কল্পিত উদ্ধৃতি: জমা দেওয়ার আগে আপনার প্রবন্ধ নিরীক্ষা করুন

2023 সালের জুনে, নিউ ইয়র্কের এক ফেডারেল বিচারক দুইজন আইনজীবীকে শাস্তি দেন, কারণ তারা এমন একটি লিখিত যুক্তিপত্র দাখিল করেছিলেন যা অন্তত 6টি অস্তিত্বহীন আদালতের মামলার ওপর ভিত্তি করে তৈরি ছিল। Steven Schwartz সমর্থনকারী নজিরের জন্য ChatGPT-এর কাছে অনুরোধ করেছিলেন, এমন মামলার নাম এবং উদ্ধৃত যুক্তি পেয়েছিলেন যা সবই বিশ্বাসযোগ্য শোনাচ্ছিল, এবং নিজে একটি মামলাও না খুলে সেই লিখিত যুক্তিপত্র দাখিল করেছিলেন। বিচারক P. Kevin Castel তাকে 5000 ডলার জরিমানা করেন এবং সেই সব প্রকৃত বিচারকের কাছে একটি চিঠি পাঠানোর নির্দেশ দেন, যাদের নাম একটি জাল মতামতের সঙ্গে যুক্ত করা হয়েছিল।

একটি রেফারেন্স তালিকাও একই অবস্থায় পৌঁছাতে পারে। এর সমাধান হলো, আপনার নিজের রেফারেন্স তালিকার ওপর একটি বিভ্রমজনিত উদ্ধৃতি নিরীক্ষা চালানো, তার আগে কোনো সম্পাদক, তত্ত্বাবধায়ক বা পর্যালোচক আপনার জন্য তা চালায়। এটি কেবল একটি চ্যাটবট দিয়ে খসড়া তৈরির ফলে সৃষ্ট সমস্যা নয়। এমন একটি স্মৃতিভিত্তিক উদ্ধৃতি, যা আদতে কখনোই পুরোপুরি অস্তিত্বে ছিল না, কোনো সহলেখকের শিরোনাম সামান্য ভুলভাবে কপি করা, অথবা গ্রহণের পর চূড়ান্ত উদ্ধৃতি বদলে যাওয়া কোনো প্রিপ্রিন্ট, এগুলোর যেকোনোটি একটি রেফারেন্স তালিকায় সেই একই ধরনের ফাঁক রেখে যেতে পারে, যা একটি জাল উদ্ধৃতি রেখে যায়। নিচের নিরীক্ষা এগুলোর সবকটিই ধরতে পারে, কোনো একক এন্ট্রি সেখানে কীভাবে এসেছে তা নির্বিশেষে।

একটি বিভ্রমজনিত উদ্ধৃতি আসলে কতটা সাধারণ?

পরিসরটি অনেকটাই নির্ভর করে কোন মডেল খসড়াটি তৈরি করেছে তার ওপর। Walters and Wilder, Scientific Reports-এ 2023 সালে প্রকাশিত, GPT-3.5 এবং GPT-4 দ্বারা তৈরি রেফারেন্স তালিকাগুলোকে বাস্তব একাডেমিক লেখার প্রম্পটের সঙ্গে তুলনা করে পরীক্ষা করেছিলেন: AI-উৎপাদিত 84টি রেফারেন্স তালিকা থেকে নেওয়া 636টি উদ্ধৃতি, প্রতিটি মডেলের জন্য 42টি করে। GPT-3.5-এর উদ্ধৃতির 55 শতাংশ সম্পূর্ণ জাল ছিল, যেখানে GPT-4-এর ক্ষেত্রে তা ছিল 18 শতাংশ। এমনকি প্রকৃত উদ্ধৃতিগুলোও যে একেবারে নির্ভুল ছিল, তা নয়: GPT-3.5-এর প্রকৃত উদ্ধৃতির 43 শতাংশ এবং GPT-4-এর 24 শতাংশেও লেখক, শিরোনাম, বছর বা প্রকাশনাস্থলের কোথাও একটি গুরুত্বপূর্ণ ত্রুটি ছিল।

