AI Detection

আপনার লেখায় Perplexity এবং Burstiness কীভাবে বাড়াবেন

ইচ্ছাকৃতভাবে perplexity এবং burstiness বাড়ানো সাধারণত শুধু আরও ভালোভাবে লেখা বোঝায়: বাক্যের দৈর্ঘ্য ভিন্ন করা, clause-এর গঠন মিশিয়ে ব্যবহার করা, এবং যে শব্দটি সত্যিই মানায় সেটি বেছে নেওয়া, কেবল যে শব্দটি উপরিতলে মানানসই মনে হয় তা নয়। নির্দিষ্ট আগে ও পরে উদাহরণ, এবং কোথায় এটি craft হওয়া বন্ধ করে খারাপ ধারণা হয়ে যায়।

6 min
Before and after example showing how to increase burstiness and perplexity by varying sentence length and word choice

burstiness কীভাবে বাড়ানো যায় তা খুঁজলে অধিকাংশ ফলাফলে একটি শর্টকাটের প্রতিশ্রুতি দেখা যায়: একটি সমার্থক শব্দ বদল, ইচ্ছামতো ঢুকিয়ে দেওয়া একটি দীর্ঘ বাক্য, হয়তো বাড়তি হিসেবে ব্যাকরণের একটি ভাঙা নিয়ম। আসলে সংখ্যাটিকে নাড়ায় এমন কিছুই তা নয়। কোনো লেখায় perplexity এবং burstiness বাড়ানো মূলত বাক্য-স্থাপত্যের বিষয়, সেই একই কারিগরি যা একজন সতর্ক সম্পাদক ইতিমধ্যেই অনুশীলন করেন, তবে অভ্যাসবশে নয়, উদ্দেশ্যপ্রণোদিতভাবে প্রয়োগ করা হয়।

এটি একটি ব্যবহারিক লেখা, কোনো প্রক্রিয়া ব্যাখ্যা নয়। burstiness-এর পেছনের সূত্র, এবং এই শব্দটি আসলে কোথা থেকে এসেছে, তা burstiness আসলে কী পরিমাপ করে, সে বিষয়ে সহগামী লেখায় আলোচিত হয়েছে, perplexity-এরও একই কাজ করা নিজস্ব সহগামী লেখা আছে। এখানে যা অনুসরণ করছে তা হলো কৌশল, অর্থাৎ এমন নির্দিষ্ট উপায়, যার মাধ্যমে একটি বাক্য গঠন করলে এই দুই পরিমাপেরই মান বেশি আসে, আগে ও পরে উদাহরণসহ, এবং কোথায় এটি আর লেখার পরামর্শ থাকে না, বরং খারাপ ধারণায় পরিণত হয়, তার একটি সৎ বিবরণসহ।

উদ্দেশ্যপ্রণোদিতভাবে বাক্যের দৈর্ঘ্য পরিবর্তন করে burstiness কীভাবে বাড়ানো যায়

burstiness আপনার বাক্যগুলোর মধ্যে বিস্তারকে অনুসরণ করে, তাদের গড় দৈর্ঘ্যকে নয়, তাই সবচেয়ে দ্রুত কার্যকর উপায় হলো সেই বিস্তারটি ইচ্ছাকৃতভাবে বাড়ানো, পুরো একটি অনুচ্ছেদ জুড়ে একটিমাত্র আরামদায়ক দৈর্ঘ্যে ভেসে যাওয়া নয়। অধিকাংশ প্রথম খসড়া এমন এক ছন্দে স্থির হয়, যা কেউ ইচ্ছা করে বেছে নেয়নি: বারো থেকে ষোলো শব্দের মধ্যে তিনটি বাক্য নিরাপদ মনে হয়, তাই চতুর্থ ও পঞ্চম বাক্যও কেউ সিদ্ধান্ত না নিয়েই একই ধরন অনুসরণ করে।

