AI দিয়ে ঐতিহাসিক বৈজ্ঞানিক পাণ্ডুলিপি বিশ্লেষণে প্রজেক্ট লাইটহাউস কীভাবে ব্যবহার করবেন

প্রজেক্ট লাইটহাউস যা করে

প্রজেক্ট লাইটহাউস হলো বৈজ্ঞানিক পাণ্ডুলিপি, নোটবই, চিঠি এবং অবহেলিত মুদ্রিত রচনাগুলো বৃহৎ পরিসরে পরীক্ষা করার একটি উন্মুক্ত গবেষণা উদ্যোগ। এটি ডিজিটালাইজ করা পৃষ্ঠাগুলো প্রতিলিপি করতে এবং সেগুলোর গাণিতিক অর্থ পুনর্গঠন করতে AI ব্যবহার করে। তবে কোনো প্রার্থী ফলাফলকে বিশ্বাসযোগ্য আবিষ্কার হিসেবে বিবেচনা করার আগে মানবিক পরিদর্শন, গণনামূলক যাচাই, সাহিত্য গবেষণা এবং স্বাধীন পর্যালোচনা আবশ্যক।

প্রকল্পটির লক্ষ্য অসম্পূর্ণ ধারণা, কৃতিত্বহীন ফলাফল এবং উপেক্ষিত সংযোগ খুঁজে বের করা। এটি মিথ্যা সূত্র ও ইতিমধ্যে জানা ফলাফলও একটি যৌথ লেজারে নথিবদ্ধ করে, যাতে অবদানকারীরা ইতিমধ্যে ব্যর্থ প্রমাণিত তদন্ত পুনরায় না করেন।

৯ নভেম্বর ২০২৬ তারিখের রিপোজিটরি স্ট্যাটাস অনুযায়ী, গাউস, রিমান, হিলবার্ট, ডেডেকিন্ড এবং গ্রোথেনডিকের প্রায় ১২,০০০ পৃষ্ঠা গভীরভাবে পড়া হয়েছিল। শীর্ষস্থানীয় প্রার্থী ছিল L-019, যা রিমানের নামে আরোপিত অপ্রকাশিত শক-ওয়েভ শিট নিয়ে কাজ করে। এর বীজগণিত গণনামূলকভাবে পরীক্ষা করা হয়েছিল, কিন্তু আরোপের বিষয়টি তখনও একজন মানব প্যালিওগ্রাফারের নিশ্চিতকরণের অপেক্ষায় ছিল।

AI-সহায়তায় করা কোনো আশাব্যঞ্জক পাঠ স্বয়ংক্রিয়ভাবে আবিষ্কার নয়। প্রজেক্ট লাইটহাউস প্রতিলিপি, ব্যাখ্যা, যাচাই, ঐতিহাসিক অগ্রাধিকার এবং বিশেষজ্ঞের নিশ্চিতকরণকে পৃথক প্রশ্ন হিসেবে বিবেচনা করে।

প্রধান বৈশিষ্ট্য

• পৃষ্ঠা-স্তরের প্রতিলিপি: পাণ্ডুলিপির ছবিকে হুবহু পাঠ্যে রূপান্তর করা হয়; সূত্রগুলো LaTeX-এ উপস্থাপন করা হয় এবং কেটে দেওয়া পাঠ্য স্পষ্টভাবে চিহ্নিত করা হয়।
• প্রাসঙ্গিক গভীর পাঠ: গাণিতিক পৃষ্ঠাগুলো পার্শ্ববর্তী পৃষ্ঠাসহ বিশ্লেষণ করা হয়, যাতে যুক্তিগুলো বিচ্ছিন্নভাবে ব্যাখ্যা না করে পুনর্গঠন করা যায়।
• আধুনিক তুলনা: গভীর পাঠে একটি আধুনিক সমতুল্য, সাধারণত যাঁকে এর কৃতিত্ব দেওয়া হয় তাঁর নাম এবং ০ থেকে ১০ পর্যন্ত একটি বিস্ময় স্কোর শনাক্ত করা হয়।
• চার-পর্যায়ের প্রার্থী প্রোটোকল: প্রতিটি প্রার্থীকে স্ক্যান পরিদর্শন, গণনামূলক পুনঃউৎপাদন, অর্থভিত্তিক সাহিত্য গবেষণা এবং স্বাধীন, পূর্বধারণামুক্ত পর্যালোচনায় উত্তীর্ণ হতে হয়।
• যৌথ লেজার: ledger/LEADS.md-এ প্রার্থী ও সিদ্ধান্ত নথিবদ্ধ করা হয়, যার মধ্যে ডুপ্লিকেট, ভুল এবং সেগুলো সমাধানকারী উৎসও থাকে।
• মিথ্যা-ইতিবাচক নিয়ন্ত্রণ: docs/FALSE_POSITIVES.md-এ আপাত আবিষ্কার ব্যর্থ হওয়ার বারোটি সাধারণ উপায় নথিবদ্ধ করা হয়েছে এবং একটি আবশ্যিক চেকলিস্ট দেওয়া হয়েছে।
• অবদানের লেবেল: লেবেলগুলো আত্মবিশ্বাস বা জনপ্রিয়তার পরিবর্তে সম্পন্ন কাজের বর্ণনা দেয়।
• উন্মুক্ত ফরম্যাট: প্রতিলিপি ও বিশ্লেষণে নথিবদ্ধ রিপোজিটরি ফরম্যাট ব্যবহার করা হয়, ফলে অবদানকারীরা ডেটা পরীক্ষা ও সম্প্রসারণ করতে পারেন।