AI-generated citations নিয়ে আইনগত গবেষণায় আরও বেশি ব্যর্থতার হার দেখা যায়, কিন্তু সেই কাজটি ভিন্ন ধরনের ব্যর্থতা মাপে, অর্থাৎ কল্পিত case holdings, জাল bibliographic references নয়, তাই সেই সংখ্যাটি academic context-এ সরাসরি প্রয়োগ করার মতো নয়। উভয় ক্ষেত্রের সাধারণ ভিত্তি হলো একই অন্তর্নিহিত কারণ, একটি model যখন বিশ্বাসযোগ্য শোনায় এমন citation তৈরি করে, তখন তা আসলে কোনো citation সাধারণত কেমন দেখায় সেই অনুযায়ী optimize করে, বাস্তবে সেটি আছে কি না সেই অনুযায়ী নয়। TextPulse-এর নিজস্ব whether ChatGPT makes up references শীর্ষক লেখাটি বিশেষভাবে সেই chatbot-টিকেই দেখে, তবে এই audit আপনার সামনে থাকা entry-টি কোন tool, বা কোন co-author-এর memory, তৈরি করেছে তা নির্বিশেষে প্রযোজ্য।

2026 সালের Literature-Scale Audit কী পেল

model-level এই হারগুলো দেখায় chatbot থেকে কী বেরিয়ে আসে। কিন্তু journal-এ জমা দেওয়া কারও জন্য আরও গুরুত্বপূর্ণ পৃথক প্রশ্নটি হলো, draft থেকে published paper পর্যন্ত প্রতিটি check-এর মধ্যে একটি fabricated reference কতবার টিকে যায়। 2026 সালের May মাসে এক দিনের ব্যবধানে প্রকাশিত দুটি audit literature-এর scale-এ এই প্রশ্নের উত্তর দিয়েছে, এবং উত্তরটি হলো, এই ব্যর্থতা আর বিরল নয়।

The Lancet-এ প্রকাশিত একটি audit PubMed Central Open Access-এ প্রায় 2.5 million biomedical paper জুড়ে reference পরীক্ষা করে, যা January 2023 থেকে February 2026 পর্যন্ত সময়কালকে অন্তর্ভুক্ত করে। কয়েক thousand reference এমন কাজের দিকে নির্দেশ করেছে যা অস্তিত্বই নেই, এবং তা 2,800-এর বেশি published paper-এ ছড়িয়ে ছিল। মোট সংখ্যার চেয়ে প্রবণতাটি বেশি গুরুত্বপূর্ণ।

Period	কমপক্ষে একটি fabricated reference আছে এমন paper	প্রতি 10,000 paper-এ
2023	1 in 2,828	3.5
2025	1 in 458	21.8
2026, first seven weeks	1 in 277	36.1

এটি তিন বছরে মোটামুটি দশগুণ বৃদ্ধির সমান, এবং 2026 সালের পরিসংখ্যানটি পূর্ণ বছরের বদলে সাত সপ্তাহের তথ্য থেকে নেওয়া, তাই এটি একটি প্রাথমিক পাঠ, স্থির বার্ষিক হার নয়। এটি যা প্রতিষ্ঠা করে তা হলো, জাল রেফারেন্সসমূহ peer-reviewed venues-এ মুদ্রণে পৌঁছাচ্ছে, পথে লেখক, সহলেখক, সম্পাদক এবং পর্যালোচকদের অতিক্রম করে।

সহগামী গবেষণা, Zhao and colleagues on non-existent citations, পরিসর বাড়িয়ে arXiv, bioRxiv, SSRN এবং PubMed Central জুড়ে 111 million references পর্যন্ত নিয়ে যায় এবং কেবল 2025 সালের জন্যই 146,932 hallucinated citations-এর একটি সংযত নিম্নসীমা নির্ধারণ করে। এর আরও কার্যকর অনুসন্ধানটি পরিমাণের চেয়ে বণ্টনকে নিয়ে: জাল রেফারেন্সসমূহ দ্রুত AI গ্রহণকারী ক্ষেত্রগুলোতে, এবং ছোট ও প্রারম্ভিক-কেরিয়ার লেখক দলের মধ্যে, গুচ্ছাকারে দেখা যায়। আপনি যদি একক লেখক হন বা এমন একটি ছোট দল হন যার bibliography পরীক্ষা করার জন্য কোনো research office নেই, তবে আপনি সেই গোষ্ঠীতে পড়েন যেখানে এটি সবচেয়ে বেশি ভুল হয়, এবং এটি নিজে audit চালানোর পক্ষে একটি যুক্তি, downstream-এ কেউ তা করবে ধরে নেওয়ার বদলে।