Before: 'The sample size limited statistical power. The results should be interpreted with caution. Future research should address this limitation with larger cohorts.' তিনটি বাক্য, প্রতিটিতে আট থেকে এগারোটি শব্দ, পুরোটা জুড়ে একটিই রেজিস্টার। After: 'The sample was little, which limited statistical power in ways worth saying plainly rather than hedging around. That matters. A single larger cohort could shift the effect size enough to change which claims the paper is entitled to make.' একই বিষয়বস্তু, কিন্তু বিস্তার সম্পূর্ণ ভিন্ন।

লক্ষ্য মোটেও সর্বোচ্চ বৈচিত্র্য নয়, তা-ও যেকোনো মূল্যে নয়। প্রতিটি লাইনে চল্লিশ শব্দের একটি বাক্যের পর দুই শব্দের একটি বাক্য পালা করে বসালে তা ছন্দের চেয়ে একধরনের অভ্যাসগত খিঁচুনি বলেই মনে হয়। উদ্দেশ্যটি বরং কাছাকাছি সেইভাবে, যেভাবে একজন মানুষ স্বাভাবিকভাবে উচ্চস্বরে কোনো ব্যাখ্যা ধাপে ধাপে বলে: কোনো ধারণার জন্য জায়গা দরকার হলে একটি দীর্ঘ ভূমিকা-বাক্য, আর দরকার না হলে একটি সংক্ষিপ্ত বাক্য।

একটি পুনরাবৃত্তি না করে বাক্যগঠন মিশিয়ে নিন

একটি অনুচ্ছেদে শব্দসংখ্যা ভিন্ন হতে পারে, তবু যদি প্রতিটি বাক্য একইভাবে গঠিত হয়, বিষয়, ক্রিয়া, কর্ম, পূর্ণচ্ছেদ, পুনরাবৃত্তি, তবে তা ফ্ল্যাটই থেকে যায়। Burstiness কেবল দৈর্ঘ্যের ওপর নয়, গঠনগত বৈচিত্র্যের ওপরও সাড়া দেয়, কারণ পাঠক, বা পরবর্তী সম্ভাব্য গঠন অনুমানকারী কোনো মডেল, কয়েকটি বাক্যের পর বিষয় দিয়ে শুরু হওয়া বাক্যের পরে যদি অধীনস্থ উপবাক্য দিয়ে, বা একটি প্রশ্ন দিয়ে, শুরু হওয়া বাক্য আসে, তবে তা বিঘ্নিত হয়।

আগে: 'The intervention reduced anxiety scores. The effect held across age groups. The mechanism remains unclear.' পরপর তিনটি বিষয়-প্রথম বাক্য। পরে: 'Anxiety scores dropped after the intervention. Whether that held across every age group took a second look to confirm, and it did. What is still missing is a mechanism that explains why.' এই দুই সংস্করণের মধ্যে অন্তর্নিহিত ফলাফলে কিছুই বদলায়নি, বদলেছে কেবল সেই স্থাপত্য, যার মধ্য দিয়ে পাঠককে তা পৌঁছাতে হয়।

এটি নিজের জন্য জটিলতা তৈরি করা নয়। সামনে বসানো অধীনস্থ উপবাক্য তখনই তার স্থান পায়, যখন তা সত্যিই পরবর্তী বাক্যের ভিত্তি তৈরি করে: সময়সূচক, শর্ত, ছাড়। কেবল বৈচিত্র্যের জন্য, এবং তা ন্যায্যতা দেওয়ার মতো কিছু না থাকলে, একই গঠন ঠিক সেটাই বলে, যা তা আসলে, অলংকার, স্থাপত্য নয়।

আপনার নিজস্ব পেপারকে মানবসদৃশ করুন

আপনার AI-সহায়তাপ্রাপ্ত লেখাকে রূপান্তর করুন এবং গুরুত্বপূর্ণ শব্দ বা উদ্ধৃতি স্পর্শ না করে সেটিকে মানবসদৃশ শোনান।