রিপোজিটরির কাঠামো বুঝুন

পৃষ্ঠাগুলো প্রক্রিয়াকরণের আগে প্রধান পথগুলো সম্পর্কে পরিচিত হন:

queue/QUEUE.md
src/transcribe.py
src/deep.py
src/read_source.py
data/<author>/STATUS.tsv
data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json
data/FORMAT.md
verify/
ledger/LEADS.md
docs/HOT_PAGES.md
docs/FALSE_POSITIVES.md
CONTRIBUTING.md
CITATION.cff

queue/ ডিরেক্টরিতে প্রক্রিয়াকরণের অপেক্ষায় থাকা উৎসগুলোর হিসাব রাখা হয়। src/ স্ক্রিপ্টগুলো প্রতিলিপি ও গভীর পাঠ পরিচালনা করে। লেখকভিত্তিক আউটপুট data/-এর অধীনে সংরক্ষণ করা হয়, যাচাইকরণ প্রোগ্রামগুলো verify/-এ রাখা হয় এবং তদন্ত করা সূত্রগুলো লেজারে নথিবদ্ধ করা হয়।

ইনস্টলেশন ও সেটআপ

১. রিপোজিটরি সংগ্রহ করুন

GitHub থেকে প্রজেক্ট লাইটহাউস রিপোজিটরি ক্লোন বা ডাউনলোড করুন, তারপর এর রুট ডিরেক্টরি থেকে কাজ করুন। ডেটা যোগ বা কোনো প্রার্থী পর্যালোচনা করার আগে CONTRIBUTING.md পড়ুন, কারণ এতে অবদানের প্রক্রিয়া সংজ্ঞায়িত করা হয়েছে।

২. নথিবদ্ধ ডেটা ফরম্যাট পরীক্ষা করুন

প্রতিলিপি বা গভীর-পাঠের ফাইল তৈরি করার আগে data/FORMAT.md খুলুন। বিদ্যমান ডেটা এই কাঠামোগুলো অনুসরণ করে:

data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json

বিকল্প কাঠামো তৈরি না করে নথিবদ্ধ স্কিমা অনুসরণ করুন। সামঞ্জস্যপূর্ণ ফাইলের নাম ও ক্ষেত্র অবদানকারীদের কোন পৃষ্ঠাগুলো ইতিমধ্যে প্রক্রিয়াকৃত হয়েছে তা নির্ধারণ করতে সাহায্য করে।

৩. আপনার API কী কনফিগার করুন

রিপোজিটরিটি অবদানকারীদের নিজস্ব Anthropic API কী ব্যবহারের প্রত্যাশা করে। এটি নিচের স্থানীয় পথে সংরক্ষণ করুন:

~/.config/hunt/anthropic_key

কখনোই কীটি রিপোজিটরিতে কমিট করবেন না। README অনুযায়ী Claude Opus 5.5 দিয়ে প্রতিলিপি ও গভীর পাঠের জন্য প্রতি পৃষ্ঠায় আনুমানিক $0.25 খরচ হতে পারে। বড় কোনো উৎস প্রক্রিয়াকরণের আগে প্রকৃত ব্যবহার পর্যবেক্ষণ করা উচিত।

