সিস্টেমেটিক রিভিউ এবং মেটা-অ্যানালাইসিস একজন গবেষকের জীবনের কয়েক মাস খেয়ে ফেলে। একটি মাত্র p-value খোঁজার জন্য আপনাকে হয়তো ৩০টি PDF খুলতে হয়। প্রতিটি পেপারে ভিন্ন ভিন্ন শব্দচয়ন ব্যবহার করা হয়: কোনোটিতে “participants averaged 58 years”, কোনোটিতে “mean age 58.3 (SD 4.1)”, আবার কোনোটিতে “elderly cohort”। আপনি পুরো ডিসকাশন সেকশনটি দ্রুত পড়ে ফেলেন শুধু এটা জানতে যে, প্রাইমারি এন্ডপয়েন্টটি কখনোই সিগনিফিকেন্স বা তাৎপর্য অর্জন করতে পারেনি। এটি গবেষণা নয়; এটি হলো পিএইচডি ডিগ্রিধারী একজন মানুষের ডেটা এন্ট্রি করা। আসল বুদ্ধিবৃত্তিক কাজ—প্রমাণ সংশ্লেষণ করা, পদ্ধতিগত ত্রুটি শনাক্ত করা, পরবর্তী গবেষণার নকশা করা—সবই অলস বসে থাকে যখন আপনি স্প্রেডশিটে সংখ্যা কপি করতে থাকেন। এর চেয়ে ভালো একটি পদ্ধতি আছে। গবেষণাপত্রগুলোকে পড়ার মতো গদ্য হিসেবে দেখা বন্ধ করুন। সেগুলোকে বর্ণনামূলক সাজানো একটি ডাটাবেস হিসেবে বিবেচনা করুন এবং সরাসরি তথ্যগুলো বের করে আনুন।
একটি স্কিমা দিয়ে শুরু করুন, গল্প দিয়ে নয়
একটি PDF স্পর্শ করার আগেই নির্ধারণ করুন আপনি কী খুঁজছেন। গল্পের জন্য পড়বেন না। কাঠামোর জন্য পড়ুন। ক্লিনিক্যাল এবং প্রি-ক্লিনিক্যাল গবেষণায় চারটি কলামই সবচেয়ে গুরুত্বপূর্ণ কাজ করে দেয়: Intervention, Outcome, Methods, এবং Population। প্রতিটি ট্রায়াল বা অবজারভেশনাল স্টাডিতে এই উপাদানগুলো থাকে। লেখকরা এগুলোকে কেবল প্যারাগ্রাফ, টেবিল এবং অ্যাপেন্ডিক্সের মধ্যে লুকিয়ে রাখেন। এই কাঠামোর মধ্যে তথ্য বের করার মাধ্যমে আপনি ৫,০০০ শব্দের একটি নিবন্ধকে একটি কুয়েরিযোগ্য টেবিলের মাত্র একটি সারিতে (row) নিয়ে আসতে পারেন। “তারা কী করেছে?” তা জিজ্ঞাসা করার পরিবর্তে আপনি সুনির্দিষ্ট এবং যান্ত্রিক প্রশ্ন করবেন: ওষুধ বা ডিভাইসটি কী ছিল? কতজন মানুষ এতে অন্তর্ভুক্ত ছিল? কোন এন্ডপয়েন্ট পরিমাপ করা হয়েছিল? কী পরিবর্তন হয়েছে, এবং কতটুকু হয়েছে?
এই পরিবর্তনটি কেবল সাংগঠনিক নয়, এটি কম্পিউটেশনাল। একবার স্কিমাটি নির্ধারিত হয়ে গেলে, সফটওয়্যার স্ক্যানিংয়ের কাজ করতে পারে আর মানুষ চিন্তা করার কাজ করতে পারে। বর্ণনামূলক টেক্সট তখন স্ট্রাকচার্ড ডেটায় পরিণত হয়। আপনি একটি PDF পুনরায় না খুলেই পাশাপাশি বিশটি স্টাডি তুলনা করতে পারেন, কারণ প্রতিটি সারি একই ভাষায় কথা বলে। স্কিমা আপনাকে নির্ভুল থাকতে সাহায্য করে। যদি কোনো পেপারে স্পষ্ট আউটকাম ডেফিনিশন না থাকে, তবে আপনি দ্রুত পড়ে যাওয়ার সময় সেটি হারিয়ে না গিয়ে একটি খালি সেল (blank cell) হিসেবে সাথে সাথে ধরা পড়বে।
SciBERT কীভাবে তথ্য খুঁজে বের করে
এখানেই SciBERT কার্যকর হয়ে ওঠে। এটি বৈজ্ঞানিক সাহিত্যের ওপর প্রশিক্ষিত একটি ল্যাঙ্গুয়েজ মডেল, এবং এটি বায়োমেডিকেল টেক্সট এত নিখুঁতভাবে পড়ে যে সাধারণ টুলগুলো যেসব এনটিটি (entities) মিস করে, এটি তা ধরতে পারে। একে একটি মেথডস সেকশন দিলে এটি একবারে বয়সসীমা, ওষুধের ডোজ, স্যাম্পল সাইজ এবং p-values চিহ্নিত করতে পারে। এটি বোঝে যে “mg/kg” একটি অণুর সাথে যুক্ত, অথবা “n=340” একটি ফুটনোট নয় বরং কোহর্ট সাইজ নির্দেশ করে।