কোন মডেলগুলো সবচেয়ে বেশি জাল তৈরি করে, এবং আসলে কী এটি কমায়

সৎ উত্তর হলো, citation fabrication-এর ক্ষেত্রে আজকের প্রধান মডেলগুলোকে একে অপরের বিরুদ্ধে র‌্যাঙ্ক করে এমন কোনো কঠোর public benchmark নেই। ছোট অনানুষ্ঠানিক তুলনা ঘুরে বেড়ায়, সাধারণত হাতে দুই বা তিনটি chatbots-এর মাধ্যমে চালানো কয়েক ডজন reference, এবং নমুনাগুলো তাদের মধ্যে ranking সমর্থন করার জন্য খুবই অল্প। এর একটিকে league table হিসেবে ধরা হলো কীভাবে একটি আত্মবিশ্বাসী কিন্তু ভুল দাবি paper-এ ঢুকে পড়ে।

যা সত্যিই টিকে থাকে তা হলো উপরের Walters and Wilder তথ্যের প্রজন্মগত তুলনা, যেখানে নতুন modelটি পুরোনোটির তুলনায় প্রায় এক-তৃতীয়াংশ হারে জাল তৈরি করেছে।

পরীক্ষিত model	সম্পূর্ণভাবে জাল citations	এখনও একটি substantive error বহনকারী genuine citations
GPT-3.5	55%	43%
GPT-4	18%	24%

সাহিত্যের মধ্যে তিনটি ধারা বারবার দেখা যায়, এবং এগুলোর গুরুত্ব যেকোনো একক র‍্যাঙ্কিংয়ের চেয়ে বেশি। বড় মডেল ছোট মডেলের তুলনায় কম বানিয়ে বলে। যে মডেলগুলো বাস্তবে উৎস অনুসন্ধান ও পুনরুদ্ধার করতে পারে, সেগুলো কেবল নিজেদের প্যারামিটার থেকে উত্তর দেওয়া মডেলের তুলনায় উল্লেখযোগ্যভাবে কম বানিয়ে বলে, এবং এটিই এখন পর্যন্ত পরিমাপ করা সবচেয়ে বড় প্রভাব। আর অখ্যাত উৎসগুলো সুপরিচিত উৎসের তুলনায় অনেক বেশি ঝুঁকিপূর্ণ, কারণ বহুল উদ্ধৃত কোনো প্রবন্ধ প্রশিক্ষণ ডেটায় যথেষ্ট বার উপস্থিত থাকে বলে তা সঠিকভাবে পুনরুৎপাদিত হতে পারে, কিন্তু কোনো নির্দিষ্ট ক্ষেত্রের উৎস বেশি সম্ভবত খণ্ডাংশ থেকে পুনর্গঠিত হয়।

ব্যবহারিক দৃষ্টিতে এর অর্থ হলো, কোনো মডেলই যাচাই এড়িয়ে যাওয়ার জন্য যথেষ্ট নিরাপদ নয়, এবং যেসব এন্ট্রি ভুল হওয়ার সম্ভাবনা সবচেয়ে বেশি, সেগুলোই স্মৃতি থেকে যাচাই করা আপনার পক্ষে সবচেয়ে কম সম্ভব: বিশেষজ্ঞের উদ্ধৃতি, অখ্যাত সম্মেলন প্রবন্ধ, শেষবার যোগ করা উৎস।

একটি স্বয়ংক্রিয় যাচাই কী ধরে, এবং কোথায় থামে

প্রথমে তালিকাটি একটি পরীক্ষকের মাধ্যমে চালানো হাতে চল্লিশটি DOI মেলানোর চেয়ে দ্রুত, এবং এই সাইটের ফ্রি AI উদ্ধৃতি পরীক্ষক Crossref, OpenAlex এবং Semantic Scholar এর বিরুদ্ধে ঠিক সেটাই করে। এমন কোনো টুলের ওপর নির্ভর করার আগে এটি কী খারাপভাবে করে, তা জানা মূল্যবান।

২০২৬ সালের পাঁচটি বানানো উদ্ধৃতি শনাক্তকারীর একটি মূল্যায়নে, Badalova and Mayr, দেখা গেছে যে এগুলো উপকারী প্রাথমিক সতর্কতা দেয়, কিন্তু চারটি বিষয়ে সীমাবদ্ধ থাকে: একটি নথি থেকে রেফারেন্স পরিষ্কারভাবে বের করা, এন্ট্রির ভেতর অসম্পূর্ণ মেটাডেটা, ডেটাবেস কভারেজের ফাঁক, এবং পরস্পরের সঙ্গে অসংগত রেজিস্ট্রি। তালিকা পেস্ট করলে, PDF আপলোড করার বদলে, এই চারটির মধ্যে কেবল প্রথমটি অদৃশ্য হয়ে যায়।

