سب سے اہم کلاس وہ ہے جس کی تعداد سب سے کم ہے۔

جن کارپوریوں پر دلیل نکالنے کے نظام تربیت یافتہ اور ماپا جاتا ہے، وہاں اختلاف نایاب ہے۔ Annotated تعلقات کی غالب اکثریت حمایت ہے: یہ وجہ اس دعوے کی حمایت کرتی ہے۔ حملہ تعلقات — یہ اعتراض اس وجہ کو کمزور کرتا ہے — ایک چھوٹی اقلیت ہیں، کچھ ڈیٹا سیٹس میں لیبل کردہ روابط کا ایک دہم سے بھی کم۔

یہ واحد حقیقت اس میدان کا سب سے ضدی ناکامی کا طریقہ پیدا کرتی ہے۔ ایک نظام جو ہر بار حمایت کی پیش گوئی کرتا ہے وہ زیادہ تر وقت درست ہوتا ہے، اور اس تقسیم سے سیکھنے والا کوئی بھی ماڈل اسی تعصب کو جذب کرتا ہے۔ یہ قابل قبول بن جاتا ہے۔

یہ بالکل اس وجہ کے برعکس ہے جس کی بنا پر آپ ایک کو نافذ کریں گے۔ کوئی بھی چھ ماہ بعد ایک فیصلے پر دوبارہ غور نہیں کرتا کہ سب نے کس بات پر اتفاق کیا تھا۔ وہ اعتراض چاہتے ہیں — اور اعتراض وہ کلاس ہے جس کے بارے میں ماڈل سب سے کم پراعتماد ہے اور جس کی پیش گوئی کرنے کا امکان سب سے کم ہے۔

کیوں عدم توازن یہاں دوسرے مقامات کی نسبت بدتر ہے

کلاس عدم توازن ایک عام مشین لرننگ مسئلہ ہے جس کے لیے عام مشین لرننگ کے حل ہیں — نقصان کا وزن دوبارہ مقرر کریں، نایاب کلاس کی زیادہ تعداد میں نمونہ لیں، درستگی کے بجائے میکرو اوسط اسکور رپورٹ کریں۔ یہ سب معیاری طریقہ کار ہیں، اور ان میں سے ہر ایک کچھ حد تک مدد کرتا ہے۔

دلائل کی کھوج کو مشکل بنانے والی بات یہ ہے کہ عدم توازن کوئی نمونہ سازی کا اثر نہیں ہے جسے آپ مزید ڈیٹا جمع کرکے درست کر سکتے ہیں۔ یہ اس بات کی عکاسی کرتا ہے کہ لوگ کیسے لکھتے ہیں۔ ایک قائل کرنے والے مضمون میں مصنف ایک کیس بنا رہا ہوتا ہے، اس لیے زیادہ تر جملے جان بوجھ کر تھیسس کی حمایت کرتے ہیں۔ کارپس کو بڑھانے سے عدم توازن بھی اس کے ساتھ بڑھتا ہے۔

یہی وجہ ہے کہ فیلڈ رپورٹس macro-F1 اور علیحدہ فی کلاس اسکورز پیش کرتی ہیں نہ کہ خام درستگی۔ ایک ماڈل جو کبھی بھی حملے کی پیش گوئی نہیں کرتا وہ ایک معقول نظر آنے والا مجموعی نمبر پیش کر سکتا ہے جبکہ وہ اس چیز کے لیے بے کار ہے جس کے لیے آپ نے اسے بنایا تھا۔ صرف سرخی کی تعداد پڑھنا ناکامی کو مکمل طور پر چھپاتا ہے۔

لہجہ صرف غیر مددگار نہیں ہے — یہ فعال طور پر گمراہ کن ہے

بدیہی نقطہ نظر یہ ہے کہ زبان پر نظر ڈالیں۔ منفی الفاظ، احتیاطی جملے، مخالفانہ انداز بیان — یقیناً یہ حملے کا اشارہ دیتے ہیں۔

وہ ایسا نہیں کرتے، اور متضاد مثالیں سرحدی کیس نہیں ہیں۔ ایک دعوے پر غور کریں کہ ایک منصوبہ خطرناک ہے۔ جملہ ٹائم لائن کا دباؤ خطرے میں اضافہ کرتا ہے منفی طور پر بیان کیا گیا ہے اور اس دعوے کی حمایت کرتا ہے — یہ ایک اور وجہ فراہم کرتا ہے کہ منصوبہ خطرناک ہے۔ اب غور کریں طویل مدتی بچت ابتدائی سرمایہ کاری کا تدارک کرے گی، جو ایک دعوے سے منسلک ہے کہ اخراجات ناقابل برداشت ہیں۔ ہر جگہ مثبت الفاظ ہیں، اور یہ اس دعوے پر حملہ کرتا ہے۔

کیا کچھ حمایت کرتا ہے یا حملہ کرتا ہے یہ رشتہ کی خصوصیت ہے، جملے کی نہیں۔ ایک ہی جملہ اگر مختلف والدین سے منسلک ہو تو اس کا لیبل تبدیل ہو جاتا ہے۔ یہی وجہ ہے کہ جذباتی تجزیہ، جو اپنے کام میں بہت اچھا ہے، غلط ٹول ہے: یہ جملے کو پڑھتا ہے، اور جواب جملے میں نہیں ہے۔

ایک ایسے قدم پر اعتراض جو کبھی لکھا نہیں گیا

تیسرا سبب سب سے گہرا ہے، اور یہ ٹولمین کی طرف لوٹتا ہے۔ بہت سی حقیقی اعتراضات حقائق کو بالکل بھی چیلنج نہیں کرتے۔ وہ <em>استدلال</em> کو چیلنج کرتے ہیں — وہ غیر بیان کردہ اصول جو شواہد کو نتیجے سے جوڑتا ہے۔

