AI Assistant-এর ভুল উত্তর চেনার সবচেয়ে বড় অসুবিধা হলো, সেটি অনেক সময় মোটেও ভুলের মতো শোনায় না। ভাষা পরিষ্কার, ব্যাখ্যা যুক্তিসংগত, গবেষণার নাম পরিচিত ধরনের, সঙ্গে লেখক বা DOI-ও আছে। ফলে উত্তরটি পড়ে সন্দেহ করার মতো কিছু চোখে পড়ে না।
সমস্যা ধরা পড়ে পরে। গবেষণাপত্র খুলে দেখা গেল সংখ্যাটি ঠিক, কিন্তু অন্য একটি জনগোষ্ঠীর জন্য। রিপোর্টটি সত্যি, অথচ AI যে সিদ্ধান্ত লিখেছে সেখানে এমন কথা নেই। কখনো উদ্ধৃত ব্যক্তিটি কথাটি বলেছেন, কিন্তু quotation mark-এর ভেতরে যে বাক্য বসানো হয়েছে সেটি তাঁর বলা নয়।
এ কারণেই একটি কার্যকর AI cross check workflow-এর প্রথম শর্ত হলো AI-এর উত্তরকে প্রমাণ হিসেবে না দেখা। এটি তথ্য খোঁজার পথ দেখাতে পারে, প্রশ্ন সাজাতে পারে, সম্ভাব্য উৎসের নাম দিতে পারে। কিন্তু প্রকাশযোগ্য কোনো দাবির পেছনে শেষ পর্যন্ত এমন উৎস দরকার, যেটি খুলে দেখা যায় এবং দাবিটির সঙ্গে মিলিয়ে নেওয়া যায়। NIST-এর Generative Artificial Intelligence Profile-এ এ ধরনের আত্মবিশ্বাসী কিন্তু ভুল বা মিথ্যা আউটপুটকে “confabulation” হিসেবে চিহ্নিত করা হয়েছে। একই নথিতে generative AI-এর আউটপুটে থাকা source ও citation যাচাই করার কথাও স্পষ্টভাবে বলা আছে।
বিশ্বাসযোগ্য শোনানো আর সত্য হওয়া এক ব্যাপার নয়
ভালোভাবে লেখা একটি AI উত্তর আমাদের স্বাভাবিক বিচারবোধকে সহজেই প্রভাবিত করতে পারে। বানান ভুল নেই, paragraph সুন্দর, পাশে কয়েকটি প্রতিষ্ঠানের নাম—ফলে মনে হয় উত্তরটি নিশ্চয়ই যথেষ্ট গবেষণা করে দেওয়া হয়েছে।
বাস্তবে ভাষার সাবলীলতা তথ্যের নির্ভুলতার প্রমাণ নয়।
OpenAI-এর Why language models hallucinate লেখাটি ৫ সেপ্টেম্বর ২০২৫ প্রকাশিত। সেখানে গবেষকদের মূল যুক্তি হলো, প্রচলিত training ও evaluation-এর কিছু পদ্ধতিতে “জানি না” বা অনিশ্চয়তা প্রকাশের চেয়ে অনুমান করে উত্তর দেওয়ার পুরস্কার বেশি হতে পারে। OpenAI একই পেজে বলেছে, আরও সক্ষম মডেলেও hallucination পুরোপুরি শেষ হয়নি।
তাই সম্পাদক, গবেষক বা শিক্ষার্থীর জন্য ভালো অভ্যাস হলো AI-এর উত্তরটিকে lead হিসেবে নেওয়া। সেখানে একটি গবেষণার নাম পাওয়া গেল? সেটি খুঁজে দেখা হবে। একটি সংখ্যা পাওয়া গেল? সংখ্যাটির উৎস বের করা হবে। কোনো ব্যক্তির বক্তব্য quotation mark-এর মধ্যে এসেছে? মূল বক্তব্যের সঙ্গে মিলিয়ে দেখা হবে। আরেকটি AI-কে “এটা ঠিক?” জিজ্ঞেস করলে কিছু ভুল ধরা পড়তে পারে। কিন্তু দুই AI একই কথা বললেই দুটি স্বাধীন প্রমাণ পাওয়া যায় না।
পুরো paragraph নয়, আগে claim-গুলো আলাদা করুন
ধরা যাক একটি উত্তর বলছে:
“একটি গবেষণা ২০২৪ সালে প্রকাশিত হয় এবং সেখানে ৬২ শতাংশ ব্যবহারকারীর একটি নির্দিষ্ট আচরণ পাওয়া গেছে।”
একটি বাক্য হলেও যাচাই করার বিষয় অন্তত কয়েকটি। গবেষণাটি আদৌ আছে কি না দেখতে হবে। প্রকাশের সাল মিলবে কি না দেখতে হবে। ৬২ শতাংশ সংখ্যাটি সত্যিই সেখানে আছে কি না দেখতে হবে। তারপরও কাজ শেষ নয়—ওই ৬২ শতাংশ কারা?
