ChatGPT مسودہ کو جمع کرانے کے قابل مخطوطہ میں ترمیم کرنا

ChatGPT سے ایک مسودہ نوے سیکنڈ میں واپس آتا ہے اور اتنا اچھا پڑھا جاتا ہے کہ ظاہر ی قدم یہ ہوتا ہے کہ پہلے جملے سے شروع کیا جائے اور آگے کی طرف اسے بہتر بنایا جائے۔ دو گھنٹے بعد وہ پیراگراف، جس پر سب سے زیادہ وقت لگا تھا، حذف کر دیا جاتا ہے، کیونکہ اسے سہارا دینے والا دعویٰ دراصل بے بنیاد نکلا۔ آپ جس ترتیب سے تدوین کرتے ہیں، وہ طے کرتی ہے کہ آپ اس کام کا کتنا حصہ ضائع کریں گے۔

تحقیقی سیاق میں ChatGPT output کی تدوین چار مراحل میں کی جاتی ہے، اس ترتیب سے کہ بعد میں کسی غلطی کو درست کرنا کتنا مہنگا پڑے گا: پہلے دعوے اور شواہد، دوسرے ساخت، تیسرے جملوں کی روانی، اور آخر میں الفاظ۔ ہر مرحلہ یہ فرض کرتا ہے کہ اس سے پہلے والا مرحلہ اب حرکت نہیں کر رہا۔ اگر انہیں کسی اور ترتیب سے چلایا جائے تو آپ کی بہترین توجہ ایسے جملوں پر صرف ہو جاتی ہے جو ہفتے بھر بھی برقرار نہیں رہیں گے۔

ChatGPT output کی تدوین چار مراحل میں کیسے کی جائے

تدوین کے اثرات یکساں طور پر تباہ کن نہیں ہوتے۔ کسی پیراگراف کو منتقل کرنے کے لیے ان تمام جوڑوں کو دوبارہ لکھنا پڑتا ہے جنہیں آپ نے ہموار کیا تھا۔ تیسرے مرحلے میں ایک جملہ شامل کرنے سے اس پیراگراف کی روانی دوبارہ صفر ہو جاتی ہے جسے آپ نے دوسرے مرحلے میں متوازن کیا تھا۔ کسی غیر ماخذ شدہ دعوے کو حذف کرنے سے وہ جملہ تباہ ہو جاتا ہے جسے آپ نے بیس منٹ تک نکھارا تھا۔ یہ ترتیب اس لیے موجود ہے کہ ہم سب سے زیادہ تباہ کن تبدیلی سے کم سے کم تباہ کن تبدیلی کی طرف کام کریں اور ہر مرحلے کو اپنی اصل حالت میں برقرار رکھیں۔

مرحلہ	آپ کس چیز کی اصلاح کر رہے ہیں	یہ یہاں کیوں رکھا گیا ہے
ایک: دعوے اور شواہد	کیا ہر factual جملہ درست ہے اور کسی ایسے source تک trace کیا جا سکتا ہے جسے آپ نے کھولا ہوا ہے	جو جملہ آپ حذف کرنے والے ہیں، اسے پہلے نکھارنا قابلِ قدر نہیں
دو: ساخت	کیا حصوں کی ترتیب آپ کی دلیل کو آگے بڑھاتی ہے، نہ کہ موضوعات کی ایک فہرست کو	Line-editing کے بعد پیراگراف کو منتقل کرنے کا مطلب ہے ہر جوڑ کو دوبارہ edit کرنا
تین: جملوں کی روانی	پیراگراف کے اندر جملوں کی یکساں طوالت اور clause کی دہرائی ہوئی ساختیں	مرحلہ ایک اور دو میں ہر insertion پیراگراف کی روانی کو دوبارہ صفر کر دیتا ہے
چار: الفاظ	روایتی verbs اور abstractions جو کوئی معلومات نہیں دیتے	سب سے سستا edit اور سب سے چھوٹا lever، اس لیے یہ آخر میں آتا ہے

مرحلہ ایک: ہر دعوے کو اس source کے مقابلے میں جانچیں جسے آپ نے کھولا ہوا ہے

مسودہ ایک بار اس نیت کے بغیر پڑھیں کہ تحریر کو بہتر بنانا ہے۔ اس مرحلے میں آپ صرف ان جملوں کو نشان زد کر رہے ہیں جو کوئی factual بات بیان کرتے ہیں: ایک عدد، ایک mechanism، ایک finding، یا اس بارے میں کوئی دعویٰ کہ اس وقت field کیا سوچتی ہے۔ باقی سب کچھ بعد میں ہو سکتا ہے، اور راستے میں کسی بھدے فقرے کو درست کرنے کی خواہش ہی وہ چیز ہے جو خاموشی سے بیس منٹ کے مرحلے کو ایک دوپہر میں بدل دیتی ہے۔