আপনার নিজস্ব নিরীক্ষার ক্ষেত্রে এর পরিণতি হলো ব্যাখ্যা-সংক্রান্ত একটি নিয়ম। একটি checker সবচেয়ে শক্তিশালী সেই আবিষ্কারে, যা সবচেয়ে গুরুত্বপূর্ণ, এমন একটি DOI যা entry-র দাবির থেকে ভিন্ন একটি paper-এ resolve হয়, যা প্রায় চূড়ান্ত প্রমাণের সমান। এটি books, chapters, theses, proceedings, খুব সাম্প্রতিক কাজ এবং non-English venues-এর ক্ষেত্রে সবচেয়ে দুর্বল, কারণ এগুলোর সবকটিই সর্বত্র খুব অল্প index করা থাকে এবং প্রকৃতপক্ষে সম্পূর্ণ genuine হওয়া সত্ত্বেও নিয়মিতভাবে unfound ফিরে আসে। Unfound হলো হাতে যাচাই করার একটি prompt, কখনও verdict নয়। নিচের manual steps হলো সেই সব ক্ষেত্রে আপনি যা প্রয়োগ করবেন, যেগুলো automated pass মীমাংসা করতে পারেনি।

Submit করার আগে প্রতিটি DOI resolve করুন

একটি DOI, অর্থাৎ Digital Object Identifier, doi.org resolver-এর মাধ্যমে ঠিক একটি record-এ resolve হওয়ার কথা। আপনার reference list থেকে DOIটি resolver-এ যোগ করুন, এবং একটি working DOI publisher-এর page-এ পৌঁছে দেবে সেই exact article-এর জন্য। যে DOI একটি unrelated article-এ, সম্পূর্ণ ভিন্ন একটি journal-এ, অথবা একেবারেই কোথাও resolve হয় না, তা উপলব্ধ সবচেয়ে দ্রুত hallucination check-গুলোর একটি, কারণ একটি model যখন একটি citation invent করে, তখন সাধারণত তার সঙ্গে মানানসই দেখায় এমন একটি DOI string invent করে, real একটি পুনরায় ব্যবহার করার বদলে।

যে DOI সঠিকভাবে resolve হয়, তা citation genuine হওয়ার automatic proof নয়। কিছু fabricated reference unrelated paper-এর real DOI ধার নেয়, যা error ছাড়াই resolve হয় এবং এমন একটি real article-এর দিকে নির্দেশ করে, যার সঙ্গে এটি supposedly supporting claim-এর কোনো সম্পর্ক নেই। DOI যেখানে পৌঁছায়, শুধু সেটি নয়, page-টি পড়ুন।

প্রতিটি title-কে একটি real database-এর সঙ্গে মিলিয়ে দেখুন

আপনার ক্ষেত্রকে অন্তর্ভুক্ত করে এমন একটি ডাটাবেসে, খোলা ওয়েবে নয়, উদ্ধৃতির সঠিক শিরোনামটি, উদ্ধৃতিচিহ্নের মধ্যে, খুঁজুন। Crossref, জৈবচিকিৎসাবিষয়ক কাজের জন্য PubMed, অথবা আপনার শাখার নিজস্ব সূচক, এমন কিছু ব্যবহার করুন। যদি আপনি Crossref ব্যবহার করেন, তবে তাদের বিনামূল্যের অতিথি অনুসন্ধান ব্যবহার করে শিরোনাম ও প্রথম লেখক দিয়ে, অথবা আপনি যদি শিরোনাম সম্পর্কে নিশ্চিত না হন তবে লেখক ও পৃষ্ঠাসংখ্যা দিয়ে একটি রেফারেন্স খুঁজে দেখতে পারেন। এতে তাদের নথিতে যা আছে তার DOI এবং পূর্ণ মেটাডেটা পাওয়া যাবে। যদি কোনো মিল না থাকে, অথবা যা ফিরে আসে তা যদি সম্পূর্ণ ভিন্ন লেখকগোষ্ঠীর একটি প্রকৃত প্রবন্ধ হয়, তবে আপনি দ্বিতীয় ধরনের বিভ্রম দেখছেন, একটি ভাঙা DOI।

