দুঃখজনক হলেও সত্য, এমনটা শুধু আমেরিকা বা অমুসলিম দেশগুলোতে না, মুসলিম দেশগুলোও এখন অভ্যন্তরীন মিডিয়া প্রোপাগান্ডার শিকার। আমাদের দেশেই দেখুন, মুসলিম বা হুজুর সমাজ কোন অপরাধ করলে সেক্যুলার গোষ্ঠী সেটা ফলাও করে প্রচার করে, সবাই জেনে যায়। কারণ বেশিরভাগ বড় মিডিয়া তাদের দখলে। অপরদিকে হিন্দু বা ইসলাম-বিরোধী কেউ কোন অপরাধ করলে সেটা ধামাচাপা পড়ে যায়। কারণ মুসলিম কমিউনিটি বা হুজুর সমাজ প্রচারবিমুখ, আর তাদের হাতে বড় কোন মিডিয়ার একসেসও নাই।
এটা সোশ্যাল সিকিউরিটি নিয়ে আমাদের হীনমন্যতার বহিঃপ্রকাশ। আমরা মুসলিমরাই পশ্চিমা মানবতা, উন্নয়ন আর চাকচিক্যের গোলাম হয়ে গেছি। তাদের বুলিকে আমাদের আদর্শ হিসেবে মেনে নিয়েছি। যার কারণে একটা মেন্টাল বায়াসনেস আমাদের মনে ঠাঁই করে নিয়েছে। আমরা আমাদের দোষ, সমস্যা, কমতি; এগুলো নিয়েই পড়ে থাকি। তাদের অমানবিকতা-সমস্যা আমাদের চোখে পড়ে না।
এই সম্পর্কে আগেই বলেছি, মিডিয়ায় মুসলিমদের অর্জনকে ম্লান করে দেয়া হয় সেই আদিকাল থেকেই। বিপরীতে কুকীর্তিগুলো সামনে নিয়ে আসা হয় আর বিশ্ববাসীকে সেটাই বিশ্বাস করানো হয়।
উন্নত দেশগুলোতে মূলত জনগনকেই বোকা বানানো হয়। ক্ষমতার মসনদে বসে নেতারা বড় বড় লেকচার দেয়, ট্যাক্সের টাকা নিজেদের ক্ষমতা বলবৎ রাখতে ব্যবহার করে, আর রাতকে দিন বানিয়ে জনগনের কাছে উপস্থাপন করে। ফ্রীডম-অব স্পিচ, জনগনের স্বাধীনতা, নিজ নিজ ধর্মীয় স্বাধীনতা সম্পর্কিত যেসব বুলি আওরায়, সেগুলো যে মিথ, অনেক জনগনের কাছে তা অজানা নয়।
গ্লোবাল টেররিজম ট্রেন্ডে দেখা গেছে—পশ্চিমে সাম্প্রতিক বছরগুলোতে ডানপন্থী সহিংসতা বৃদ্ধি পেয়েছে, মুসলিম–অতিবাদীদের হামলা তুলনায় কমেছে; কিন্তু জনআলোচনায় এই পরিবর্তন যথেষ্ট প্রতিফলিত হয় না। মিডিয়ার সিলেক্টিভ কভারেজ ও ভাষার খেলা এতে বড় ভূমিকা রাখে। (Perspectives on Terrorism)
এছাড়া আমাদের দেশেও, আমরা মুসলিম-প্রধান হলেও সেক্যুলাররা আমাদের প্রধান শত্রু হয়ে উঠেছে। কারণ তাদের হাতে প্রাতিষ্ঠানিক ক্ষমতা অনেক। আমরা সংখ্যায় বেশি হলেও নিজেদের দুর্বলতা আর বাইরের প্রোপাগান্ডার কারণে প্রতিনিধিত্ব করতে পারছি না। যার কারণে মুসলিমরা দারুণভাবে এই মিডিয়া প্রোপাগান্ডার শিকার হচ্ছে প্রায়শই।