শেষের প্রশ্নটি বিশেষ গুরুত্বপূর্ণ।
ধরা যাক গবেষণাটি একটি নির্দিষ্ট বিশ্ববিদ্যালয়ের শিক্ষার্থীদের নিয়ে। AI যদি সেখান থেকে “৬২ শতাংশ মানুষ” লিখে দেয়, সংখ্যাটি অক্ষরে অক্ষরে ঠিক হয়েও বাক্যটি বিভ্রান্তিকর হতে পারে।
তাই দীর্ঘ উত্তর নিয়ে কাজ করার সময় আগে mark করুন নাম, সাল, সংখ্যা, শতাংশ, গবেষণার ফল, সরাসরি উদ্ধৃতি, আইন বা policy, product feature এবং কার নামে কোন তথ্য দেওয়া হয়েছে। সব বাক্যকে একইভাবে যাচাই করার প্রয়োজন নেই; যেসব দাবি ভুল হলে লেখার অর্থ বা পাঠকের সিদ্ধান্ত বদলে যাবে, সেগুলো আগে দেখুন।
স্বাস্থ্য, আইন, অর্থ বা নিরাপত্তাসংক্রান্ত কোনো তথ্য হলে এই অগ্রাধিকার আরও বাড়বে।
উৎস খুঁজতে গেলে কাছাকাছি নয়, যতটা সম্ভব মূল জায়গায় যান
একটি নতুন software feature সম্পর্কে দশটি review থাকতে পারে। কিন্তু feature-টি সত্যিই চালু আছে কি না জানতে নির্মাতার বর্তমান documentation বেশি কাজে দেবে।
একটি আইন নিয়ে সংবাদ প্রতিবেদন পড়া যায়, কিন্তু নির্দিষ্ট ধারার ভাষা জানতে মূল আইন বা সরকারি নথি দেখা দরকার। কোনো survey নিয়ে লেখা সংবাদ useful হতে পারে, তবে সেখান থেকে মূল report-এ পৌঁছানো গেলে সেটিই ভালো।
এই জায়গায় একটি সাধারণ ভুল হয়। Search result-এর প্রথম নির্ভরযোগ্য-looking page পাওয়া গেল, সেটিই source হয়ে গেল।
Search ranking এবং evidence-এর মান একই জিনিস নয়।
বরং একটি ছোট প্রশ্ন কাজে দেয়: এই তথ্যটি প্রথম কোথা থেকে এসেছে?
সংবাদে কোনো রিপোর্টের কথা থাকলে রিপোর্টটি খুঁজুন। Blog-এ কোনো সরকারি সংখ্যা থাকলে সরকারি dataset দেখুন। AI কোনো paper-এর conclusion বললে paper-টি নিজে খুলুন। Search result-এর snippet দিয়ে প্রাথমিক ধারণা পাওয়া যায়, কিন্তু সেখান থেকে সরাসরি সংখ্যা বা qualification তুলে নেওয়া ঝুঁকিপূর্ণ। পুরো page খুললে দেখা যেতে পারে, snippet-এ গুরুত্বপূর্ণ শর্তটি বাদ গেছে।
AI citation দিলে সেটিকে search clue হিসেবে ব্যবহার করুন
AI-এর কাছে গবেষণার title, author, journal, publication year, DOI বা report number চাওয়া বেশ কাজের পদ্ধতি। এতে একটি অচেনা গবেষণা খুঁজে বের করার সময় কমে। কিন্তু AI যে citation দিয়েছে, সেটিই আবার যাচাই করতে হবে।
এখানে formatted citation-এর চেহারা বিভ্রান্ত করতে পারে। Author-এর নাম, journal, volume, year—সবকিছু এমনভাবে সাজানো থাকতে পারে যে সন্দেহ হয় না। অথচ publication-টি খুঁজে পাওয়া গেল না। কখনো title আসল, কিন্তু লেখক ভুল। কখনো DOI resolve করল, কিন্তু অন্য paper-এ নিয়ে গেল।
সুতরাং citation হাতে পাওয়ার পর স্বাভাবিক পথটা হবে:
citation পাওয়া → record খোঁজা → মূল publication শনাক্ত করা → AI-এর claim মিলিয়ে দেখা।
প্রথম দুই ধাপ শেষ করেই “verified” লিখে দেওয়া উচিত নয়।
