ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅಭಿವೃದ್ಧಿಗಳು ನಮ್ಮ ಮಾಹಿತಿಯ ಮೈಮಾರುತವನ್ನು ರೂಪಿಸುತ್ತವೆ. ಪಠ್ಯದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಐಎ ವ್ಯವಸ್ಥೆಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದಾದರೆ ಹೊಸಡಾಗಿ ಎದುರಾದ ಸವಾಲುಗಳನ್ನು ಒಪ್ಪಿಸುತ್ತವೆ. ಆಧುನಿಕ ಸುಗಮವಾದ ಆಲ್ಗಾರಿದಮ್‌ಗಳು ತಮ್ಮ ಕಾರ್ಯಕ್ಷ್ಮತೆಯನ್ನು ಖಚಿತವಾಗಿ ಅಳೆಯುವುದನ್ನು ಅಗತ್ಯವಾಗಿಸುತ್ತದೆ.
ಹೀಗೆ ಮಾಡಿರುವ ಮೌಲ್ಯಮಾಪನವು ವರ್ಗೀಕರಣವನ್ನು ಮಾತ್ರ ಹೊರಹಾಕುವುದಿಲ್ಲ; ಇದು ಮಾನವ ಪರಸ್ಪರ ಸಂಬಂಧಗಳ ವಿಶ್ವಾಸವನ್ನು ಪರಿಣಾಮಿತ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ವರ್ಚೆನ್ ದೋಷಗಳು ಮಹತ್ವಪೂರ್ಣ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ಈ ವರ್ಗೀಕರಣಗಳ ಶ್ರೇಣೀಸ್ಥಿತಿಯನ್ನು ಖಚಿತಪಡಿಸುವುದು ಆರೋಗ್ಯ ಅಥವಾ ಹಣಕಾಸಿನಂತಹ ಸಂವೇದನಶೀಲ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅಗತ್ಯವಾಗುತ್ತಿದೆ.
ಇವತ್ತು ಹೊಸ ವಿಧಾನವು ಹೊರತಾಗಿ, ಈ ವ್ಯವಸ್ಥೆಗಳನ್ನು ದುರ್ಬಲತೆಯ ವಿರುದ್ಧ ಶಕ್ತಿಶಾಲಿಯಾಗಿ ಮಾಡಲು ಬದಲಾಗಲಿದೆ.
ಪಠ್ಯದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಹೊಸತನಗಳು
ಸ್ವಯಂಚಾಲಿತ ಪಠ್ಯ ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆಗಳು ಅನೇಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪ್ರಮುಖ ತತ್ವವಾಗಿದೆ, ಸುದ್ದಿಗಳ ವಿಶ್ಲೇಷಣೆ ಇದರಿಂದ ಚಲನಚಿತ್ರ ವಿಮರ್ಶೆಗಳ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ. ಮಾಸ್‍ಇನ್‌ಫಾರ್ಮೇಶನ್ ಮತ್ತು ಡಿಸಿಷನ್ ಲ್ಯಾಬ್ (ಎಲ್‌ಐಡಿಎಸ್) ನ ನಿವಾಸಿಗಳು ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಅಫ್ ಟೆಕ್ನೊಲಾಜಿ (ಎಂಐಟಿ) ನಲ್ಲಿ ಈ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಕಾರ್ಯಕ್ಷಮ ಎಂದು ಮೂಡಿಸುತ್ತಿರುವ ಹೊಸ ವಿಧಾನವನ್ನೇ ರೂಪಿಸಿದ್ದಾರೆ. ಕಲ್ ಯಾನ್ ವೆರ್‌ಮಚ್ನೆನಿ ಮತ್ತು ಅವರ ಸಹಚರರುಗಳು ಈ ವಿಧಾನವನ್ನು ರೂಪಿಸುತ್ತಾರೆ, ಇದು ಪಠ್ಯದ ವರ್ಗೀಕರಣದ ನಿರ್ಧಾರವನ್ನು ಸುಧಾರಿಸಲಾಗಿದೆ.
ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸುಧಾರಣೆ ಮೆಕಾನಿಜಮ್‌ಗಳು
ಮಾರ್ಗೋಪಾಯವು ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಪುನಃಮಾತ್ರ ಕ್ರಿಯೆಗಾಗಿ ಚಿಕಿತ್ಸಾ ಸೋಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದನ್ನು ಈಗ ಮುಕ್ತ ಡೌನ್‌ಲೋಡ್ ಮಾಡಲು ಲಭ್ಯವಿದೆ. ಈ ಪರಿಹಾರವು ಬಳಕೆದಾರರು ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆ ಏಕೆ ಮತ್ತು ಹೇಗೆ ವಿಫಲವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಲು ಬಗ್ಗೆ ಕುರಿತಿದೆ. ಮಾದರಿಯಾಗಿ, ವರ್ಗೀಸೇರಿ ಪಠ್ಯವನ್ನು imitation ಮಾಡುವ ಸುರಕ್ಷಿತ ಉದಾಹರಣೆಗಳನ್ನು ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ, ಮಾದರಿಗಳ ದುರ್ಬಲತೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು. ಉದಾಹರಣೆಗೆ, ಕೆಲವು ಪದಗಳನ್ನು ಶ್ರೇಣೀಕರಣದ ಅರ್ಥವನ್ನು ಕಾಯ್ದು ಕೇಳುವ ಮೂಲಕ, ಮೊದಲಾಗಿ ವರ್ಗೀಕೃತವಾದ ವಾಕ್ಯಗಳು ತಪ್ಪಾಗಿ ಪುನಃ ವರ್ಗೀಕರಿಸಲಾಯಿತು.
ವರ್ಗೀಕರಣದ ದುರ್ಬಲತೆಗಳ ಆಮಿಷಗಳು
ಸಂಸ್ಥೆಗಳು ಚಾಟ್‌ಬಾಟ್‌ಗಳು ನೀಡುವ ಉತ್ತರಗಳ ಸತ್ಯತೆಯನ್ನು ದ್ಯಾಸಿಸುತ್ತವೆ. ಒಂದು ಬ್ಯಾಂಕ್ ಸಾಮಾನ್ಯವಾದ ಪ್ರಶ್ನೆಗಳಿಗೆ ನೀಡಲ್ಪಡುವ ಉತ್ತರಗಳನ್ನು ಹಣಕಾಸಿನ ಸಲಹೆಗಳಂತೆ ಮೀಸೆ ಅರ್ಥ ಪಡೆದುಕೊಳ್ಳದಂತೆ ಖಚಿತಪಡಿಸಲು ಇಷ್ಟಪಟ್ಟರೂ, ಇದು ಕಾನೂನು ಸಮಸ್ಯೆಗಳನ್ನು ಹುಟ್ಟಿಸಬಹುದು. ಕಲ್ ಯಾನ್ ವೆರ್‌ಮಚ್ನೆನಿ ದೋಷಗಳ ಹರಿವನ್ನು ನಿಯಂತ್ರಣಾ ವರ್ಗೀಕರಿಸಲು ಕಳಕೊಂಡ ಉಲ್ಲೇಕಿಸಿದೆ.
ದೋಷದ ಉದಾಹರಣೆಗಳು ಮತ್ತು ಅವರ ಪರಿಣಾಮ
ದೋಷಪೂರ್ವಕ ಉದಾಹರಣೆಗಳು, ಈ ಬೆಳೆಯನ್ನು ಪರಿಷ್ಕೃತವಾದಾಗ ಆದರೆ ಅರ್ಥದಲ್ಲಿ ಸಮಾನವಾದವುಗಳು, ಇತ್ತೀಚಿನ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸವಾಲು ತರುತ್ತವೆ. ಎಮ್‌ಐಟಿ ತಂಡವು ಗುರುತಿಸುವಿಕೆಯ ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಶ್ರೇಣೀಕರಣವನ್ನು ಗುರುತಿಸುತ್ತಿದೆ, ಇದರ ಮೂಲಕ ಶೋಧವನ್ನು ಶ್ರೇಣೀಕರಣ ಪುನಃಮಾರುತಕ್ಕೆ ದಾರಿ ಹೊಯ್ಯುತ್ತದೆ. ಎಲ್ಲಾ ಶ್ರೇಣಾಬದ್ಧ ವಾಕ್ಯ ಸಂಪೂರ್ಣ ಶಬ್ದಾವಳಿ ಪ್ರಕರಣದ 0.1% ಕ್ಕೆ ಒಟ್ಟಾಯಿತಾಗ, ಶೋಧಕರು ಕೆಲವು ಪಾಯಿತ್ಸ್‌ಗಳಲ್ಲಿ ಶ್ರೇಣೀಕರಣದ ಹಾಳಮಾಡುವಿಕೆಗಳನ್ನು ತರಲು ಯಶಸ್ವಿಯಾಗಿದ್ದಾರೆ.
ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಬಳಸುವುದು
ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ವ್ಯಾಪಕ ವೇದಿಕೆಯನ್ನು (ಎಲ್‌ಎಲ್‌ಎಮ್‌ಗಳು) ಬಳಸಲಾಗಿದೆ ಈ ದುರ್ಬಲತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು. ಈ ಮಾದರಿಗಳು ವಾಕ್ಯಗಳ ಅರ್ಥಗಳನ್ನು ಹೋಲಿಸಲು ಮಾತ್ರಕ ಸ್ತಾಯ್ಗಾಗಿದೆ; ಆದರೆ ಅವರು ವರ್ಗೀಕರಣದ ಮೇಲೆ ದೊಡ್ಡ ಪ್ರಭಾವವಿರುವ ಪದಗಳನ್ನು ಗುರುತಿಸಲು ಸಹ ಸಹಾಯ ಮಾಡಿದ್ದಾರೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಿದ ಡಾಕ್ಟರ್ ಲೆಈ ಜಾನ್ ಅವರ ಪರಿಣತಿಯಿಂದ ಈ ಶಕ್ತಿಶಾಲಿ ಪದಗಳನ್ನು ವರ್ಗೀಕೃತ ಮಾಡಲು ಪರಮಾನ ಹದಾಯಿತ techniques ರೂಪಿಸಲಾಗಿದೆ.
ವರ್ಗೀಕರಣದಲ್ಲಿ ದುರ್ಬಲತೆಗಳಿಗೆ ಪರಿಹಾರಗಳು
ಟೀಮ್ ಹೊಸ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಪರಿಚಯಿಸಿದೆ, ಎಂದು ಪಿ, ಈ ಆಕ್ರಮಣಗಳನ್ನು ಹೊರಸ್ರಾವಿಸುವ ವಿಲ್ಲೆಯದುಳಿಯನ್ನಾಗಿ ಪರೀಕ್ಷಿಸಲು. ಇಂತಹ ಸುಟ್ಟ ವಿಫಲತೆಗಳು ಮಹತ್ವವಾದ ಪರಿಣಾಮವನ್ನು ಹೊಂದಬಹುದು, ಏಕೆಂದರೆ ಆವುಗಳು ಆರೋಗ್ಯ, ಹಣಕಾಸು ಅಥವಾ ಭದ್ರತಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪರನಿವೃತ್ತಿಗಳನ್ನು ಆಕ್ರಮಿಸುತ್ತವೆ. ಎಎಸ್-ಆಟಾಕ್ ಮತ್ತು ಎಎಸ್-ರಕ್ಷಣಾ ಕಾರ್ಯಕ್ಷಮತೆಯು ಗುರುತಿಸಲಾದ ದುರ್ಬಲತೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಮತ್ತು ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬೆಳೆಸಲು ಸಹಾಯಪಡುತ್ತವೆ.
ಪರಿಣಾಮಗಳು ಮತ್ತು ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳು
ಪರೀಕ್ಷೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ, ಎಮ್‌ಐಟಿಯ ವಿಧಾನವು 33.7% ದೋಷದ ದೋಃದಾರಿತೆಯ ಸಾಧನೆಯ ಪ್ರಮಾಣವನ್ನು ತೋರಿಸುತ್ತದೆ, ಇತರ ವಿಧಾನಗಳಿಗೆ 66% ಪ್ರಮಾಣವನ್ನು ಹೋಲಿಸುತ್ತಾ ನಿಲ್ಲುತ್ತದೆ. ಈ ಪ್ರಮುಖ ನಿಮಿಷವು ವರ್ಗೀಕರಣಗಳ ವಿಶ್ವಾಸವನ್ನು ಸುಧಾರಿಸಲು ಮಾತ್ರಕ ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಆದರೆ ಲಕ್ಷಾಂತರ ವ್ಯವಹಾರಗಳಲ್ಲಿ ಸುರಕ್ಷಿತ ಮತ್ತು ವಿಷಯ ದೊರಕಿಸಲು ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಕೆಲವು ಅಧ್ಯಯನಗಳು ವರ್ಗೀಕರಣದ ಸಮಸ್ಯೆಗಳು ಹೆಚ್ಚಿಸುತ್ತವೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಈ ಕಾರ್ಯವು ಇತ್ತೀಚಿನ ಶೋಧಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಗಳ ಪರಿಣಾಮ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮೇಲೆ ಮೌಲ್ಯಮಾಪನದ ಮಹತ್ವವನ್ನು ಯಥಾರ್ತವಾಗಿ ನೋಡಿ ಬಹುತೇಕ ಬಾಧಿತವಾಗಿದೆ.