মিডিয়া একাই জনমত বানায় না; আমরাও ক্লিক/শেয়ার দিয়ে সিদ্ধান্ত নিই কোন গল্পগুলো বেঁচে থাকবে। তাই শব্দের রাজনীতি ধরার চেষ্টা করুন, ডেটার উৎস চান, আর যেখানেই দেখবেন মুসলিম পরিচয় প্রাসঙ্গিকতা ছাড়াই টেনে আনা হচ্ছে, সেখানে প্রশ্ন তুলুন। আপনার আশেপাশের সবাইকে সাধ্যমত সচেতন করে তুলুন।
বিস্তারিত জানুনঃ
বিভিন্ন রিসার্স কমিউনিটি বা অন্য সোর্স থেকে কোনো একটি কনফারেন্স সম্পর্কে জানতে পারলে প্রথম কাজ হবে তাদের ওয়েবসাইট খুজে বের করা। কনফারেন্স খুজে পাওয়ার জন্য Guide2Research ওয়েবসাইটটাও বেশ কাজের মনে হয়েছে।
কনফারেন্স এবং তাদের ওয়েবসাইট খুজে পাওয়ার পরের কাজ হবে ঐ কনফারেন্স সম্পর্কে খুটিনাটি কিছু তথ্য বের করা। যেমন-
কনফারেন্সের ওয়েবসাইট থেকে খুজে দেখবেন তাদের দেয়া কোনো পেপার ফরমেট রয়েছে কিনা। খুজে না পেলে তারা যে পাবলিকেশনে তাদের পেপার পাবলিশ করলে লিখেছে তাদের অফিসিয়াল সাইট থেকেও নামিয়ে নিতে পারেন। হতে পারে সেটা লেটেক্স বা ওয়ার্ড ফরমেট। পেপার লেখার ক্ষেত্রে আমি সবসময়ই লেটেক্স ফরমেটে লিখতে বেশি পছন্দ করি। আমার কাছে ওয়ার্ড ফরমেট অনেক বেশি ঝামেলার মনে হয়।
এসবকিছু দেখে পছন্দ হলে তাদের সাবমিশন প্রসিডিউর দেখতে পারেন। বেশিরভাগ কনফারেন্সগুলোতে EasyChair এর মাধ্যমে পেপার সাবমিট এবং আপডেট করতে হয়। অসাধারণ এই পোর্টালটিতে পেপার সাবমিশনের পরেও আপনি অনেক ধরনের সুযোগ-সুবিধা পাবেন।
তাদের দেয়া ফরমেট অনুযায়ী আপনার পেপার লেখা হয়ে গেলে তাদের প্রসিডিউর অনুযায়ী ম্যানুস্ক্রিপ্ট সাবমিট করে দিন। পরবর্তীতে কোনো আপডেট বা ইডিটের দরকার হলে মোটামুটি সব কনফারেন্সেই তা সুযোগ পাবেন, কিন্তু রিভিউ হয়ে যাওয়ার আগ পর্যন্ত।
সাবমিট করা শেষ হলে তাদের সময় অনুযায়ী আপনাকে কিছুদিন পর মেইল করে একসেপ্ট্যান্স নোটিফিকেশন মেইলের মাধ্যমে জানিয়ে দিবে।
]]>আসলেও তাই। একজন গবেষক হয়তো তার নিজের মনের খায়েশ মেটাতে গবেষনা করে থাকে, কিন্তু তার আবিষ্কার এবং কাজের অগ্রগতি সবাইকে জানানোরও প্রয়োজন রয়েছে। সেজন্যই মূলত থিসিস পেপার বা গবেষনাপত্র লেখা হয়। এছাড়া কারোর নামের পেছনে কয়েকটিও গবেষনাপত্রের অথরশিপ থাকলে একাডেমিক এবং ক্যারিয়ারের দিক দিকে কিছু এডভান্টেজ তো আছেই।