کسی نے ایک مطالعے کا حوالہ دیا جس میں 13% پیداوری میں بہتری دکھائی گئی ہے اور نتیجہ اخذ کیا کہ اس پالیسی کو اپنایا جانا چاہیے۔ اعتراض یہ ہے کہ مطالعے کی آبادی اس تنظیم کی طرح نہیں تھی۔ کوئی حقیقت چیلنج نہیں کی گئی۔ جو چیز چیلنج کی گئی ہے وہ وارنٹ ہے: کہ وہاں کا نتیجہ یہاں منتقل ہوتا ہے۔ یہ اصول ٹرانسکرپٹ میں کہیں بھی نظر نہیں آتا، کیونکہ کسی نے بھی یہ نہیں کہا۔

جیسا کہ اس سلسلے کی پہلی پوسٹ میں بیان کیا گیا، وارنٹ کی دوبارہ تعمیر ٹولمین کی مرکزی بصیرت تھی اور یہ اس میدان کا سب سے کم حل شدہ مسئلہ ہے۔ ایک نظام جسے ایک تعلق کی درجہ بندی کرنے کے لیے کہا جاتا ہے، بعض اوقات ایک ایسی تجویز کو دوبارہ تعمیر کرنا پڑتا ہے جو اس کی ان پٹ میں نہیں ہوتی، اور پھر یہ فیصلہ کرنا ہوتا ہے کہ آیا اعتراض اس تجویز، شواہد، یا نتیجے کو نشانہ بناتا ہے۔

لیکن یقیناً ایک بڑا ماڈل اس کا حل نکالتا ہے؟

یہ ایک معقول توقع ہے، اور یہ کافی عرصے سے جزوی طور پر غلط رہی ہے کہ یہ دلچسپ ہو جائے۔

اسکیل علم اور روانی میں مدد کرتا ہے، اور اس نے واقعی دلیل کی کان کنی کو بہتر بنایا ہے — یہ کہانی اس سیریز میں اگلا پوسٹ ہے۔ لیکن اوپر بیان کردہ تینوں مسائل علم کے مسائل نہیں ہیں۔ عدم توازن لوگوں کے لکھنے کے طریقے کی ایک خاصیت ہے۔ سیاق و سباق کی انحصاری کام کی تعریف کی ایک خاصیت ہے۔ غائب وارنٹ متن کی ایک خاصیت ہے۔

ایک بڑا ماڈل جو اسی نقل کو پڑھ رہا ہے، اب بھی کوئی جملہ نہیں پاتا جو اس اصول کا بیان کرتا ہو جس کی اسے ضرورت ہے، اب بھی اس چیز میں زیادہ تر اتفاق دیکھتا ہے جس پر اسے ترتیب دیا گیا تھا، اور اب بھی یہ فیصلہ کرنا ہے کہ تین ممکنہ ہدفوں میں سے کسی ایک پر اعتراض کا نشانہ تھا۔ صلاحیت بڑھی؛ مسئلے کی ساخت نہیں بدلی۔

کیا واقعی مدد کرتا ہے

• کلاسوں کو الگ الگ اسکور کریں۔ ایک ہی سرخی کا نمبر ایک ماڈل کو قابل سمجھاتا ہے جو کبھی بھی اختلاف کی پیش گوئی نہیں کرتا۔ فی کلاس F1 ناکامی کو فوراً واضح کرتا ہے۔
• والدین کے بارے میں پوچھیں، موضوع کے بارے میں کبھی نہیں۔ واحد سوال جو درست لیبل دیتا ہے وہ ہے کہ یہ شراکت اس چیز کے ساتھ کیا کرتی ہے جو اس کے بالکل اوپر ہے۔
• فیصلے سے پہلے استدلال کو واضح کریں۔ حمایت یا حملے کے لیے عزم کرنے سے پہلے تعلق کی تحریری وضاحت کو مجبور کرنا اس غلطی کو سامنے لاتا ہے جب کہ اسے ابھی بھی پکڑا جا سکتا ہے۔
• نایاب کلاس کے لیے ایک انسان کو شامل رکھیں۔ اختلاف رائے وہ جگہ ہے جہاں ماڈلز کمزور ہوتے ہیں اور جہاں قیمت سب سے زیادہ ہوتی ہے — بالکل وہ جگہ جہاں جائزے کی توجہ صرف کرنی چاہیے۔

مفید طبقہ نایاب ہوتا ہے۔

ڈیٹا کے بارے میں سب کچھ ایک نظام کو اتفاق کی طرف دھکیلتا ہے۔ تقسیم اس کی حوصلہ افزائی کرتی ہے، الفاظ اس کی طرف گمراہ کرتے ہیں، اور اہم جڑت کا مرحلہ اکثر متن سے مکمل طور پر غائب ہوتا ہے۔

اور آپ کو درحقیقت جس ایک چیز کی ضرورت تھی وہ اعتراض تھا جس کا کسی نے جواب نہیں دیا۔ یہی وجہ ہے کہ یہ دلیل کی کھدائی میں سب سے مشکل مسئلہ ہے، اور یہی وجہ ہے کہ یہ کوشش کے قابل ہے: نایاب طبقہ ہی مفید طبقہ ہے۔

دلائل نکالنے کی سیریز

پانچ مضامین کہ مشینوں نے دلائل پڑھنا کیسے سیکھا — یہ میدان کہاں سے آیا، اس کے مشکل مسائل کیوں مشکل ہیں، اور ہم اسے کیسے استعمال کرتے ہیں۔