Paper সত্যি পাওয়া গেলেও কাজ শেষ নয়
গবেষণাপত্র পাওয়া গেছে। Title ঠিক। Author ঠিক। DOI-ও কাজ করছে। এখনই বরং সবচেয়ে গুরুত্বপূর্ণ যাচাইটি শুরু হয়: AI যেটা লিখেছে, paper-টি কি সত্যিই সেটাই বলছে? একটি study হয়তো দুটি বিষয়ের মধ্যে association পেয়েছে। AI সেটিকে cause হিসেবে লিখেছে কি না দেখুন। Sample হয়তো একটি নির্দিষ্ট বয়স বা এলাকার; ফলটি “সবার ক্ষেত্রে” প্রযোজ্য করে দেওয়া হয়েছে কি না দেখুন।
Abstract-এ একটি আকর্ষণীয় সংখ্যা থাকতে পারে। Full paper খুললে বোঝা যায় সংখ্যাটি কোন condition বা subgroup-এর জন্য। Methodology বা limitation পড়লে আবার দাবিটির শক্তি সম্পর্কে অন্য ধারণা পাওয়া যেতে পারে।
একটি মূল উৎসের নাম পাশে বসিয়ে ভুল ব্যাখ্যা দেওয়া সম্ভব। আর সে ধরনের ভুল সহজে ধরা পড়ে না, কারণ citation দেখেই লেখাটি বিশ্বাসযোগ্য মনে হয়।
এই জায়গায় সম্পাদকীয়ভাবে সবচেয়ে কাজে লাগে একটি পার্থক্য:
উৎসটি আসল কি না এবং উৎসটি দাবিটি সমর্থন করে কি না—দুটি আলাদা প্রশ্ন।
Crossref, Google Scholar আর PubMed—তিনটির কাজ এক নয়
গবেষণার citation যাচাই করতে সাধারণ Google Search দিয়েই অনেক কাজ করা যায়। তবে নির্দিষ্ট ক্ষেত্রে কিছু specialised service সময় বাঁচায়। Crossref-এর Metadata Search-এ title, author, DOI-সহ বিভিন্ন metadata দিয়ে journal article, book, standard, dataset ও অন্যান্য record খোঁজা যায়। Simple Text Query-তে reference বা reference list দিলে journal article, book ও chapter-এর সম্ভাব্য DOI খোঁজার সুবিধাও আছে।
AI কোনো DOI দিলে সেটি resolve করে landing page-এর title, author এবং publication year মিলিয়ে নেওয়া ভালো।
তবে Crossref-এ কোনো DOI না পাওয়া মানেই সেটি ভুয়া নয়। DOI ব্যবস্থা শুধু Crossref-এর মধ্যে সীমাবদ্ধ নয়; DataCite-সহ অন্য Registration Agency-ও DOI নিবন্ধন করে। DataCite-এর নিজস্ব documentation-এ বর্তমানে একাধিক DOI Registration Agency থাকার কথাও উল্লেখ রয়েছে।
Google Scholar-এর ব্যবহার একটু অন্য রকম। নির্দিষ্ট paper, author বা scholarly topic খুঁজতে এটি বেশ সুবিধাজনক। কিন্তু Scholar-এর ফলাফলে journal paper-এর সঙ্গে thesis, dissertation, preprint, abstract এবং technical report-ও থাকতে পারে। তাই “Google Scholar-এ পাওয়া গেছে” আর “peer-reviewed”—এক কথা নয়।
PubMed মূলত biomedical ও life sciences literature খোঁজার জন্য প্রাসঙ্গিক। এটি citation ও abstract অনুসন্ধানে সাহায্য করে; PubMed নিজে full-text journal article-এর database নয়, যদিও publisher বা PubMed Central-এ full text থাকলে link পাওয়া যেতে পারে। অর্থাৎ database আপনাকে paper খুঁজে দিতে পারে। Paper থেকে কী দাবি করা যায়, সেই সিদ্ধান্ত আলাদাভাবে নিতে হয়।