ہر نشان زدہ جملے کو تین marks میں سے ایک mark دیں۔ پہلا mark: میں نے source پڑھ لیا ہے اور اس کا حوالہ دے سکتا ہوں۔ دوسرا mark: مجھے معلوم ہے کہ یہ درست ہے اور مجھے جا کر source تلاش کرنا ہے۔ تیسرا mark: model نے یہ دعویٰ کیا ہے اور مجھے کوئی اندازہ نہیں کہ یہ کہاں سے آیا۔ تیسرے mark والے جملے دوبارہ لکھنے کے بجائے حذف کر دیے جاتے ہیں۔ یہاں اس ہدایت پر عمل کرنا سب سے مشکل ہے، کیونکہ ایسے جملے عموماً صفحے پر سب سے ہموار ہوتے ہیں۔

model کا draft دعووں کو کسی خاص شخص سے منسوب نہیں کرتا، اور اس کی عبارت اس بات کو ظاہر کر دیتی ہے۔ Recent studies suggest, researchers have found, it is widely accepted: یہ سب اس شکلیں ہیں جو کوئی دعویٰ اس وقت اختیار کرتا ہے جب اس کے پیچھے کوئی specific paper موجود نہ ہو۔ ان میں سے ہر ایک یا تو ایک حقیقی citation ہے جو آپ نے ابھی شامل نہیں کی، یا ایسا جملہ ہے جس کے نیچے کچھ نہیں، اور یہ معلوم کرنے کا طریقہ کہ کون سا ہے، paper کا نام لینے کی کوشش کرنا ہے۔ اگر آپ کر سکتے ہیں تو اسے جملے میں نام دیں۔ اگر آپ نہیں کر سکتے تو جملہ حذف کر دیں۔

model کی فراہم کردہ references کو اپنی reference list کے قریب لانے سے پہلے database کے ساتھ check کرنا ضروری ہے، کیونکہ ایک plausible author, year اور journal کو بغیر کسی matching paper کے موجود ہونے کے بھی تیار کیا جا سکتا ہے۔ An AI citation checker ایک ہی مرحلے میں پوری list کے identifiers resolve کر دیتا ہے، جو ہر title کو ہاتھ سے تلاش کرنے سے زیادہ تیز ہے اور supervisor کے margin note میں مسئلہ دریافت کرنے سے کہیں زیادہ تیز ہے۔ draft نے آپ کو جو کچھ دیا ہے، اس میں سے کسی چیز کا حوالہ دینے سے پہلے یہ کریں۔

Pass Two: اپنے argument کے گرد ساخت کو دوبارہ بنائیں

ساخت پہلے آتی ہے، کیونکہ کسی پیراگراف کو اس کی لائن ایڈیٹنگ کے بعد آگے پیچھے کرنا اس کے تمام جوڑوں کی دوبارہ تدوین کا تقاضا کرتا ہے۔ اس مرحلے میں آپ طے کر رہے ہوتے ہیں کہ کیا کہاں جائے گا اور کیا مکمل طور پر حذف ہوگا، اور آپ کو توقع رکھنی چاہیے کہ مسودہ مزید مختصر ہو جائے گا۔ ایک ماڈل نے ایک پرامپٹ سے بظاہر مکمل دستاویز تیار کی، جو اس دستاویز سے مختلف شے ہے جو ایک دلیل قائم کرنے کے لیے بنائی گئی ہو۔

ہر پیراگراف کے صرف پہلے جملے کو، ترتیب کے ساتھ، اور اس کے سوا کچھ نہیں، پڑھیں۔ اسے ایک دلیل کی طرح پڑھنا چاہیے: ہم نے کیا مانگا، ہم نے کیسے دیکھا، ہمیں کیا ملا، اس کا کیا مطلب ہے۔ ایک generated مسودہ اس آزمائش میں جس ایک خاص طریقے سے ناکام ہوگا وہ یہ ہے کہ وہ دلائل کی ایک سطر کے بجائے موضوعات کی فہرست کی طرح پڑھے: ماڈل پرامپٹ کو پیراگراف بہ پیراگراف مکمل کر رہا تھا، اس خدمت کے لیے کوئی thesis موجود نہ تھی۔