ವೆರ್ನರ್ ಬೋಗೆಲ್‌ಗಳು ಅಮೆಜಾನ್, ಓಪೆನ್‌ಎಐನ ಅಭಿವೃದ್ಧಿಗಳು ಮತ್ತು ಪೆಂಟಗಾನ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಅಭಿಯಾನದ ಕ್ರಿಯೆಗಳನ್ನು ಈ ಮೌಲ್ಯಮಾಪನದ ಸಾಧನಗಳ ಏರಿಕೆಗೆ ಸಾಕ್ಷಿಯಾಗಿ ಬದ್ಧವಾಗಿದೆ.
ಎಮ್‌ಐಟಿ ತಂಡವು ಕೇವಲ ಪಠ್ಯದ ವರ್ಗೀಕರಣವನ್ನು ಸುಧಾರಿಸಲು ಮಾತ್ರವಲ್ಲ, ಆದರೆ ತಪ್ಪಾಗಿ ಅರ್ಥಪಡಿಸಲಾಗಿದ ಮಾಹಿತಿಯ ಹರಿವನ್ನು ತಪ್ಪಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುವುದನ್ನು ಗುರಿಯಾಗಿಸುತ್ತದೆ, ಇದು ನಮ್ಮ ಸಮಾಧಾನವನ್ನು ಸಂಖ್ಯಾಪರಗತವಾದ ಬುದ್ಧಿಂಡಿತ ವಿಜ್ಞಾನದ ಮುಖ್ಯವಾಗಿದೆ.
ಕರ್ನಾಟಕದ ಏರ್‌ಶಬ್‌ಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವಿವರಣೆಗಳನ್ನು ಹೊಂದಿರುವ ನಿಯಮಾವಳಿ ಅಗತ್ಯವನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತವೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ನಿಯಮಾವಳಿ ಪರಿಣಾಮದ ಬಗ್ಗೆ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಆಕ್ರಮಣದ ಮಾನ್ಯತೆಯನ್ನು ತಪ್ಪಿಸಲು ಸಹಾಯಕ್ಕೆ ಇತ್ತೀಚಿನ ಶೋಧ ಕಾರ್ಯಕ್ಕೆ ಒತ್ತಿಸುತ್ತದೆ, ದುಃಖದ ಸಾಧ್ಯತೆಯ ರೂಪವನ್ನು ಕಾಯ್ದುಕೊಂಡು, ಕೆಲವು ಲೇಖಗಳು ಈ ತಪ್ಪಿತನವನ್ನು ಕುರಿತಾಗ, ಕುತೂಹಲವನ್ನು ಉಂಟುಮಕಂತಿದೆ ಜ್ಞಾನಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವ.
ಜೊತೆಗೆ ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು
ಪಠ್ಯದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಎಎಸ್-ಆಟಾಕ್ ಮತ್ತು ಎಎಸ್-ರಕ್ಷಣಾವೇನು?
ಎಎಸ್-ಆಟಾಕ್ ಈ ದೋಷದ ವಾಕ್ಯಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪರಿಕಾ ಮಾಡುವ ಪಠ್ಯ ಕ್ಲಾಸಿಫಿಕೇಶನ್ ಮೇಲೆ ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಇದೇರ್ ಟಿ-ಡಿಫೆಂಡಿಂಗ್ ಈ ಸಿಸ್ಟಮ್‌ಗಳ ಶ್ರೇಣೀಕರಣವನ್ನು ಉಲ್ಲೇಖಿಸಲು ಬಳಸುತ್ತದೆ.