ধরুন আপনি একটি নতুন ডায়াবেটিস ওষুধের ট্রায়াল রিভিউ করছেন। উৎসটি হলো একটি ঘন ও জটিল ৩০ পৃষ্ঠার ফুল-টেক্সট স্টাডি। স্ক্রল করার পরিবর্তে আপনি SciBERT পাইপলাইনটি চালান। এটি ইন্টারভেনশন প্যারাগ্রাফ থেকে ওষুধের সঠিক নাম বের করে আনে, টেক্সট হিসেবে প্রদর্শিত বেসলাইন ক্যারেক্টারিস্টিকস টেবিল থেকে রোগীর বয়সসীমা সংগ্রহ করে এবং রেজাল্ট সেকশন থেকে ইফেক্ট সাইজ ক্যাপচার করে। এরপর একটি রিলেশন এক্সট্রাক্টর সেই তথ্যগুলোকে একত্রে যুক্ত করে: এই ওষুধটি, এই জনসংখ্যার মধ্যে, HbA1c-তে এই নির্দিষ্ট পরিবর্তন ঘটিয়েছে। পাইপলাইনটি কেবল বিচ্ছিন্ন শব্দ খুঁজে পায় না; এটি ইন্টারভেনশনকে আউটকামের সাথে সংযুক্ত করে। সেই স্ট্রাকচার্ড ট্রিপলটি আপনার এভিডেন্স টেবিলের একটি সারিতে পরিণত হয়। কিওয়ার্ড সার্চ এবং এই পদ্ধতির মধ্যে পার্থক্য হলো—একটি পৃষ্ঠার কোথাও “metformin” শব্দটি খুঁজে পাওয়া এবং এই নির্দিষ্ট কোহর্টে metformin ঠিক কতটা পরিমাণ HbA1c কমিয়েছিল তা জানার মধ্যে পার্থক্য।
তিন-ধাপের ওয়ার্কফ্লো
এটি অর্জনের জন্য সুশৃঙ্খলভাবে কাজ করা প্রয়োজন। একটি অগোছালো পাইপলাইন অগোছালো টেবিল তৈরি করে। তিনটি ব্যবহারিক ধাপ অনুসরণ করুন এবং প্রতিটি ধাপের খুঁটিনাটি বিষয়ের দিকে নজর দিন।
কর্পাস প্রস্তুত করুন
বেশিরভাগ উৎস উপাদান PDF হিসেবে আসে। সেগুলোকে plain text-এ রূপান্তর করুন। শুনতে সহজ মনে হলেও, টু-কলাম একাডেমিক লেআউটের সাথে লড়াই করা মোটেও সহজ নয়। হেডারগুলো বাক্যকে মাঝখান থেকে ভেঙে ফেলে। ফুটনোটগুলো প্যারাগ্রাফের ভেতরে ঢুকে পড়ে। টেবিলগুলো ASCII সুপের মতো অগোছালো দেখায়। কঠোরভাবে ক্লিন করুন। রানিং টাইটেল, পেজ নম্বর এবং কপিরাইট লাইনগুলো সরিয়ে ফেলুন। যেখানে সম্ভব প্যারাগ্রাফের সীমানা বজায় রাখুন; এগুলো মডেলকে কনটেক্সট বজায় রাখতে সাহায্য করে।
Then split the text into chunks. Size matters. Transformers have token windows, and a thirty-page paper will not fit in one go. Break text at sentence or paragraph boundaries rather than mid-clause. Keep chunks under the model’s limit but large enough to hold meaning. A fragment like “showed significant improvement” is useless without the prior sentence naming the drug. Consider small overlaps between chunks, perhaps a sentence or two, so entities sitting on section boundaries do not get split. If you are dealing with scanned images rather than born-digital PDFs, run OCR first, but expect noise. An 8 becomes a B, “mg” becomes “mq,” and statistical symbols sometimes vanish entirely. Always eyeball a few random pages after OCR to gauge how much garbage you are feeding the model.
Run the model
Feed the cleaned chunks through the SciBERT pipeline. First pass: named entity recognition. The model tags spans it recognizes, such as drug names, dosages, ages, p-values, and sample sizes. Second pass: relation extraction. This is where the pipeline links entities. It learns that the dosage following a drug name belongs to that drug, or that the p-value in a results sentence belongs to the primary outcome described earlier. Run this over all chunks. Store the raw extractions with coordinates—source PDF, section, chunk number—so you can trace every finding back to its origin. This provenance is not academic bureaucracy. It saves you hours when a number