সংখ্যা যাচাই করতে গিয়ে সংখ্যাটির প্রেমে পড়বেন না
একটি report-এ “৬৪ শতাংশ” দেখলে চোখ স্বাভাবিকভাবেই সংখ্যাটির দিকে যায়। কিন্তু fact-checking-এর জন্য প্রথম প্রশ্ন হওয়া উচিত—কাদের ৬৪ শতাংশ? একটি survey-এর ক্ষেত্রে বছর, দেশ বা অঞ্চল, sample size, population এবং প্রশ্নটি কীভাবে করা হয়েছিল—এগুলো না জানলে percentage-এর অর্থ অনেকটাই হারিয়ে যায়।
এমনকি একই সংখ্যা দুই সময়ে দুই অর্থ দিতে পারে। Data preliminary, নাকি final? অর্থমূল্য nominal, নাকি inflation-adjusted? একই metric-এর সংজ্ঞা কয়েক বছর পরে বদলেছে কি না? এই কারণেই table-এর নিচে ছোট অক্ষরে থাকা footnote অনেক সময় headline-এর সংখ্যার চেয়ে বেশি দরকারি।
পুরোনো তথ্যের ক্ষেত্রেও একই সতর্কতা। একটি সংখ্যা পাঁচ বছর আগে সঠিক ছিল বলে আজও ভুল নয়; কিন্তু আজকের পরিস্থিতি বোঝাতে সেটি ব্যবহার করা বিভ্রান্তিকর হতে পারে।
Quotation-এর ক্ষেত্রে “কথার অর্থ তো একই” যথেষ্ট নয়
AI কোনো ব্যক্তির নামে সরাসরি quotation দিলে যাচাইয়ের মান একটু কঠোর হওয়া দরকার। Quotation-এর কয়েকটি স্বতন্ত্র শব্দ exact phrase হিসেবে search করা যেতে পারে। এরপর মূল interview, speech, transcript, video, press release, court document বা প্রাসঙ্গিক বইয়ের সংস্করণে মিলিয়ে দেখুন।
বক্তব্যটি মোটামুটি একই অর্থে পাওয়া গেল, কিন্তু exact wording পাওয়া গেল না—তাহলে quotation mark রাখা উচিত নয়। যাচাই করা অর্থ অনুযায়ী paraphrase করা যেতে পারে। আর বক্তব্যটিই যদি নির্ভরযোগ্যভাবে না পাওয়া যায়, attribution বাদ দেওয়াই ভালো।
সত্যিকারের একজন ব্যক্তি, সত্যিকারের একটি বিষয় এবং বিশ্বাসযোগ্য-looking একটি বাক্য—এই তিনটি একসঙ্গে থাকলেও quotation সত্যি হয়ে যায় না।
তিনটি ওয়েবসাইট মানেই তিনটি উৎস নয়
একই statistic তিনটি সংবাদমাধ্যমে পাওয়া গেলে প্রথমে বেশ নিশ্চিন্ত লাগতে পারে। তারপর দেখা গেল তিনটি প্রতিবেদনই একই press release থেকে সংখ্যাটি নিয়েছে। এটি cross-check, কিন্তু independent confirmation নয়।
তাই source count করার আগে source chain দেখুন। কোথা থেকে তথ্যটি শুরু হয়েছে? দ্বিতীয় publication কি নতুন evidence যোগ করছে, নাকি প্রথমটির কথাই আবার লিখছে? সব দাবির জন্য দুই বা তিনটি independent source বাধ্যতামূলক করারও দরকার নেই। একটি শক্তিশালী primary document অনেক সময় কয়েকটি secondary article-এর চেয়ে ভালো evidence।
আবার কোনো disputed বা sensitive claim হলে একটির বেশি independent source প্রয়োজন হতে পারে। এখানে সংখ্যা নয়, দাবিটির ঝুঁকি সিদ্ধান্ত নেবে কত দূর যেতে হবে।
দ্বিতীয় AI কোথায় কাজে লাগবে
দ্বিতীয় AI Assistant-এর সবচেয়ে ব্যবহারিক কাজ সম্ভবত final verdict দেওয়া নয়, কোথায় যাচাই দরকার সেটি আলাদা করা।