৪. যোগ্য উৎস নির্বাচন করুন

উৎস যেকোনো লেখক, ক্ষেত্র, ভাষা বা শতাব্দী থেকে হতে পারে, তবে সেটি অবশ্যই পাবলিক ডোমেইনে থাকতে হবে, ডিজিটালাইজ করা হতে হবে এবং এমন কোথাও হোস্ট করা হতে হবে যার শর্তাবলি ডেটা আহরণের অনুমতি দেয়। প্রকল্পটি পাণ্ডুলিপি, নোটবই, চিঠি এবং অবহেলিত মুদ্রিত রচনা গ্রহণ করে।

উৎসটি queue/QUEUE.md-এ যোগ করুন এবং নিচের পথে এর লেখক ডিরেক্টরি তৈরি করুন:

data/<author>/

লাইব্রেরির স্ক্যান রিপোজিটরিতে হোস্ট করবেন না। প্রজেক্ট লাইটহাউস স্ক্যানের লিংক দেয়, আর স্থানীয়ভাবে তৈরি প্রতিলিপি ও বিশ্লেষণগুলো রিপোজিটরির লাইসেন্সের নিয়মের অধীনে রাখে।

মৌলিক ব্যবহারের কর্মপ্রবাহ

ধাপ ১: প্রতিটি পৃষ্ঠার প্রতিলিপি তৈরি করুন

উৎসটি IIIF ইমেজ URL-এর মাধ্যমে পাওয়া গেলে src/transcribe.py ব্যবহার করুন। স্ক্যান PDF-এর জন্য src/read_source.py ব্যবহার করুন; এটি PDF পৃষ্ঠা থেকে JPEG ছবি এবং পৃষ্ঠা-রেকর্ড তৈরির কর্মপ্রবাহ সমর্থন করে।

প্রতিলিপিতে পৃষ্ঠায় যা দেখা যায় তা সংরক্ষণ করা উচিত, নীরবে সংশোধন করা নয়। সূত্রগুলো LaTeX-এ লিখুন এবং কেটে দেওয়া পাঠ্য চিহ্নিত করুন। data/FORMAT.md-এ সংজ্ঞায়িত লেখক ও বান্ডেল কাঠামোতে ফলাফল সংরক্ষণ করুন।

data/example_author/transcripts/example_bundle/c001.json

এই পাথটি নথিভুক্ত নামকরণ-পদ্ধতির একটি উদাহরণ। আপনার উৎসের প্রকৃত লেখক, বান্ডেল এবং পৃষ্ঠা শনাক্তকারী ব্যবহার করুন।

ধাপ ২: গাণিতিক পৃষ্ঠাগুলো গভীরভাবে পড়ুন

src/deep.py অথবা src/read_source.py-এর গভীর-পাঠ ফাংশনগুলো ব্যবহার করুন। পার্শ্ববর্তী পৃষ্ঠাগুলোও অন্তর্ভুক্ত করুন, যাতে প্রতীকলিপি, সংজ্ঞা এবং মধ্যবর্তী ধাপগুলো প্রাসঙ্গিকতার সঙ্গে ব্যাখ্যা করা যায়।

প্রতিটি প্রাসঙ্গিক পৃষ্ঠার জন্য যুক্তিটি পুনর্গঠন করুন, এর আধুনিক সমতুল্য শনাক্ত করুন, সাধারণত কাকে কৃতিত্ব দেওয়া হয় তা উল্লেখ করুন এবং রিপোজিটরির ০–১০ বিস্ময় স্কোর নির্ধারণ করুন। ফলাফলটি সংশ্লিষ্ট গভীর-পাঠ পাথে সংরক্ষণ করুন:

data/example_author/deep/example_bundle_c001.json

উচ্চ স্কোর কেবল মনোযোগের অগ্রাধিকার নির্ধারণ করে। এটি ঐতিহাসিক অগ্রাধিকার প্রতিষ্ঠা করে না বা আরও জোরালো পর্যালোচনা-লেবেলের ন্যায্যতা দেয় না।

ধাপ ৩: প্রক্রিয়াকরণের অবস্থা পরীক্ষা করুন

যেসব বান্ডেল প্রতিলিপি করা হয়েছে কিন্তু এখনো গভীর-পাঠ পায়নি, সেগুলো খুঁজে পেতে data/<author>/STATUS.tsv খুলুন। নতুন কোনো উৎস যোগ না করেই অবদান রাখার এটি একটি কার্যকর উপায়।

