AI से data extraction:Draft मशीन से, हर संख्या मूल text से verify
Included studies तय हो गईं, अब data extraction की बारी है। आप पहला पेपर खोलकर जो उपयोगी दिखे, वही उतारने लगते हैं — और कुछ पेपरों बाद पता चलता है कि हर पंक्ति में items ही अलग-अलग हैं। Data extraction में यह दोबारा-काम आम कहानी है, और कारण साफ़ है: data extraction का मतलब सारांश लिखना नहीं — हर पेपर से पहले से तय items को एक ही format में निकालना है। यह लेख पूरी प्रक्रिया और उसमें AI की असली उपयोगिता की जगहें समझाता है।
Published: 2026-07-22
एक भी पेपर खोलने से पहले extraction table design करें
पहला काम पढ़ना नहीं — table का design है। सबसे पहले columns तय करें।
एक standard सेट: author, year, देश, study design, participants (संख्या और विशेषताएँ), intervention या exposure, comparison, outcome और उसकी परिभाषा, मुख्य परिणाम (effect size और confidence interval), follow-up अवधि, missing data, limitations। अपने review question को जिस जानकारी की ज़रूरत है, उससे उल्टा चलकर columns तय करें — पहला पेपर खोलने से पहले।
पहले 2–3 पेपरों पर pilot करें
Table तैयार हो, तो सीधे पूरे सेट पर न टूट पड़ें — पहले 2–3 पेपरों पर आज़माएँ। यहीं पता चलता है कि किन columns की परिभाषा अस्पष्ट है और किन जगहों पर पेपर-दर-पेपर format अलग पड़ता है।
इसी चरण पर design सुधार लेने से बाद में सब कुछ दोबारा करने की आफ़त टल जाती है। Team में काम कर रहे हों, तो इसी pilot से entry के नियम भी मानकीकृत कर लें।
AI से table का draft बनवाएँ
Columns तय हों, तो AI ख़ूब ताक़तवर हो जाता है। हर पेपर के लिए निर्देश दें — "ये items, इस format में निकालो" — और मिनटों में extraction table का draft हाज़िर।
Draft को review करके सुधारना, खाली cells हाथ से भरने से बिल्कुल अलग अनुभव है। AI की भूमिका cells भरने की पहली चाल चलना है — उनकी सामग्री की गारंटी देना नहीं। यह फ़र्क़ पकड़े रहें, तो रफ़्तार और सटीकता दोनों मिलती हैं।
संख्याओं का verification: units, denominator, direction
Draft की review करते समय हर संख्या के तीन पहलू ख़ास ध्यान माँगते हैं।
Units (प्रतिशत या गिनती, महीने या साल)। Denominator (ITT population, analyzed population, या सिर्फ़ completers)। Direction (effect size intervention group के पक्ष में है या control group के?)। AI के drafts इन्हीं तीन जगहों पर सबसे ज़्यादा फिसलते हैं, और इनमें से कोई एक भी ग़लती आपकी review का निष्कर्ष पलट सकती है। ज़रूरत पड़ने पर हमेशा मूल text, उसके figures/tables और supplements से verify करें।
Meta-analysis में जाने वाली संख्याओं पर एक दर्जा और सावधानी
निकाला गया data किसी meta-analysis में जाना हो, तो कसौटी और ऊँची करें। जाँचें कि effect size का प्रकार, time point और analysis population की परिभाषाएँ studies के बीच मेल खाती हैं या नहीं, और यह भी नोट करें कि मान figure से पढ़ा गया या text से।
Studies को pool किया जा सकता है या नहीं, और मान कैसे convert होंगे — ये सांख्यिकीय निर्णय हैं, इसलिए संदेह हो तो statistician, supervisor या team से सलाह लें। यह वह इलाक़ा है जो न AI आपके लिए संभाल सकता है, न यह लेख।
हर मान का स्रोत दर्ज करते चलें
एक व्यावहारिक आदत: extraction table के हर cell या पंक्ति में स्रोत की जगह नोट करें — Table 2, p.6, Supplement।
फिर verification और team की cross-check में एक ही पेपर को बार-बार खंगालना नहीं पड़ता। दर्जनों items और दर्जनों studies में यह छोटी-सी आदत कई दिनों का फ़र्क़ जोड़ देती है।
Paperfy के साथ तैयारी
Paperfy में हर included पेपर की AI summary और figures/tables उसकी PDF के साथ एक ही पेज पर रहते हैं — जिससे extraction के दौरान "स्रोत में यह कहाँ है" खोजना काफ़ी तेज़ हो जाता है।
जो पुष्टि की, उसे summary में जोड़ दें — जैसे "denominator ITT है, Table 2 में पुष्ट" — तो extraction का आधार पेपर के पेज पर ही बना रहता है, और बाद की review व risk of bias assessment में सीधे काम आता है।
इस लेख के मुख्य बिंदु
- कोई पेपर खोलने से पहले extraction table के columns तय हुए।
- 2–3 पेपरों के pilot के बाद table और entry के नियम सुधारे गए।
- Units, denominators और direction मूल text से verify हुए।
- हर मान का स्रोत (table/पृष्ठ संख्या) दर्ज हुआ।
हर extraction का आधार, पेपर के पेज पर
Paperfy में AI summary, figures, tables और मूल text एक ही पेज पर रहते हैं — और पेपर आपके extraction के verification notes को अपने साथ ही रखता है।
Screening
यह topic देखें
इस workflow से जुड़े guides को एक साथ पढ़ें.
Next पढ़ें
ये guides उसी workflow को आगे बढ़ाते हैं.