একটি বড় draft দিলে বলা যায়:
“এখানে নাম, তারিখ, সংখ্যা, quotation, research claim এবং citation-গুলো আলাদা করে দাও।”
অথবা:
“কোন দাবিগুলো external source ছাড়া প্রকাশ করা ঝুঁকিপূর্ণ, চিহ্নিত করো।”
এতে সময় বাঁচে। বিশেষ করে কয়েক হাজার শব্দের draft হলে কোন claim আগে দেখা দরকার তার একটা তালিকা দ্রুত পাওয়া যায়। কিন্তু দ্বিতীয় AI যদি প্রথম AI-এর সঙ্গে একমত হয়, সেটি evidence নয়। একই প্রশ্নের একই উত্তর পাওয়া useful signal হতে পারে—verification নয়।
Fact-checking log অতিরিক্ত জটিল করার দরকার নেই
প্রতিটি claim-কে শুধু “সত্য” অথবা “মিথ্যা” লিখলে বাস্তব পরিস্থিতির অনেকটাই বাদ পড়ে যায়। সাধারণ editorial workflow-এ তিনটি status দিয়েই বেশির ভাগ কাজ চালানো যায়।
- যাচাই হয়েছে — পাওয়া evidence দাবিটির সঙ্গে মেলে।
- আংশিক যাচাই হয়েছে — মূল তথ্যের একটি অংশ সঠিক, কিন্তু scope, wording বা context ঠিক করতে হবে।
- যাচাই করা যায়নি — দাবিটির পক্ষে প্রকাশযোগ্য পর্যায়ের evidence পাওয়া যায়নি।
শেষের status-টির অর্থ “দাবিটি মিথ্যা” নয়। এর অর্থ, এই মুহূর্তে সেটিকে fact হিসেবে ব্যবহার করার যথেষ্ট ভিত্তি নেই। প্রয়োজনে পরে Outdated, Misleading বা Needs Context-এর মতো status যোগ করা যায়। শুরুতেই দশ ধরনের label বানালে workflow চালানোর চেয়ে label সামলাতেই বেশি সময় যেতে পারে।
আরও পড়ুন: ChatGPT, Gemini ও Claude: কোন কাজের জন্য কোন AI Assistant বেছে নেবেন
সময় কম থাকলে সব বাক্য নিয়ে বসবেন না
একটি দীর্ঘ AI draft হাতে এলে প্রতিটি সাধারণ বাক্য একই গভীরতায় যাচাই করা বাস্তবসম্মত নয়। প্রথমে দেখুন কোন তথ্যটি ভুল হলে পুরো লেখার সিদ্ধান্ত বদলে যাবে। Headline-এর প্রধান statistic, direct quotation, গবেষণার conclusion, আইন, আর্থিক নিয়ম, স্বাস্থ্যসংক্রান্ত claim এবং কোনো ব্যক্তি বা প্রতিষ্ঠানের বিরুদ্ধে সংবেদনশীল তথ্য—এসব আগে।
তারপর গুরুত্বপূর্ণ date, number এবং citation।
Background-এর সাধারণ ব্যাখ্যা পরে দেখা যায়।
এই prioritization যাচাই কমিয়ে দেওয়া নয়। সীমিত সময়টি সবচেয়ে বেশি ঝুঁকির জায়গায় ব্যবহার করা।
প্রকাশের আগে দ্রুত আরেকবার চোখ বোলাতে কয়েকটি প্রশ্ন সামনে রাখা যায়:
- লেখার সবচেয়ে গুরুত্বপূর্ণ factual claim কোনগুলো?
- তারিখ ও সংখ্যা মূল উৎসে মিলে?
- Citation বা DOI সঠিক publication-এর?
- Sourceটি আসলেই ওই দাবিটি সমর্থন করছে?
- Percentage কার মধ্যে এবং কোন সময়ের?
- Direct quote-এর exact wording পাওয়া গেছে?
- Data বা policy পুরোনো হয়ে গেছে কি না দেখা হয়েছে?
- একাধিক source আসলে একই মূল source পুনরাবৃত্তি করছে কি না?
- যাচাই করা যায়নি এমন কোনো তথ্য এখনও fact হিসেবে লেখা আছে?