دوسری ساختی خرابی even weighting ہے۔ ایک ماڈل ہر ذیلی موضوع کو تقریباً یکساں جگہ دیتا ہے، کیونکہ پرامپٹ میں کسی چیز نے اسے نہیں بتایا کہ کون سا حصہ اہم ہے۔ ایک حقیقی manuscript غیر متوازن ہوتا ہے۔ جو finding واقعی آپ کے پاس ہے، جو limitation واقعی اثر انداز ہوئی، جو method آپ نے درمیان میں بدل دی: ان سب کو background کے مقابلے میں زیادہ جگہ ملتی ہے، اور اس مرحلے میں background عموماً اپنی لمبائی کا ایک تہائی کھو دیتا ہے۔ جب آپ وہاں ہوں، تو ہر section کے آخر والے اس جملے کو کاٹ دیں جو section کو دوبارہ بیان کرتا ہے۔ ایک قاری جو اسے ابھی پڑھ چکا ہو کچھ حاصل نہیں کرتا، اور ایک generated مسودہ تقریباً ہر بار ایسا ایک جملہ پیدا کر دیتا ہے۔

مرحلہ تین: جب مواد کی حرکت رک جائے تو ایک بار rhythm درست کریں

جملوں کی rhythm کو درست کرنا صرف اسی وقت قابلِ قدر ہے جب مواد settle ہو چکا ہو، کیونکہ اوپر کے دو مراحل میں ہر insertion اسے دوبارہ reset کر دیتا ہے۔ آپ جس چیز کی تلاش میں ہیں وہ ایسے جملوں کی ایک قطار ہے جو لمبائی اور ساخت میں مشابہ ہوں۔ تقریباً یکساں لمبائی کے چار مسلسل جملے بلند آواز میں پڑھنے پر پھیکے محسوس ہوں گے، اور کسی passage میں جملوں کی یکساں لمبائی وہ ساختی نشان ہے جسے ایک محتاط قاری اور ایک statistical classifier دونوں پہچان لیتے ہیں۔

مرمت ایک میکانیکی عمل ہے۔ پیراگراف کو بلند آواز سے پڑھیں، دو یا تین جملوں کے ہر ایسے سلسلے کو نشان زد کریں جو ایک ہی طرح اثر ڈالتا ہو، پھر ان میں سے ایک کو الگ کر دیں یا دو کو اس طرح جوڑ دیں کہ کوما واقعی کام کرے۔ ایک طویل جملے کو اپنی طوالت کا حق اس طرح ادا کرنا چاہیے کہ وہ کوئی پیچیدگی، شرط یا نتیجہ ساتھ لے کر آئے، جسے ایک مختصر جملے کو دو بار کہنا پڑتا۔ ان حرکات کی عملی مثالیں، قبل اور بعد کی صورتوں کے ساتھ ساتھ، how to humanize AI text پر گائیڈ میں موجود ہیں۔

اس کے الٹ لالچ کی مزاحمت کریں۔ بھرائی والے جملے، جو کچھ نہیں بڑھاتے بلکہ صرف ردھم میں خلل ڈالنے کے لیے موجود ہوتے ہیں، قاری کو دو پیراگراف کے اندر پہچان آ جاتے ہیں۔ تنوع اس بات سے آنا چاہیے کہ مواد مختلف مواقع پر مختلف مقدار میں بات کہتا ہے، اور یہی وجہ ہے کہ حقیقی تحقیقی پیراگراف ابتدا ہی سے غیر ہموار ہوتا ہے۔

Pass Four: الفاظ، آخری اور سب سے چھوٹا

الفاظ آخر میں آتے ہیں کیونکہ یہ سب سے سادہ ترمیم اور سب سے چھوٹا ذریعہ ہیں، اور انہیں پہلے کرنا پیش رفت کا احساس تو دیتا ہے مگر اصل مواد نہیں۔ ایک تیار شدہ مسودہ چند زیادہ استعمال ہونے والے علمی افعال اور مجرد تصورات پر انحصار کرتا ہے، اور جو قاری ایک سمسٹر میں سو مقالوں پر نشان لگاتا ہے اس نے یہ سب دیکھ رکھے ہوتے ہیں۔ facilitate, underscore, pivotal, robust, myriad اور showcase تحقیقی مسودے میں عام مشتبہ الفاظ ہیں۔