আমার কাজের কোনো ভালো আউটপুট আসলে বা নতুন কিছু উদ্ভাবিত হলে সেটিই আসলে থিসিস পেপার লেখার মাধ্যমে সবার কাছে উপস্থাপন করতে হয়। সেজন্য রয়েছে কিছু সুনির্দিষ্ট ফরমেট। আমি বিস্তারিত না বলতে পারলেও সেটা নিয়ে সংক্ষেপে কিছু কথা বলবো।
একটি ভালো এবং ইন্টারন্যাশনাল মানের থিসিস পেপার লিখতে হলে অন্যের পেপার পড়ার কোনো বিকল্প নাই। বিভিন্ন দেশের বিভিন্ন গবেষকের পেপার অধ্যায়ন করলে অনেক ভালো-মন্দ এবং সঠিক ফরমেট সম্পর্কে জানা যায়।
সাধারণ অর্থে কাজের প্রকারভেদের উপর ৩ টাইপের পেপার লেখা যেতে পারে-
অনেকগুলো ভিন্ন ধরনের পেপার নিয়ে স্টাডি করলে এমনিতেই পেপারের ফরম্যাট এবং সেকশনগুলো নিয়ে ভালো ধারনা হয়ে যাওয়ার কথা। আমাদেরও উচিৎ পেপার লেখার ক্ষেত্রে কিছু স্ট্যান্ডার্ড এবং নিয়মনীতি মেনে চলা।
তাই আমি শুধু সংক্ষেপে পেপারগুলোতে ব্যবহৃত খুবই কমন কিছু টার্ম এবং পয়েন্ট সম্পর্কে আলোচনা করবো- (সেকশনগুলোর নাম আমি আমার মত করে দিয়েছি। এরচেয়ে কম, বেশি বা ভিন্ন নামে, ভিন্ন কনটেন্ট নিয়েও সেকশন হতে পারে)
এবস্ট্রাক্টকে সারমর্মও বলা চলে। আমি সম্পূর্ণ পেপারে যা লিখবো তার একটি সংক্ষিপ্ত রূপ হল এই এবস্ট্রাক্ট সেকশন। আমার কাজের মোটিভেশন, ফাইলান আউটপুট, টুলস টেকনিক এবং কাজের একুরেসি- এই সবই খুবই অল্প কথায় এবস্ট্রাক্ট এর অন্তর্ভুক্ত করতে হয়। যাতে করে এবস্ট্রাক্ট পড়েই একজন পাঠক পুরো কাজ সম্পর্কে মোটামুটি ধারনা পেতে পারে।
পেপারের এই অংশটিতে মূলত এবস্ট্রাক্টক অংশের কিছু পয়েন্টের বিস্তারিত বিশ্লেষন করা হয়। এখানে লেখার মাধ্যমে আপনাকে প্রমান করতে হবে কেন আপনার এই কাজ ভিন্ন এবং প্রয়োজনীয়। আপনি হয়তো পরিবেশের কোনো একটি সিচুয়েশন থেকে এই কাজটি করবেন ভেবেছেন এবং সলিউশন খুজে পেয়েছেন- তাহলে সেটিও লিখে ফেলতে পারেন এই সেকশনে।
এবস্ট্রাক্টের মত এই সেকশনে কোনো ওয়ার্ড লিমিট নাই। তাই এখানে বিস্তারিত লেখার মাধ্যমে আপনার কাজের পজিটিভ দিকগুলো সুন্দরমত পাঠকের কাছে তুলে ধরতে পারেন।
এই অংশটাকে রিলেটেড ওয়ার্কস বা আমার কাজের একই ফিল্ডের অন্যান্য মানুষের কাজের একটা লিস্ট বলা চলে। এটা লিখতে হয় মূলত পাঠকদের সুবিধার কারনেই, যাতে করে তারা একই টাইপের কাজের সাথে আমার পেপারকে রিলেট করতে পারে। আর অনেকগুলো পেপার পড়ে আমার পেপারের লিটারেচার রিভিউ লিখতে বসলে আমারও জ্ঞানের পরিসর বৃদ্ধি পাবে। সেজন্যই এই অংশটি পেপারের একটি গুরুত্বপূর্ণ সেকশন।
