — کسے آدرشی ماضی دے مقابلے نہیں، سگوں اوہناں رجحاناں دے مقابلے جیہڑے پہلاں توں چل رہے سن۔
پوریاں لکھتاں دے دس سال
اوہناں دے مجموعے (corpus) وچ 2015 توں 2025 دے وچکار چھپے لگ بھگ 2.5 ملین پوری لکھت والے مقالے نیں، پنج شعبیاں وچ: کمپیوٹر سائنس، ریاضی تے طبیعیات (arXiv توں)، تے صحت تے حیاتیاتی سائنساں (PubMed Central توں)۔ صرف خلاصیاں نوں ویکھن دی تھاں، اوہناں نے پورے مقالیاں دا تجزیہ کیتا، سوالاں دی اک پوڑی دے نال نال: کیہڑے لفظ ورتے جاندے نیں، زبان کِنی امیر تے تکنیکی اے، موضوع کِنے رنگ برنگے نیں، مقالے کیویں بنائے جاندے نیں، تے اوہناں نوں کون لکھدا اے۔
طریقہ ہر تھاں اکو اے: ہر رجحان دا 2022 توں پہلاں تے بعد مقابلہ کرو، تے کسے ٹُٹ دی بھال کرو۔
لفظ جیہڑے چڑھے تے ڈِگے
انگریزی دے 20,000 سب توں عام لفظاں توں شروع کر کے، جنہاں نوں 14,484 بنیادی شکلاں تیکر گھٹایا گیا، ٹیم نوں 2022 توں بعد 796 لفظ ملے جیہڑے چھال مار کے ودھے، 199 جیہڑے گھٹے تے 71 جیہڑے چڑھے تے فیر ڈِگے۔ چڑھن والے لفظ چمکائے ہوئے تجزیاتی لفظ نیں جنہاں نوں زبانی ماڈل پسند کردے نیں، جیویں «establish» (ثابت کرنا) تے «underscore» (اُجاگر کرنا)؛ گھٹن والے سادے لفظ نیں جیویں «good» (چنگا) تے «happen» (ہونا)۔ مشہور «delve» (کھوجنا) چڑھن تے ڈِگن والا نمونہ وکھاندا اے: 2023 توں پہلاں لگ بھگ غائب، ایہہ 2024 وچ چوٹی اُتے اپڑیا تے 2025 وچ تیزی نال ڈِگیا — لکھاریاں دے خیال وچ، کیونجے ماڈل اپ ڈیٹ ہوئے تے پڑھن والے چوکنے ہو گئے۔
سگنل کمپیوٹر سائنس وچ سب توں تکڑا تے ریاضی وچ سب توں کمزور اے، جیہدی لکھت نوں رسمی علامتاں قابو وچ رکھدیاں نیں۔ تے ایہہ خلاصیاں تیکر محدود نہیں: چھال مار کے ودھن والے لفظ مقالیاں دے متن وچ وی آندے نیں۔
سائنسی زبان پتلی نہیں ہوئی
فیر وی جنہاں لفظاں دی گل اے — اک ہزار توں تھوڑے ودھ — اوہ دسیاں ملین وکھرے لفظاں والے ذخیرے وچ اک قطرہ نیں۔ لفظی تنوع (lexical diversity)، جیہڑا 50 لفظاں دیاں کھسکدیاں کھڑکیاں (sliding windows) اُتے ناپیا جاندا اے، کسے وی شعبے وچ 2022 وچ ڈھلوان دی کوئی خاص تبدیلی نہیں وکھاندا۔ تے سائنسی اصطلاحاں دی گھنتا پنجاں شعبیاں وچ ودھدی جا رہی اے۔ لکھاریاں دے لفظاں وچ، «سائنسی مقالے ویلے نال ہور سائنسی لگدے نیں»۔
موضوع: دو جھوٹے الارم