শিরোনানুসন্ধান একটি নির্দিষ্ট ব্যর্থতা ধরে, যা DOI যাচাই ধরে না, একটি উদ্ধৃতি যেখানে কাজ করা, প্রকৃত DOI ভুল শিরোনামের সঙ্গে যুক্ত আছে, কারণ সংখ্যা এবং পাঠ্য আলাদাভাবে একত্র করা হয়েছিল এবং কখনও বাস্তবে একে অপরের সঙ্গে মিলিয়ে দেখা হয়নি। যদি ডাটাবেসের শিরোনাম আপনার রেফারেন্স তালিকার শিরোনামের সঙ্গে ঘনিষ্ঠভাবে না মেলে, তবে অমিলটি ব্যাখ্যা করতে না পারা পর্যন্ত সেটিকে জালিয়াতি হিসেবে ধরুন, নীরবে সংশোধনযোগ্য টাইপো হিসেবে নয়।

লেখক তালিকা এবং প্রকাশনার বছর মিলিয়ে দেখুন

একটি বিভ্রমসৃষ্ট উদ্ধৃতি প্রায়ই লেখককে ঠিক ধরে এবং প্রবন্ধটিকে ভুল ধরে, কারণ ক্ষেত্রের একটি প্রকৃত, বিশিষ্ট নামই এমন কিছু যা সম্ভাব্য উদ্ধৃতি খুঁজতে থাকা একটি মডেল তৈরি করবে। আপনার রেফারেন্স তালিকা যে বছর দাবি করছে, সেই বছরের জন্য ডাটাবেসে, যা আপনি ইতিমধ্যে খুলে রেখেছেন, লেখকের নিজস্ব প্রকাশনা তালিকা খুঁজুন। যদি সেই লেখক ওই বছরে 3টি প্রবন্ধ প্রকাশ করে থাকেন এবং সেগুলোর কোনোটিই আপনার শিরোনামের সঙ্গে না মেলে, তবে উদ্ধৃতিটি খুব সম্ভবত উদ্ভাবিত, একটি প্রকৃত নাম এবং একটি প্রকৃত বছর থেকে তৈরি, যা বাস্তবে কখনও একসঙ্গে যায়নি।

বিপরীত ধরনটিও দেখা যায়, একটি প্রকৃত প্রবন্ধ, সঠিক শিরোনামসহ, ভুল বছরের সঙ্গে যুক্ত, সাধারণত চূড়ান্ত প্রকাশনার বছরের বদলে প্রিপ্রিন্টের বছর, অথবা জার্নালের পরবর্তী প্রকাশনা বছরের সঙ্গে উদ্ধৃত কোনো সম্মেলন-সংস্করণ। কঠোর অর্থে এগুলোর কোনোটিই জালিয়াতি নয়, কিন্তু উভয়ই পাঠককে একটি citation manager বা সহলেখকের কাছে নিয়ে যায়, যিনি তখন আপনার উদ্ধৃতিটি খুঁজে পান না, যা একই সমস্যার যথেষ্ট কাছাকাছি, একই পর্যায়ে তা সংশোধন করার জন্য।

সম্ভাব্য কিন্তু উদ্ভাবিত জার্নালের নাম শনাক্ত করুন

একটি কল্পিত জার্নালের নাম এমনভাবে গঠিত হয় যে তা একেবারে বাস্তবের মতো শোনায়: একটি সম্ভাব্য ক্ষেত্র, একটি সম্ভাব্য বিশেষণ, এমন একটি নাম যা প্রকৃত কোনো জার্নালের এতটাই কাছাকাছি যে কেউ আর খতিয়ে দেখতে থামে না। "The Journal of Applied Cognitive Studies" কল্পিত; "The Journal of Applied Psychology" এবং "Journal of Cognitive Science" উভয়ই বিদ্যমান, এবং এই দুইয়ের অংশ জুড়ে তৈরি একটি নাম ঠিক এই কারণেই পরিচিত বলে মনে হয়।

জার্নালের নামটি একা, উদ্ধৃতি চিহ্নের মধ্যে, অনুসন্ধান করুন, এবং একই রেফারেন্স উদ্ধৃত করা অন্য কোনো সাইটের ফলাফল নয়, বরং প্রকাশকের নিজস্ব জার্নাল পৃষ্ঠা এবং একটি বর্তমান ISSN খুঁজুন। একটি বাস্তব জার্নালের একটি হোমপেজ থাকে যেখানে সম্পাদক, বর্তমান খণ্ড এবং সংখ্যা, এবং তার নামে নিবন্ধিত একটি বৈধ ISSN তালিকাভুক্ত থাকে। প্রকাশকের পৃষ্ঠা নেই, ISSN নেই, এবং সেখান থেকে কোনো প্রবন্ধের কাজ উদ্ধৃত হয়নি, এমন একটি নামই পুরো নিরীক্ষায় সবচেয়ে স্পষ্ট সংকেত যে রেফারেন্সটির অস্তিত্ব নেই।