লিটারেচার রিভিউ অংশ থেকে অনেক বেশি রেফারেন্স পাওয়া যায় সাধারণত, যা একটা পেপারের ভেলু আরও অনেক বৃদ্ধি করে।
প্রতিটা কাজেরই মূল কাজের আগে কিছু কাজকর্ম থাকে যা মূল কাজের পূর্বে রেডি করে রাখতে হয়। পেপারে এই নামে বা এমন কনটেন্ট নিয়ে একটা সেকশন করা যেতে পারে যেখানে মুল কাজ, এলগোরিদম বা মডেল বানানোর পূর্বের কিছু প্রসিডিউর বা ব্যাকগ্রাউন্ড লেখা যেতে পারে।
যেমন- মেশিন লার্নিং, ডিপ লার্নিং নিয়ে কাজ করলে সেখানে ডেটাসেট নিউরাল নেটওয়ার্কে ইনপুট দেয়ার আগে বিভিন্ন ধরনের প্রসেসিং, অ্যাট্রিবিউট পরিবর্তন নিয়ে কাজ করতে হয়। এসকল কাজের বর্ণনা সাধারণত এই সেকশনের অন্তর্ভুক্ত করা হয়ে থাকে।
একটা পেপারের সবচেয়ে গুরুত্বপূর্ণ সেকশন হল এই মেথোডলজি। যেখানে কাজের টেকনিক সম্পর্কে বিস্তারিত লেখা হয়। এখানেই মূলত কাজের বর্ণনা, কিভাবে করেছি, কিসের মাধ্যমে করা হয়েছে, কাজের ভ্যালিডেশন এবং ভিন্নতা এসব নিয়েই ধাপ অনুযায়ী বিস্তর আলোচনা করতে হয়।
এখানে যতটা সম্ভব টেবিল, চার্ট, ফিগার, গ্রাফ, ইকুয়েশন দিয়ে ব্যাপারগুলো সুন্দরমত উপাস্থাপন করাটা ভালো।
পেপারের এই সেকশনটাতে সম্পূর্ণ কাজের এফিসিয়েন্সি নিয়ে আলোচনা করা হয়। কোনো কাজের একুরেসি এবং কোয়ালিটি নিয়ে বলতে হয়। এবং এগুলো কিভাবে, কিসের সাথে কমপেয়ার করে সিদ্ধান্ত নেয়া হয়েছে সে সম্পের্কে বিস্তারিত লিখতে হয়।
সম্ভব হলে এই সেকশনটিতে কিছু গ্রাফ বা টেবিলের মাধ্যমে রেজাল্ট রিপ্রেজেন্ট করা উচিৎ।
এখানে সম্পূর্ণ কাজের একটি ইতি টানতে হয়। এবং যতটুকু কাজ আপাতত করা হয়েছে এর পরবর্তী কাজের প্ল্যান, আর কি করা যেতে পারে বা এই প্রোজেক্ট নিয়ে ফিউচার প্ল্যান কি এসব নিয়ে আলোচনা করতে হয়।
রেফারেন্স হল সেইসকল কনটেন্ট বা পেপার- আমি যেগুলোর সাহায্য নিয়েছি এই পুরো কাজে এবং লেখার প্রয়োজনে। একটা কথা খেয়াল রাখতে হবে, রেফারেন্স বেশি দিলে বা অন্যের কাজ থেকে সাহায্য নিলে কখনো কোনো পেপারের ভেলু কমে যায়না, বরং আরও বাড়ে। তাই বেশি রেফারেন্স এড করলে পেপারের ওয়েট আরও বৃদ্ধি পাবে। ভালো ভালো পেপার বা কাজের রেফারেন্স দেয়া এবং পাঠককে কনটেন্ট বুঝতে সাহায্য করা পেপার লেখার ক্ষেত্রে অনেক ভালো প্র্যাকটিস।