ধাপ ৪: বিস্ময়কর পৃষ্ঠাগুলো অনুসন্ধান করুন

দ্রুততম পর্যালোচনা-পথ হলো docs/HOT_PAGES.md। এতে এমন পৃষ্ঠাগুলোর তালিকা রয়েছে যেগুলোকে মডেল বিস্ময়কর হিসেবে মূল্যায়ন করেছে, কিন্তু কোনো মানুষ এখনো পরীক্ষা করেনি। প্রতিলিপিটি সরাসরি স্ক্যানের সঙ্গে তুলনা করুন, আশপাশের পৃষ্ঠাগুলো পরীক্ষা করুন এবং নির্ধারণ করুন দাবিটি ইতিমধ্যে পরিচিত, ভুল প্রতিলিপিকৃত, ভুল তারিখযুক্ত, নাকি সত্যিই প্রার্থী হিসেবে খতিয়ে দেখার মতো।

প্রার্থী প্রোটোকল প্রয়োগ করুন

সম্ভাব্য কোনো আবিষ্কারের তাৎপর্য উল্লেখ করার আগে চারটি পরীক্ষা ক্রমানুসারে সম্পন্ন করুন।

1. স্ক্যানের সঙ্গে মিলিয়ে পৃষ্ঠাটি পড়ুন। হাতের লেখা, প্রতীক, প্রান্তিক নোট, কাটাকাটি এবং পৃষ্ঠার ক্রম নিশ্চিত করুন। কেবল AI-এর আউটপুট যথেষ্ট নয়।
2. কোড ব্যবহার করে গণিতটি পুনরায় নির্ণয় করুন। পুনরুৎপাদনযোগ্য হিসাব verify/-এ রাখুন। মৌখিক সাদৃশ্যের ওপর নির্ভর না করে দাবিকৃত অভেদ বা ফলাফল পরীক্ষা করুন।
3. অর্থের ভিত্তিতে সাহিত্য অনুসন্ধান করুন। লেখকের প্রকাশিত কাজ দিয়ে শুরু করুন, তারপর পুরোনো উৎসগুলো পরীক্ষা করুন। যাচাই ছাড়া AI-উৎপাদিত “প্রথম কৃতিত্বপ্রাপ্ত” তারিখে আস্থা রাখবেন না, কারণ এমন তারিখ খুব দেরির হতে পারে।
4. স্বাধীন ও পূর্বধারণামুক্ত পর্যালোচনার অনুরোধ করুন। কাঙ্ক্ষিত সিদ্ধান্ত প্রকাশ না করে দ্বিতীয় কোনো অবদানকারী বা এজেন্টকে প্রাসঙ্গিক তথ্য দিন। পর্যালোচককে একটি রায় লিখতে হবে এবং উৎস উদ্ধৃত করতে হবে।

প্রতিটি প্রার্থী ফাইলে docs/FALSE_POSITIVES.md-এর চেকলিস্টও অন্তর্ভুক্ত করতে হবে। এটি ভুল প্রতিলিপি, আধুনিকীকৃত ব্যাখ্যা, অন্য নামে পরিচিত প্রকাশনা, অথবা অসমর্থিত তারিখ নির্ধারণের মতো সাধারণ ভুল ধরতে সাহায্য করে।

লেজারে ফলাফল নথিভুক্ত করুন

প্রার্থী এবং তার রায় ledger/LEADS.md-তে যোগ করুন। নেতিবাচক ফলাফলও ইতিবাচক ফলাফলের মতো যত্নসহকারে নথিভুক্ত করুন। কোনো প্রার্থী শেষ পর্যন্ত সুপরিচিত ইতিহাস বলে প্রমাণিত হলেও, তার নথি অন্য অবদানকারীকে একই অনুসন্ধান পুনরাবৃত্তি করা থেকে বিরত রাখে।

রিপোজিটরির উল্লেখযোগ্য উদাহরণ হলো L-019। এর পূর্ণ নথি ledger/LEADS.md-তে রয়েছে, আর docs/L019_expert_request_draft.md-তে বিশেষজ্ঞদের জন্য প্রস্তুত করা অনুরোধটি রয়েছে। README-তে কম্পিউটারভিত্তিক যাচাই এবং অন্ধ AI হাতের লেখা তুলনার বর্ণনা আছে, তবে সেখানে স্পষ্টভাবে বলা হয়েছে যে কোনো মানব প্যালিওগ্রাফার এখনো আরোপণটি নিশ্চিত করেননি।