বিনামূল্যে শুরু করুন

প্রত্যাশিত শব্দের বদলে নির্দিষ্ট শব্দটি বেছে নিন

Perplexity শব্দস্তরে কাজ করে, তাই উপরের বাক্যদৈর্ঘ্য-সংক্রান্ত কাজটি কেবল অর্ধেক ভার বহন করে। একটি মডেল সাধারণ, পরের সম্ভাব্য শব্দটিকে উচ্চ সম্ভাবনা দেয়: significant, notable, important, বা একই ধারার আরও হাজারো প্রবন্ধ যে শব্দটি সেখানে নিত। প্রকৃত সংখ্যা, প্রকৃত প্রক্রিয়া, বা পর্যালোচক যে প্রকৃত আপত্তি তুলেছিলেন, তা নামকরণ করলে মডেলের কাছে কেবল নিরাপদ ছিল এমন শব্দের তুলনায় অনেক বেশি বিস্ময়ের খরচ পড়ে।

আগে: 'The findings were major and have important implications for the field.' এমন একটি বাক্য, যা একজন পর্যালোচক যে শব্দগুলো আশা করেন, সেই শব্দগুলো দিয়েই, এবং যে ক্রমে তিনি সেগুলো আশা করেন, সেই ক্রমেই গঠিত। পরে: 'Three of four cohorts cleared the threshold; the fourth missed it by two points, which the discussion section never explains.' দ্বিতীয় সংস্করণটি কেবল এই নির্দিষ্ট গবেষণাটিকেই বর্ণনা করতে পারে। প্রথমটি প্রায় যেকোনো শাস্ত্রের প্রায় যেকোনো প্রবন্ধের শেষে বসতে পারে।

এর মানে এই নয় যে একটি বাক্যে অপ্রয়োজনীয় বিশদ যোগ করতে হবে। এর মানে হলো, ইতিমধ্যে সত্য এবং নির্দিষ্ট যে বিশদ ছিল, সেটিকে ধরে রাখা, বদলে সেটিকে সেই সাধারণ বাক্যে মসৃণ করে ফেলা নয়, যেটির দিকে সময়সীমার চাপে প্রথম খসড়া হাত বাড়ায়। একটি নির্দিষ্ট সংখ্যা, একটি নামযুক্ত সীমাবদ্ধতা, একটি বিশেষ প্রতিদৃষ্টান্ত তৈরি করতে বেশি খরচ হয়, কারণ সেগুলো কম পূর্বানুমেয়, এবং সেগুলো একই সঙ্গে আরও ভালো বাক্যও বটে।

একটি দীর্ঘ বাক্যের পরে একটি সংক্ষিপ্ত বাক্যকে স্বাভাবিকভাবে আসতে দিন

আগের দুটি কৌশল বাক্য ধরে বাক্য কাজ করে। এটি নির্ভর করে একটি বাক্য তার পাশের বাক্যের তুলনায় কী করে, তার ওপর। একটি দীর্ঘ বাক্য, যা একটি অধীনস্থ উপবাক্যকে একটি শর্তের সঙ্গে, তারপর একটি নির্দিষ্ট বিশদের সঙ্গে স্তূপীকৃত করে, একটি ফাঁক তৈরি করে। এর পরপরই যদি কিছু সংক্ষিপ্ত আসে, তবে সেই ছন্দ ভেঙে যায়, যার মধ্যে পাঠক, এবং একটি শ্রেণিবিন্যাসকারী, অন্যথায় স্থির হয়ে যেত।

আগে: 'The treatment group showed improvement across three of the four measures tracked, and while the fourth measure didn't reach statistical significance, the trend was directionally consistent with the other three, suggesting the null result there may reflect a power issue rather than a true absence of effect, a possibility the original protocol didn't expect.' একটি বাক্য, যা পাঁচটি ধারণা বহন করছে। পরে: 'The treatment group improved on three of four measures. The fourth didn't reach significance, though the trend pointed the same way. That gap was not in the original protocol.' দীর্ঘ সংস্করণ এবং সংক্ষিপ্ত সংস্করণ শেষ পর্যন্ত প্রায় একই কথা বলে, কিন্তু তাদের মধ্যে কেবল একটিই পাঠককে শ্বাস নেওয়ার জায়গা দেয়।