]]>নিজের ইন্টারেস্ট এবং আসক্তি অনুযায়ী টপিক নির্বাচন করলে একদিকে যেমন নিজের কাজের প্রতি অন্যরকম সম্মান এবং ভালোবাসা থাকে, ঠিক একইবাবে সেটি হয়ে ওঠে একটি কোয়ালিটিফুল রিসার্স ওয়ার্ক যা আপনার জন্য অনেক বড় একটা আ্যাচিভমেন্ট হতে পারে।
তাই আমি বলবো রিসার্স করার জন্য একটি উপযুক্ত এবং মানসম্মত টপিক নির্বাচন করতে হবে। মূলত এই কারনেই উপরে আমার এই গবেষনার সচরাচর ফিল্ডগুলো নিয়ে মোটামুটি পরিসরে লেখার চেষ্টা করেছি। আপনারা চাইলে পূর্বের চ্যাপ্টার থেকে সচরাচর গবেষনার ফিল্ড এবং টপিক সাম্পর্কে ধারনা নিতে পারেন এবং সে অনুযায়ী কাজ শুরু করে দিতে পারেন।
মনে করি আপনি আমার বর্ণনা দেয়া ফিল্ডগুলো থেকে সংক্ষিপ্ত ধারণা নিয়ে এনএলপি বা ন্যাচারাল ল্যাংগুয়েজ প্রসেসিং ফিল্ডে কাজ করবেন ভেবেছেন।
এখন আপনার কাজ হবে, এনএলপির সকল সাব-টপিক সম্পর্কে ওয়েব সার্স করে ধারণা নিয়ে প্রবলেম আইডেন্টিফাই করা এবং সেগুলোর সলভিং অ্যাপ্রোচ খেয়াল করা। এভাবে এখান থেকেই একটি টপিক সিলেক্ট করতে পারেন এবং শুরু করে দিতে পারেন আপনার গবেষনার কাজ।
এছাড়াও রিসার্স পেপার পড়ে কিভাবে টপিক সিলেক্ট করবেন সেটি নিয়ে নিচে আলোচনা করছি।
গবেষনার শুরু বলতেই আসলে বুঝায় অনেক অনেক গবেষনাপত্র (থিসিস পেপার) পড়া এবং সেগুলো থেকে জ্ঞান নেয়া, অন্যের কাজ এবং ঐ ফিল্ডের অগ্রগতি সম্পর্কে জানা।
ধরুন আমি বাংলা ভাষার জন্য একটি টেক্সট সামারাইজার বানিয়ে ফেলেছি, এবং আপনি রিসার্স কমিউনিটিগুলোতে তেমন খোজখবর রাখেন না এবং রিসেন্ট গবেষনাপত্র তেমন ঘাটাঘাটি করেন না। ফলে আপনিও আলাদাভাবে ঐ একই টেক্সট সামারাইজার নিয়ে কাজ করে যাচ্ছেন।
তাহলে কি হল? একই সমস্যা সলভ করতে দুজনের কষ্ট করতে হচ্ছে, এবং আপনার গবেষনা সেখানে প্রায় অর্থহীন হয়ে যাবে।
তাই আপনি যে ফিল্ডে কাজ করছেন বা কাজ করতে আগ্রহী, সেই ফিল্ড এবং টপিকগুলো সার্স দিয়ে, রিলেটেড গবেষনাপত্র নামিয়ে আপনাকে সেগুলো নিয়ে বিস্তর ঘাটাঘাটি করতে হবে। চাইলে অন্যের কাজই হুবহু আপনি চেষ্টা করে দেখতে পারেন, সেটা করতে পারছেন কিনা। এরপর সেটা নিয়ে গবেষণা শুরু করুন এবং আপনার নিজের জন্য ঐ কাজেরই ফিউচার ওয়ার্ক নিয়ে কাজ করতে পারেন।