আপনার কল্পিত উদ্ধৃতি নিরীক্ষাকে একটি পুনরাবৃত্তিযোগ্য চেকলিস্টে রূপান্তর করুন

তালিকাটি চূড়ান্ত বলে বিবেচিত হওয়ার আগে, প্রতিটি রেফারেন্সের ক্ষেত্রে এই যাচাইগুলো ক্রমানুসারে চালান। ক্রমটি চারটিই অন্তর্ভুক্ত করার তুলনায় কম গুরুত্বপূর্ণ। একটি উদ্ধৃতি একটি যাচাইয়ে উত্তীর্ণ হতে পারে, তবু অন্যটিতে ব্যর্থ হতে পারে।

যাচাই	এটি কী ধরতে পারে
DOI resolution	একটি DOI যা কোথাও পৌঁছায় না, অথবা একটি সম্পর্কহীন প্রবন্ধে নিয়ে যায়
Title-to-database match	ভুল শিরোনামের সঙ্গে যুক্ত একটি বাস্তব DOI, অথবা এমন একটি শিরোনাম যা একেবারেই কোনো ফলাফল ফেরত দেয় না
Author-plus-year cross-check	একজন বাস্তব লেখকের নাম এমন একটি প্রবন্ধের সঙ্গে যুক্ত, যা তিনি সেই বছরে লেখেননি
Journal name verification	সম্ভাব্য শোনায় এমন একটি জার্নাল, যার কোনো ISSN নেই, কোনো প্রকাশক পৃষ্ঠা নেই, এবং বাস্তব অস্তিত্বও নেই

TextPulse-এর AI উদ্ধৃতি পরীক্ষক একটি পূর্ণ রেফারেন্স তালিকার ওপর এই যাচাইয়ের একটি সংস্করণ স্বয়ংক্রিয়ভাবে চালায়, দীর্ঘ গ্রন্থপঞ্জিতে হাতে করে চারটি যাচাই একে একে করার তুলনায় দ্রুততরভাবে, যদিও এটি যে বিষয়গুলো চিহ্নিত করে সেগুলো পড়ে দেখা তবু নিজে করা মূল্যবান, কোনো চিহ্নকে বিশ্বাসের ভিত্তিতে মেনে নেওয়া বা বাতিল করার বদলে। DOI ধাপটির ক্ষেত্রে বিশেষভাবে, একটি নিবেদিত DOI থেকে Citation Converter প্রতিটি এন্ট্রির জন্য এক এক করে resolver-এ যাওয়ার ঝামেলা বাঁচায়।

একটি পরিচ্ছন্ন গ্রন্থপঞ্জি হলো পাণ্ডুলিপি জমা দেওয়ার আগে কয়েকটি যাচাইয়ের একটি। জার্নালে জমা দেওয়ার জন্য AI স্কোর কমানো আলাদাভাবে আলোচিত হয়েছে, এবং তার পরবর্তী reviewers-দের চিঠির জবাবও আলাদাভাবে আলোচিত হয়েছে।

এর কোনোটিই জমা দেওয়ার আগে আপনার নিজের প্রবন্ধটি আরেকবার পড়ার বিকল্প নয়। তথ্যগুলো যাচাই হয়ে যাওয়ার পরও যদি কোনো অংশ সাধারণ ধরনেরই শোনায়, তবে একটি AI humanizer একটি মাত্র উদ্ধৃতিও না ছুঁয়ে গদ্যকে মসৃণ করতে পারে; TextPulse-এর academic writing-এ AI পাঠকে মানবিক করার নির্দেশিকা সেই প্রক্রিয়াটি অংশ ধরে ধরে ব্যাখ্যা করে। যে রেফারেন্স তালিকা পরিষ্কারভাবে resolve হয় এবং যে পাণ্ডুলিপি আপনার নিজের কণ্ঠস্বরের মতো পড়া যায়, সেগুলো দুটি পৃথক যাচাই, এবং একটিকে অন্যটির কাজ করে দেবে বলে ভরসা করার চেয়ে পরপর চালানোই মূল্যবান।