লেবেল সঠিকভাবে ব্যবহার করুন

প্রজেক্ট লাইটহাউসের লেবেলগুলো কোনো আবিষ্কারে বিশ্বাস নয়, সম্পন্ন কার্যক্রমের প্রতিবেদন করে:

• transcribed: একটি পৃষ্ঠা JSON ফাইল বিদ্যমান। যেকোনো অবদানকারী এটি নির্ধারণ করতে পারেন।
• read: একটি গভীর-পাঠ বিদ্যমান। যেকোনো অবদানকারী এটি নির্ধারণ করতে পারেন।
• self-checked: অনুসন্ধানকারী স্ক্যান পরীক্ষা করেছেন, গণিত চালিয়েছেন এবং সাহিত্য অনুসন্ধান করেছেন।
• reviewed: অন্য কোনো অবদানকারী বা পূর্বধারণামুক্ত কোনো এজেন্ট স্বাধীনভাবে চারটি পরীক্ষা পুনরাবৃত্তি করেছেন এবং উৎসসমর্থিত রায় লিখেছেন।
• expert: নামযুক্ত কোনো বিশেষজ্ঞ স্ক্যানটি অনুমোদন করেছেন।

কোন পৃষ্ঠাগুলো আগে মনোযোগ পাবে তা নির্ধারণে ভোট সহায়ক হতে পারে, কিন্তু ভোট কখনো কোনো লেবেল প্রতিষ্ঠা করে না।

নির্ভরযোগ্য গবেষণার উন্নত পরামর্শ

প্রতিলিপি ও ব্যাখ্যা আলাদা রাখুন

গণিতটি বুঝেছেন বলে মনে হলেও প্রতিলিপিটি বিশ্বস্ত রাখুন। উৎসটি পুনর্লিখন না করে পুনর্গঠন, আধুনিক প্রতীকলিপি এবং ঐতিহাসিক তুলনা গভীর-পাঠের নথিতে রাখুন।

পৃষ্ঠার পার্শ্ববর্তী অংশ পড়ুন

সংজ্ঞা বা আগের ব্যুৎপত্তি থেকে বিচ্ছিন্ন হলে কোনো সূত্র নতুন বলে মনে হতে পারে। কোনো লিড খোলার আগে সবসময় আগের ও পরের পৃষ্ঠা, বান্ডেলের ক্রম এবং সংশ্লিষ্ট নোটবুক পরীক্ষা করুন।

শুধু পরিভাষা নয়, ধারণা অনুসন্ধান করুন

ঐতিহাসিক লেখকেরা কোনো আধুনিক ফলাফল তার বর্তমান নাম ব্যবহার না করেই বর্ণনা করতে পারেন। গাণিতিক সম্পর্ক, জ্যামিতিক নির্মাণ, ভৌত শর্ত বা প্রমাণ-পদ্ধতি অনুসন্ধান করুন। পরে কৃতিত্বপ্রাপ্ত উৎসের সঙ্গে তুলনা করার আগে লেখকের নিজস্ব প্রকাশনা দিয়ে শুরু করুন।

পর্যালোচনাকে পূর্বধারণামুক্ত রাখুন

কোনো পৃষ্ঠায় পরবর্তী সময়ের বিখ্যাত ফলাফল থাকার প্রত্যাশা আছে—এ কথা স্বাধীন পর্যালোচককে বলবেন না। প্রস্তাবিত সিদ্ধান্ত গোপন রেখে স্ক্যান, প্রতিলিপি, তারিখের প্রমাণ এবং গাণিতিক তথ্য দিন। এতে নিশ্চিতকরণ পক্ষপাত কমে।

যাচাই পুনরুৎপাদনযোগ্য করুন

স্ক্রিপ্ট ও হিসাব verify/-এ রাখুন, অনুমানগুলো নথিভুক্ত করুন এবং সঠিক প্রতীকী পরীক্ষা ও সংখ্যাগত প্রমাণের মধ্যে পার্থক্য স্পষ্ট করুন। কার্যকর যাচাই এমন হওয়া উচিত, যাতে অন্য কোনো অবদানকারী স্বাধীনভাবে ব্যুৎপত্তিটি পুনরায় চালাতে পারেন।

অসম্পূর্ণ কাজকে অগ্রাধিকার দিন

গভীর-পাঠের অপেক্ষায় থাকা প্রতিলিপিকৃত বান্ডেল খুঁজতে STATUS.tsv এবং মানব পরীক্ষার অপেক্ষায় থাকা বিস্ময়কর পৃষ্ঠা খুঁজতে docs/HOT_PAGES.md ব্যবহার করুন। এই পথগুলো ইতিমধ্যে সম্পন্ন প্রক্রিয়ার পুনরাবৃত্তি এড়াতে সাহায্য করে।