এছাড়া অন্যের গবেষণাপত্র থেকে আপনি নতুন কিছু শিখতেও পারবেন। কোনোকিছু না বুঝলে বা কোনো জিজ্ঞাসা থাকলে, পেপারের অথর সেকশন থেকে মেইল অ্যাড্রেস নিয়ে একজন অথরকে তাকে মেইলও করে ফেলতে পারেন। পেপারের অথর সেই ব্যাপারে সর্বোচ্চ চেষ্টা করতে আপনাকে সাহায্য করতে।
এটা আসলে খুবই যৌক্তিক একটি প্রশ্ন। আমরা কম্পিউটার সায়েন্সের প্রায় সকল গবেষণাপত্র যেসকল ওয়েবসাইট বা পোর্টালে পেতে পারি সেগুলো হল-
গুগল স্কলারেই মোটামুটি সব ধরনের পেপার পাওয়া যাবে আশা করা যায়। এই সাইটগুতে গিয়ে সার্স দিয়ে খুব সহজেই পেপারগুলোর এবস্ট্রাক্ট দেখে নেয়া যায়, কিন্তু অনেক সময়ই এগুলো ফ্রিতে পুরো পেপার ডাউনলোড করার অনুমতি দেয়না না।
কিন্তু পুরো পেপার ডাউনলোড করারও উপায় রয়েছে, সেগুলো উপায় পাইরেসি রিলেটেড হওয়ায় এখানে না লেখাটাই উত্তম মনে করছি। তবে কেউ আমার সাথে ব্যক্তিগত যোগাযোগ করলে তাকে বিস্তারিত জানিয়ে দিব ইনশাআল্লাহ।
মনে করি আপনি এনএলপির ফিল্ডে কাজ করতে আগ্রহী হয়েছেন এবং সেখান থেকে সাব-ফিল্ডগুলো দেখে সেন্টিমেন্ট এনালাইজ নিয়ে কাজ করবেন সিদ্ধান্ত নিয়েছেন।
তাহলে আপনার জন্য উপদেশ- Sentiment analysis, Sentiment analysis in Bangla এরকম কিছু কী-ওয়ার্ড লিখে গুগল স্কলারে সার্স করুন এবং কোনো পেপারের এবস্ট্রাক্ট পড়ে পছন্দ হলে সেটির পুরো পেপারটি নামিয়ে নিন।
আমি রিকমেন্ড করবো রিসেন্ট কিছু পেপার (যেমন- ২০১৬, ২০১৭, ২০১৮) এবং মোটামুটি কিছুদিন আগের কিছু পেপার (যেমন- ২০০৫ বা ২০০৭) খুজে পছন্দমত নামানো। মোটামুটি কোনো টপিকের উপর রিসেন্ট পেপার ৫ টি এবং আগের পেপার ২ টি, এভাবে হিসাব করে নামাতে পারেন। তাহলে এই টপিকের কাজের অগ্রগতি এবং যুগোপযুগী সলিউশন সম্পর্কে জানতে পারবেন।
আপনি যদি ইতোমধ্যে বিভিন্ন ধরনের গবেষণাপত্র পড়া শুরু করে থাকেন, তাহলে রিসার্সের এই জগতে সঠিকভাবে প্রবেশ করে ফেলেছেন। এখন দরকার এই পড়াশোনাকে কিভাবে আমার কাজে লাগানো যায় সেটি। আরেকটি ব্যাপার, আপনার এই পড়াশোনা বা ঘাটাঘাটি করাটা কিছুটা অর্গানাইজড ওয়েতে হওয়া উচিৎ।
মনে করি আপনি এনএলপি ফিল্ড থেকে সেন্টিমেন্ট এনালাইসিস টপিক নিয়ে গবেষনা করছেন এবং গুগল স্কলার থেকে সার্স দিয়ে, সাইহাব ইউজ করে বেশ কিছু পেপারও নামিয়ে ফেলেছেন। এবার পড়ার পালা!