প্রতি অনুচ্ছেদে একটি সংক্ষিপ্ত বাক্য তার প্রাপ্য মর্যাদা পায়। পরপর কয়েকটি এলে তা বিজ্ঞাপনী কপির কাছ থেকে ধার করা এক ধরনের খিঁচুনির মতো মনে হতে শুরু করে, একবারে তিনটি শব্দ করে, যা নিজেই এক ধরনের একরূপতা এবং কোনো ভিন্নতা না রাখার মতোই কার্যকরভাবে একটি অনুচ্ছেদকে সমতল করে দিতে পারে।

উপরে উল্লিখিত প্রতিটি কৌশল একই লিভারে চাপ দেয় না। কিছু কৌশল perplexity বেশি বদলায়, কিছু burstiness বেশি বদলায়, আর কয়েকটি একসঙ্গে দুটিই বদলায়।

কৌশলপ্রধানত যা বদলায়কেন
বাক্যের দৈর্ঘ্য পরিবর্তন করাBurstinessসবচেয়ে ছোট ও সবচেয়ে দীর্ঘ বাক্যের মধ্যে ব্যবধান বাড়ায়, যা বিস্তারভিত্তিক পরিমাপটি অনুসরণ করে
উপবাক্যের গঠন মিশিয়ে দেওয়াউভয়ইএকটি বাক্য থেকে পরের বাক্যে নির্দিষ্ট ধাঁচের প্রত্যাশা ভেঙে দেয়
নির্দিষ্ট শব্দটি বেছে নেওয়াPerplexityএকটি নামযুক্ত বিবরণ একটি সাধারণ স্থানধারকের তুলনায় মডেলের কাছে বেশি বিস্ময় দাবি করে
দীর্ঘ বাক্যের পরে একটি সংক্ষিপ্ত বাক্যBurstinessবিচ্যুতি গণনা যে তীব্র বৈপরীত্য ধরতে তৈরি, তা সৃষ্টি করে

স্কোরকে হারানোর জন্য নয়, পাঠের উপযোগী করে লেখা

উপরে উল্লিখিত প্রতিটি কৌশলই কেবল ভালো সম্পাদনাও বটে। বাক্যের দৈর্ঘ্য পরিবর্তন করা, উপবাক্যের গঠন মিশিয়ে দেওয়া, নিরাপদ সাধারণীকরণের বদলে নির্দিষ্ট বিবরণটির নাম নেওয়া, AI detection এ কোনো আগ্রহ নেই এমন একজন সম্পাদকও একই কারণে একই পরিবর্তন করতেন, কারণ ফলাফলটি আরও ভালোভাবে পড়ে। এই ওভারল্যাপ কোনো কাকতাল নয়। একজন সতর্ক পাঠক এবং একটি perplexity গণনা লেখার একই বৈশিষ্ট্যের প্রতি সাড়া দিচ্ছে, অর্থাৎ এর কতটা অংশ প্রত্যাশিত বাক্যাংশ দিয়ে জায়গা ভরার বদলে সত্যিকারের কাজ করছে।