উৎসভেদে প্রযোজ্য অধিকারকে সম্মান করুন

স্ক্যানগুলো তাদের নিজ নিজ লাইব্রেরিতেই থাকবে এবং হোস্ট না করে লিংক করা উচিত। রিপোজিটরির ট্রান্সক্রিপশন ও বিশ্লেষণ CC BY 4.0 লাইসেন্সের অধীনে, আর কোড MIT লাইসেন্সের অধীনে প্রকাশিত। গ্রোথেনডিকের অপ্রকাশিত নোটের ক্ষেত্রে, README-তে বর্ণিত ব্যতিক্রম অনুযায়ী রিপোজিটরিতে কেবল বিশ্লেষণ ও সংক্ষিপ্ত উদ্ধৃতি রয়েছে, পূর্ণ ট্রান্সক্রিপশন নয়।

অগ্রাধিকার ও উদ্ধৃতি-সংক্রান্ত তথ্য সংরক্ষণ করুন

Project Lighthouse কোনো লেজার এন্ট্রি-সম্বলিত প্রথম কমিট বা রিলিজকে তার প্রকাশ্য তারিখ হিসেবে বিবেচনা করে। Zenodo-তে আর্কাইভ করা একটি GitHub রিলিজ DOI এবং স্বতন্ত্র টাইমস্ট্যাম্প যোগ করতে পারে। রিপোজিটরিকে উদ্ধৃত করার সময় CITATION.cff ব্যবহার করুন এবং এর CC BY ট্রান্সক্রিপশন পুনর্ব্যবহার করলে রিপোজিটরিকে কৃতিত্ব দিন।

অবদান রাখার উপায়

• হাতে বা যেকোনো টুল কিংবা মডেল ব্যবহার করে তৈরি বিদ্যমান ট্রান্সক্রিপশন বা অনুবাদ শেয়ার করুন।
• নতুন যোগ্য উৎসে প্রসেসিং স্ক্রিপ্ট চালান।
• স্ক্যানের সঙ্গে তুলনা করে তৈরি হওয়া ট্রান্সক্রিপশন সংশোধন করুন।
• বর্তমানে শুধু ট্রান্সক্রাইব করা বান্ডেলগুলো গভীরভাবে পড়ুন।
• বিদ্যমান কোনো প্রার্থীকে স্বাধীনভাবে পর্যালোচনা করুন।
• প্রাসঙ্গিক বিশেষজ্ঞ জ্ঞান থাকলে নামসহ বিশেষজ্ঞ মতামত দিন।

প্রকল্পটি জোর দিয়ে বলে যে বিশেষজ্ঞের পাঠ ও সাহিত্যের জ্ঞান মডেল টোকেনের চেয়ে বেশি দুর্লভ। কোনো প্রার্থীকে ভুল প্রমাণ করা অবদানও মূল্যবান হতে পারে, যদি তা স্পষ্ট প্রমাণ ও উৎসসহ নথিবদ্ধ করা হয়।

উপসংহার

Project Lighthouse কৃত্রিম বুদ্ধিমত্তার বৃহৎ পরিসরের পাণ্ডুলিপি প্রক্রিয়াকরণকে একটি সচেতনভাবে সন্দেহপ্রবণ গবেষণা-প্রোটোকলের সঙ্গে যুক্ত করে। প্রথমে একটি যোগ্য উৎস বা অসম্পূর্ণ বান্ডেল নির্বাচন করুন, বিশ্বস্ত ট্রান্সক্রিপশন তৈরি করুন, প্রাসঙ্গিকতার সঙ্গে পৃষ্ঠাগুলো গভীরভাবে পড়ুন, এবং স্ক্যান পরিদর্শন, কোড, সাহিত্য-গবেষণা ও স্বাধীন পর্যালোচনার মাধ্যমে বিস্ময়কর দাবিগুলো অনুসন্ধান করুন। প্রতিটি ফলাফল শেয়ার করা লেজারে নথিবদ্ধ করুন, যাতে আবিষ্কার ও ব্যর্থ প্রচেষ্টা উভয়ই পুনর্ব্যবহারযোগ্য গবেষণাগত প্রমাণে পরিণত হয়।