روایتی فعل کو اس فعل سے بدلیں جس کی جملے کو واقعی ضرورت ہے، اور فیصلہ کرنے کے لیے معلوماتی آزمائش استعمال کریں: showed, measured, doubled اور failed ہر ایک قاری کو کچھ ایسا بتاتے ہیں جو facilitate نہیں بتاتا۔ A free AI word cleaner چند سیکنڈ میں زیادہ تر روایتی الفاظ پکڑ لیتا ہے، اور اس پر اتنا ہی وقت لگانا مناسب ہے۔ اس مرحلے میں اصل خطرہ حد سے زیادہ درستی ہے، کیونکہ جو مسودہ بہت زیادہ مشینی پن سے پاک کیا گیا ہو وہ تھیسارس کی مشق کی طرح پڑھا جاتا ہے، اور نگران اسے کسی بھی سافٹ ویئر سے زیادہ تیزی سے محسوس کر لیتا ہے۔

چار مراحل کے بعد آپ کے پاس کیا رہ جاتا ہے

ایک ایسا مسودہ جس کا آپ دفاع کر سکیں، وہ ہوتا ہے جس میں آپ کسی بھی جملے کی طرف اشارہ کر کے بتا سکیں کہ وہ کہاں سے آیا ہے۔ یہی اصل قابلِ فراہمی نتیجہ ہے، اور اوپر کی ہر مرحلہ وار کارروائی اسی کی طرف ایک قدم ہے: پہلا مرحلہ ہر دعوے کو ایک ماخذ دیتا ہے، دوسرا مرحلہ استدلال کو ایک شکل دیتا ہے، تیسرا اور چوتھا مرحلہ نتیجے کو اس سطح پر قابلِ مطالعہ بناتے ہیں جس کی توقع کوئی جریدہ یا جانچنے والا کرتا ہے۔

ایک AI تحریری اسکور عموماً ان مراحل کے دوران خود بخود کم ہو جاتا ہے، کیونکہ ہر مرحلہ اس چیز کو کم کرتا ہے جس سے اسکور نکالا جاتا ہے: بغیر ماخذ کے عمومی دعوے، حصوں کی یکساں وزن بندی، جملوں کی یکساں طوالت، اور رائج الفاظ۔ اسکور کو خود ہدف بنانا کام کی سمت الٹ دیتا ہے۔ Turnitin کی اپنی رہنمائی اس عدد کی حدود کے بارے میں صاف ہے، اور کہتی ہے کہ اس کا ماڈل "may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student."

اب اوزاروں کے بارے میں ایک نکتہ، پھر مسودے کی طرف واپس۔ An AI humanizer ایک طویل دستاویز پر تیسرا مرحلہ کسی انسان کے مقابلے میں زیادہ تیزی سے انجام دے سکتا ہے، اور یہ متن سے نکالا گیا ایک تخمینی Human Score بتاتا ہے، نہ کہ کسی نامزد detector کا فیصلہ۔ یہ پہلا مرحلہ بالکل نہیں کر سکتا، کیونکہ جب کام ہوا تھا تو یہ وہاں موجود نہیں تھا اور اس کے پاس یہ جاننے کا کوئی طریقہ نہیں کہ آپ کے کون سے دعوے کے پیچھے ماخذ موجود ہے۔

کیا مسودے میں اس کی اصل بتانا ضروری ہے، یہ ایک الگ سوال ہے جس کا حقیقی جواب موجود ہے، اور یہ آپ کے ادارے یا ہدف جریدے پر منحصر ہے، نہ کہ اس پر کہ تدوین کے بعد متن کا کتنا حصہ باقی رہا۔ how to disclose AI use in a paper پر رہنمائی ان الفاظ کا احاطہ کرتی ہے جن کی زیادہ تر پالیسیاں توقع کرتی ہیں اور یہ کہ وہ دستاویز میں کہاں درج ہونے چاہئیں۔

اگر فوری مسئلہ رپورٹ میں ایک عدد ہے، تو lowering an AI score کو الگ صفحے پر زیرِ بحث لایا گیا ہے۔ Whether the tools built to do that actually work ایک معقول پیشگی سوال ہے، اور اس کا اپنا جواب موجود ہے۔

چاروں مراحل ایک بجٹ کے طور پر بھی کام کرتے ہیں۔ ایک ڈیڈ لائن سے پہلے اگر صرف ایک شام ہو، تو اسے پہلے دو مراحل پر خرچ کریں اور کچھ جملوں کو قدرے غیر ہموار رہنے دیں۔ ایسا غیر ہموار جملہ جو کسی ایسے نتیجے سے جڑا ہو جس کا آپ دفاع کر سکیں، viva میں برقرار رہتا ہے۔ ایک خوبصورت جملہ جو کسی چیز سے جڑا نہ ہو، برقرار نہیں رہتا۔