مفت Perplexity Checker لفظی سطح کی پیش گوئی پذیری ناپیں

یہ کہ ایک لینگویج ماڈل کو جملے میں اگلے ہر لفظ پر کتنا حیرت ہوتی ہے۔ ایک ماڈل پڑھنے سے پہلے ہر ممکنہ لفظ کو ایک probability دیتا ہے، اور perplexity یہ خلاصہ کرتی ہے کہ اس کی ٹاپ پیش گوئی عام طور پر اس لفظ سے کتنی دور رہتی ہے جو واقعی ظاہر ہوتا ہے۔ مانوس phrasing ماڈل کی پیش گوئیوں کو قریب رکھتی ہے، اس لیے اس کا اسکور کم ہوتا ہے۔ مخصوص، کم استعمال ہونے والے لفظوں کے انتخاب سے ماڈل مزید حیران ہوتا ہے، اس لیے اسکور بڑھتا ہے۔ یہ لفظ کی سطح کی پیمائش ہے، دو اقتباسات ایک ہی جملہ ساخت شیئر کر سکتے ہیں اور پھر بھی مختلف اسکور پر پہنچ سکتے ہیں، جب آپ یہ دیکھیں کہ انہیں بھرنے کے لیے کون سے الفاظ استعمال ہوئے ہیں۔

نہیں، اور صفحہ یہ بات صاف لکھتا ہے۔ حقیقی perplexity کے لیے آپ کے متن پر ایک حقیقی لینگویج ماڈل چلا کر اس کی next-word predictions کو اسکور کرنا ضروری ہے، جو ایسا کام ہے جو براؤزر کے صفحے درست طور پر نہیں کر سکتا۔ جو چیز براہ راست ناپی جا سکتی ہے وہ وہ جز ہے جسے لکھنے والا واقعی کنٹرول کرتا ہے، یعنی vocabulary range۔ یہی یہاں رپورٹ ہوتا ہے، ایک length-robust MATTR اسکور، آپ کا type-token ratio، اور وہ الفاظ جو آپ کا ڈرافٹ سب سے زیادہ دہراتا ہے، اور اسے ایک دعویٰ کے بجائے ایک اندازے کے طور پر رپورٹ کیا جاتا ہے۔

Type-token ratio کسی اقتباس میں distinct الفاظ کی تعداد، یعنی types، کو کل لفظی تعداد، یعنی tokens، سے تقسیم کرتا ہے۔ سترہ distinct الفاظ سے بنے سو لفظوں کے پیراگراف کا اسکور 0.70 ہوتا ہے۔ جیسے جیسے کوئی اقتباس لمبا ہوتا ہے، یہ تعداد خود بخود کم ہو جاتی ہے، کیونکہ articles، pronouns اور connectors کو باقی vocabulary کتنی ہی متنوع ہو، بہرحال دہرانا پڑتا ہے۔ اس لیے plain TTR کسی پیراگراف کا پورے باب سے موازنہ کرنے کے لیے ناقابلِ استعمال ہے، اسی لیے اس صفحے کا headline اسکور raw TTR کے بجائے MATTR ہے۔

نہیں۔ یہ چیکر صرف لفظی اعداد و شمار رپورٹ کرتا ہے، ایک MATTR اسکور، ایک type-token ratio، اور دہرائے گئے الفاظ کی فہرست۔ یہ مصنفیت کا فیصلہ نہیں کرتا۔ غیر تدوین شدہ AI مسودوں میں بار بار آنے والی زبان اکثر نظر آتی ہے، اسی لیے یہ جانچ مفید ہے، لیکن بہت سے انسانی مصنف بھی خود کو دہراتے ہیں، اور متنوع لفظیات ایک ماڈل کے لیے بھی اتنی ہی ممکن ہیں جتنی کسی انسان کے لیے۔ یہ اعداد متن کی وضاحت کرتے ہیں، یہ اس بات کا کوئی دعویٰ نہیں کرتے کہ اسے کس نے یا کیا نے تیار کیا۔

نہیں۔ اسکور صفحے پر موجود الفاظ کا ایک فنکشن ہے، اسے ہر بار اسی طریقے سے compute کیا جاتا ہے، چاہے آپ اسے کتنی ہی بار چلائیں۔ اس نمبر کو بدلنے والی چیز خود vocabulary میں ترمیم ہے: اگر کسی دہرائے گئے verb کو زیادہ مخصوص verb سے بدلیں تو اسکور بدلتا ہے کیونکہ متن بدل گیا ہے، اور کسی اور وجہ سے نہیں۔

کسی اصطلاح کے گرد جملے کو تبدیل کریں، اصطلاح خود کو کبھی نہیں۔ علمی نثر ایک متعین تصور پر منحصر ہوتی ہے، جس میں ہر بار ایک ہی عین نام برقرار رکھنا ضروری ہے، چوتھی بار ظاہر ہونے پر اسے مترادف سے بدل دینا مبہم کاری کی طرح پڑھا جاتا ہے، انداز کی طرح نہیں۔ نتیجہ خیز تنوع فعلوں، ربط دینے والے الفاظ اور ان مقررہ اصطلاحوں کے گرد موجود وضاحتوں میں ہوتا ہے۔ اگر کوئی پیراگراف تین بار "نتائج ظاہر کرتے ہیں" دہرائے تو اس کا حقیقی حل یہ ہے کہ نتائج تصدیق بھی کر سکتے ہیں، محدود بھی کر سکتے ہیں، نفی بھی کر سکتے ہیں یا پیچیدہ بھی بنا سکتے ہیں، اور ان فعلوں میں سے ہر ایک "ظاہر کرنا" سے زیادہ درست بات کہتا ہے۔