کیہ مقالے ودھدے ودھدے اکو جہیاں گلاں کردے نیں؟ طبیعیات تے ریاضی وچ، موضوعاں دا تنوع اکو جیہا رہندا اے۔ کمپیوٹر سائنس وچ، ایہہ لگ بھگ سِدھی لکیر وچ ڈِگدا اے — پر ایہہ گراوٹ 2022 توں بہت پہلاں شروع ہوئی سی، جدوں ایہہ شعبہ ڈیپ لرننگ (deep learning) تے تخلیقی AI (generative AI) ول سمٹ رہیا سی، تے 2021 توں ایہہ تھوڑی ہولی وی ہو گئی اے۔
صحت تے حیاتیاتی سائنساں وچ 2022 توں بعد سچ مچ ودھ تِکھی گراوٹ آئی۔ پر مقالیاں وچکار بہتی سانجھ اوہناں دے ڈھانچے (format) توں آئی: لائسنساں، اعلانیاں (disclosures) تے حصہ پان والیاں دے کرداراں بارے بنے بنائے ٹوٹے، کیونجے حیاتیاتی-طبی لکھتاں اک سانجھے ڈھانچے ول ودھیاں۔ اجیہے 105 بنے بنائے فقرے (boilerplate phrases) چھان کے کڈھن نال گراوٹ دا بہتا حصہ مُک گیا۔
اک سانچے اُتے بنے مقالے
کمپیوٹر سائنس دے مقالیاں دا ڈھانچہ، جیہڑا لگ بھگ 438,000 مقالیاں اُتے پڑھیا گیا، بہت بدلیا اے — پر اکو چال نال۔ صرف اک توں تن حصیاں والے مقالے 17% توں گھٹ کے 4% رہ گئے، جدکہ اٹھ یا ودھ حصیاں والے 5% توں ودھ کے 30% ہو گئے۔ تعارف اوسطاً 2,141 توں سُنگڑ کے 1,236 لفظاں دے رہ گئے، جدکہ حوالیاں دیاں فہرستاں دی لمبائی لگ بھگ دُگنی ہو گئی۔ ایہناں وچوں کوئی وی رجحان 2022 وچ نہیں ٹُٹیا۔
وڈیاں ٹیماں، ودھ مقالے — بہتا کر کے پہلاں وانگ
سانجھے لکھاریاں دیاں ٹیماں 2022 توں پہلاں ہر شعبے وچ وڈیاں ہو رہیاں سن، تے بس وڈیاں ہوندیاں رہیاں۔ اک استثنا نمایاں اے: ایشیا دیاں کمپیوٹر سائنس ٹیماں 2022 توں بعد ودھ تیزی نال وڈیاں ہوئیاں۔ مقالیاں دی گنتی وی 2022 توں بعد کمپیوٹر سائنس تے طبیعیات وچ ودھ تیزی نال ودھی، جیہنوں لکھاری زبانی ماڈلاں نال جوڑدے نیں۔ 2023 وچ حیاتیاتی-طبی پیداوار وچ اک چھال دا زیادہ امکان ایہہ اے کہ اوہ 2022 دی اوس گراوٹ توں مُڑ اُبھار ہووے جیہڑی COVID دور دی اتھل پتھل نے لیاندی سی۔
اجے نہیں
لکھاریاں نوں ساری سائنس دے پیمانے اُتے «AI تضاد» دا تھوڑا ای ثبوت ملدا اے۔ اوہ خبردار کردے نیں کہ مٹھی بھر فیشنی لفظاں نوں کسے انقلاب دا ثبوت نہ سمجھیا جاوے، تے دلیل دیندے نیں کہ پالیسی — اعلان بارے، ہم مرتبہ جانچ (peer review) بارے — ایس کھچوتان نوں سانبھن دا ٹھیک اوزار اے۔ پر اوہناں دی تسلی دی اک ویلے دی حد اے۔ تحقیق 2022 توں بعد صرف تن سال نوں ویکھدی اے تے لکھت دیاں ویکھن جوگیاں خوبیاں نوں ناپدی اے، تے لکھاریاں نوں «اوہ تیزی جیہدے نال LLMs تحقیق دے عمل وچ وڑ رہے نیں» فکر والی لگدی اے۔