ওভারল্যাপটি ভেঙে পড়ে সেই মুহূর্তে, যখন লক্ষ্যটি ভালোভাবে লেখা থেকে সরে একটি সংখ্যা হারানোর দিকে ঘুরে যায়। কোনো কারণ ছাড়াই, কেবল গড় বাড়ানোর জন্য দীর্ঘ করা একটি বাক্য, ইচ্ছাকৃতভাবে অস্বাভাবিক করা একটি গঠন, সঠিকতার বদলে বিরলতার জন্য বেছে নেওয়া একটি শব্দ, এগুলোর সবই একটি স্কোর বাড়ায় এবং লেখাটিকে আরও খারাপ করে, যা আসলে যিনি এটি মূল্যায়ন বা পর্যালোচনা করছেন, তাঁর কাছে এটি কেমন পড়ে তা বিবেচনা করার আগেই একটি খারাপ বিনিময়। একটি detector-ও কখনো ঘরের একমাত্র পাঠক নয়, এবং একটি মাত্র পরিসংখ্যানকে সন্তুষ্ট করার জন্য লেখা গদ্য সাধারণত আর কাউকেই সন্তুষ্ট করে না।

TextPulse-এর নিজস্ব free perplexity checker এবং free burstiness checker ঠিক এই ধরনের স্ব-পরীক্ষার জন্য তৈরি: একটি খসড়া পেস্ট করুন, দেখুন এটি কোথায় দাঁড়ায়, এবং সিদ্ধান্ত নিন একটি সমতল অংশ শৈলীগত সমস্যা কি না, যা সংশোধন করা উচিত, নাকি কেবল একটি অনুমান। TextPulse-এর free tools collection-এর বাকি অংশ একই প্রশ্নের অন্যান্য স্তর, শব্দচয়ন, গঠন, সুর, আরও পূর্ণাঙ্গ পাঠের জন্য কভার করে, যা এই দুই মাপের যেকোনো একটিতে একা পাওয়া যায় না।

একই কৌশল, মেট্রিকটি বাদ দিয়ে বর্ণনা করলে, কেবল academic writing-এ বাক্যের দৈর্ঘ্য ভিন্ন করা। এটি বিস্তৃত প্রশ্নটির সঙ্গে মিলিয়ে দেখা মূল্যবান, কেন AI text আদৌ detected হয়, যাতে সম্পাদনাগুলি কারণটির দিকেই লক্ষ্য করে থাকে।

এর কোনোটির জন্যই বিশ্বাস করতে হয় না যে একটি একক সংখ্যা কোনো লেখার সম্পর্কে পুরো সত্য বলে, এবং এটি মনে রাখা মূল্যবান, কারণ এই মাপগুলো AI detectors আসলে কীভাবে কাজ করে তার আরও পূর্ণ বিবরণে কীভাবে মেলে। একটি অনুচ্ছেদ যা জোরে পড়লে ভালো শোনায়, যেখানে শ্বাস নেওয়ার জায়গা আছে এবং অন্তত একটি বাক্য আছে যা কেবলমাত্র এমন একজনই লিখতে পারতেন যিনি বিষয়টি জানেন, সাধারণত বাকি কাজটি নিজে থেকেই সামলে নেয়।

XLinkedInFacebook

সচরাচর জিজ্ঞাসিত প্রশ্ন

Burstiness কীভাবে বাড়াবেন, তা মূলত আপনার সবচেয়ে ছোট এবং সবচেয়ে দীর্ঘ বাক্যের মধ্যে ব্যবধান বাড়ানোর ওপর নির্ভর করে, যাতে প্রতিটি বাক্য প্রায় একই দৈর্ঘ্যে স্থির না থাকে। তিনটি বারো-শব্দের বাক্য পরপর নিয়ে গঠিত একটি অনুচ্ছেদে প্রায় কোনো বিস্তার থাকে না। সেই pattern ভেঙে একটি ছোট বাক্য এবং একটি দীর্ঘ, আরও বিস্তারিত বাক্য যোগ করলে এই পরিমাপ সঙ্গে সঙ্গে বাড়ে, এবং সাধারণত পড়তেও ভালো লাগে।

Moe

PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.

AI মানবিককরণ সম্পর্কে আপডেট থাকুন

একাডেমিক লেখা, AI শনাক্তকরণ, এবং মানবিককরণ নিয়ে টিপস আপনার ইনবক্সে পান।

স্প্যাম নয়। যেকোনো সময় আনসাবস্ক্রাইব করতে পারেন।