এই তালিকাটি নিয়ম মেনে পূরণ করার জন্য নয়। শেষ মুহূর্তে বড় কোনো ফাঁক বাদ গেছে কি না ধরার জন্য।
শেষ কথা
AI ভুল করবে কি না, সেটি ব্যবহারকারীর নিয়ন্ত্রণে নেই। কিন্তু সেই ভুল কোনো প্রতিবেদন, গবেষণাপত্র, অ্যাসাইনমেন্ট বা পেশাগত সিদ্ধান্তে ঢুকে পড়বে কি না—সেখানে মানুষের যাচাই এখনও গুরুত্বপূর্ণ।
একটি ভালো AI cross check workflow তাই অসংখ্য টুল ব্যবহার করার বিষয় নয়। বরং কোথায় সন্দেহ করতে হবে, কোন দাবির জন্য মূল source দরকার এবং কখন “যাচাই করা যায়নি” বলে থামতে হবে—এই অভ্যাস তৈরি করাই বেশি জরুরি।
AI উত্তর তৈরির গতি বাড়াতে পারে। কিন্তু নির্ভুলতার দায়িত্ব শেষ পর্যন্ত evidence-এর ওপরই রাখতে হবে। কোনো তথ্য ব্যবহার করার আগে একটি প্রশ্ন যথেষ্ট কার্যকর: এই দাবিটির পেছনে এমন প্রমাণ আছে কি, যা AI-এর উত্তর ছাড়াও স্বাধীনভাবে যাচাই করা যায়?
প্রায়শই জিজ্ঞাসিত প্রশ্ন
AI cross check workflow কী?
AI cross check workflow হলো AI-এর দেওয়া তথ্য সরাসরি সত্য ধরে না নিয়ে ধাপে ধাপে যাচাই করার একটি পদ্ধতি। এতে প্রথমে যাচাইযোগ্য claim আলাদা করা হয়, তারপর মূল বা কর্তৃত্বপূর্ণ source খোঁজা হয় এবং শেষে sourceটি সত্যিই দাবিটিকে সমর্থন করছে কি না মিলিয়ে দেখা হয়।
দুটি AI Assistant একই উত্তর দিলে কি তথ্যটি যাচাই হয়েছে ধরে নেওয়া যায়?
না। দুটি AI একই উত্তর দিলে সেটি একটি সহায়ক signal হতে পারে, কিন্তু independent verification নয়। উভয় মডেল একই ভুল তথ্য, পুরোনো source বা একই ধরনের অনুমানের ওপর নির্ভর করতে পারে। গুরুত্বপূর্ণ দাবির ক্ষেত্রে মূল document, dataset, research paper বা অন্য উপযুক্ত primary source দেখা দরকার।
AI দেওয়া citation বা DOI কীভাবে যাচাই করবেন?
প্রথমে citation-এর title, author, publication year এবং journal বা publisher-এর তথ্য মিলিয়ে দেখুন। DOI থাকলে সেটি resolve করে কোন publication-এ যাচ্ছে তা পরীক্ষা করুন। Crossref-এর মতো metadata service কাজে লাগতে পারে, তবে Crossref-এ record না পাওয়া মানেই DOI ভুয়া নয়। DOI সঠিক হলেও paper সম্পর্কে AI-এর ব্যাখ্যা আলাদাভাবে যাচাই করতে হবে।
Google Scholar-এ কোনো গবেষণা পাওয়া গেলে কি সেটি peer-reviewed ধরে নেওয়া যায়?
না। Google Scholar journal article-এর পাশাপাশি thesis, preprint, technical report এবং অন্যান্য scholarly material-ও index করতে পারে। তাই result পাওয়ার পর publisher, journal বা repository page খুলে publication type এবং peer-review status যাচাই করা উচিত।
AI-এর দেওয়া পরিসংখ্যান যাচাই করার সময় সবচেয়ে আগে কী দেখবেন?
শুধু সংখ্যাটি মিলছে কি না দেখলে যথেষ্ট নয়। সংখ্যাটি কোন বছর, দেশ, sample বা population-এর জন্য প্রযোজ্য তা দেখতে হবে। Percentage হলে denominator, survey question এবং methodology-ও গুরুত্বপূর্ণ। পুরোনো বা context-বিহীন সঠিক সংখ্যাও বিভ্রান্তিকর হতে পারে।
AI-generated quotation যাচাই করার সবচেয়ে নিরাপদ উপায় কী?
Quotation-এর কয়েকটি স্বতন্ত্র শব্দ exact phrase হিসেবে search করে মূল interview, speech, transcript, recording, press release বা সংশ্লিষ্ট document খুঁজুন। Exact wording না পাওয়া গেলে quotation mark ব্যবহার না করে যাচাইকৃত অর্থ অনুযায়ী paraphrase করা ভালো। বক্তব্যের উৎসই নিশ্চিত করা না গেলে attribution বাদ দেওয়া উচিত।