ಹೊಸ ವಿಧಾನವು ವರ್ಗೀಕರಣದ ಖಾತರಿಯನ್ನು ಹೇಗೆ ಸುಧಾರಿಸುತ್ತದೆ?
ಈ ವಿಧಾನವು ಬೃಹತ್ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು (ಎಲ್‌ಎಲ್‌ಎಮ್‌ಗಳು) ಮಹತ್ವಪೂರ್ಣ ಶಬ್ಧಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಶ್ರೇಣೀಕರಣದ ಖಾತರಿ ಸ್ಥಳೀಯವಾಗಿ ಸುಧಾರಿಸಲು ನಿರ್ಧಾರವು ಹೊಂದಿದೆ.
ಈ ಶೋಧದಲ್ಲಿ ದುರ್ಷಾಸನ ಸುತ್ತುವರಿಯ ಪರಿಣಾಮಗಳು ಏನು?
ಅಗತ್ಯವಾದ ಸಾವಧಾನಗಳನ್ನು ವಿಧಾನವು ಆಟಕೀಕೃತ ವರ್ಗೀಕರಿಸುವ ಪರಿಗಣನೆಯ ಮೇಲೆ ಒತ್ತಿಸಲಿದ್ದು, ಈ ವೈಜಾವಿನ ಪ್ರಮಾಣವನ್ನು ಮಕ್ಕಳಾಜಿಗಳಿಗೆ ಪರಿಗಣಿಸುವಂತೆ, ಅದರ ಗುಣಮಟ್ಟವು ಮಾಹಿತಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಗೆ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಈ ಶೋಧದಲ್ಲಿ ಎರಡು ವಾಕ್ಯಗಳಲ್ಲಿ ಒಂದು ಸಮಾನ ಅರ್ಥ ಇವೆ ಎಂದು ಹೇಗೆ ಹ biಿರಿಸುವುದು?
ಇದು ಮತ್ತೊಂದು ಭಾಷಾ ಮಾದರಿಯನ್ನು ಬಳಸುವುದು, ಇದು ವಾಕ್ಯಗಳ ಮತಿಶಕ್ತಿ ಮತ್ತು ಹೋಲಿಸುತ್ತವೆ.
ಅರ್ತದಿಂದ ಉತ್ತಮ ಪ್ರಾಯೋಜಕ ಎಂಬುದಾಗಿ ಜೋಹನಿಷಿತವೂ ಕೂಡ ಉದಾಹಣೆಗೆ?
ಅವಶ್ಯಕ್ಕಾಗಿ ತಮ್ಮ ಅತ್ಯುತ್ತಮ ವರ್ಗೀಕರಣಗಳಲ್ಲಿ ಎರಡನೇ ಪ್ರಯೋಜನವು ಉಲ್ಲೇಖಿಸಿದಂತೆ, ಶ್ರೇಣೀಕರಣದ ಉದಾಹಣೆಯ ಮೇಲೆ ಕಾಳಜಿ ಹೊಂದಿದೆ ಹಣಕಾಸಿನ ಅಸ್ತಿತ್ವವನ್ನು ತಪ್ಪಿಕೊಳಲು.
ಈ ಹೊಸ ಶ್ರೇಣೀಕರಣದ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಯಾವುವು?
ಈ ಹೊಸ ಮೆಟ್ರಿಕ್ಸ್‌ಗಳನ್ನು ಆರೋಗ್ಯ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವ, ಆನ್‌ಲೈನ್ ವಿಷಯವನ್ನು ನಿಯಂತ್ರಿಸುವ, ಮಾಧ್ಯಮಗಳಲ್ಲಿ ಮಾಹಿತಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸಂಖ್ಯೆಯಲ್ಲಿ ಕರೆದುಹಾಕಲಾಗುತ್ತದೆ.
ಈ ಶೋಧವನ್ನು ಹೇಗೆ ದೃಢীকೃತ ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ?
ಈ ಶೋಧವನ್ನು ಪದ್ಯಗಳ ಹೋಲಿಸುವ ಪ್ರಯೋಗಗಳಿಂದ ದೃಢೀಕರಣಗೊಳ್ಳುತ್ತದೆ, ಇದುವರೆಗೆ ಹೊಸ ಶ್ರೇಣೀಕರಣಗಳನ್ನು ಪರಿಗಣಿಸಿದಂತೆ, ಇತರ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ.