প্রথম দিকে থিসিস পেপার পড়াটা মোটামুটি একটু কঠিন মনে হবে। মনে হতে পারে এগুলো বাংলা, ইংরেজীরও বাইরে অন্য কোনো ভাষায় লেখা। অনেকে আবার অর্গানাইজড ওয়েতে স্টাডি না করার কারনে আরও কঠিন মনে হয়।
রিসার্স পেপারের সকল টার্ম কঠিন মনে হলে পড়ার দরকার নাই। আমি কিছু বিষয় পয়েন্ট আকারে বলছি, এগুলো একটা পেপার থেকে স্কিমিং করলেই মোটামুটি ঐ পেপার সম্পর্কে যা জানার দরকার জানা হয়ে যাবে-
প্রতিটি পেপারের এই ইনফরমেশনগুলো কালেক্ট করে সেগুলো নিজের মত নোট করে রাখলে সবচেয়ে ভালো হয়, যেটাকে বলেছি ড্রাফট রাইটিং। কেননা এরকম ১০/১৫ টা পেপারের ড্রাফট রাইটিং হলেই আপনি একটা নিজের রিভিউ পেপার তৈরি করতে পারবেন। যেটা গবেষণায় বিগিনার হিসেবে একটা গুরুত্বপূর্ণ কাজ।
এছাড়া কোনো পেপার পড়ে তাদের ফিউচার ওয়ার্ক দেখে আপনিই শুরু করে দিতে পারেন তাদের ফিউচার ওয়ার্কের একটা অংশ বা তাদের কাজটিই যদি আপনি আরও এফিসিয়েন্ট উপায়ে করতে পারেন তাহলে সেটিও চেষ্টা করে দেখতে পারেন। আর এভাবেই শুরু করবেন আপনার গবেষনা এবং ইনফরমেশন ড্রাফট রাইটিং এর কাজ।
]]>এনএলপি তথা ন্যাচারাল ল্যাংগুয়েজ প্রসেসিং মূলত আলাদা একটা গবেষনার ফিল্ড হলেও আমি এটা আর্টিফিসিয়াল ইন্টেলিজেন্স ফিল্ডের সাব-ফিল্ড হিসেবেই কনসিডার করছি, কেননা এতদিন এনএলপির কাজকর্ম সব রুল বেজডই বেশি করা হত। কিন্তু বর্তমানে প্রায় সকল কাজই মেশিন লার্নিং, ডিপ লার্নিং অ্যাপ্রোচে সলভ করা হয়ে থাকে।
অর্থাৎ আমাদের কাছে অনেক অনেক ল্যাংগুয়েজ ডেটা থাকে, হতে পারে সেটা টেক্সট, ভয়েস বা লেখা। সেগুলো এনালাইজ করে মেশিনকে মানুষের মত ভাষা-জ্ঞান প্রদান করা হয়। আর এটাই হল এনএলপি বা ন্যাচারাল ল্যাংগুয়েজ প্রসেসিং।
১৯৫২ সালে আমাদের বাংলা ভাষা অর্জিত হলেও, এখন পর্যন্ত কম্পিউটারকে এই ভাষা আমরা শেখাতে পারিনি। যেজন্য কিনা ওয়েবে আমাদের ভাষা খুব একটা সমৃদ্ধ নয়। তাই বলবো বাংলা ভাষা প্রসেসিং তথা বাংলা ভাষা নিয়ে কাজ করার অনেক বড় স্কোপ এখন পর্যন্ত বিদ্যমান।
ভাষার যেমন নিজস্ব রূপ রয়েছে, কিছু নিয়মকানুন মেনে চলে। একইভাবে এনএলপি বা ন্যাচারাল ল্যাংগুয়েজ প্রসেসিং করতে গেলেও ঐসকল নিয়মকানুনের বিকল্প বানাতে হয়। এগুলোকে আমরা এনএলপির টুলস বলতে পারি। এনএলপির বেসিক টুলসগুলোর মধ্যে অন্যতম হল-
এগুলোকে টুলস বলার কারন হল, এগুলো কাজে লাগিয়ে ল্যাঙ্গুয়েজ প্রসেস করা হয়। এগুলো ছাড়া ল্যাংগুয়েজ প্রসেসিং এর কাজ আসলে সম্ভব নয়। আর এসকল টুলসগুলো মূলত ভাষার নিয়মকানুন মোতাবেগই তৈরি করা হয়ে থাকে।
হয়তো কাজ ভেদে বিভিন্ন টুলস বিভিন্ন সময় কাজে লাগবে। তাই কাজ শুরু করার আগে আমার কাজ করতে কি কি টুলস লাগতে পারে সে অনুযায়ী আমাকে টুলসগুলো বানিয়ে নিতে হবে অথবা অন্য কেউ বানিয়ে থাকলে সেগুলো ইউজ করা যেতে পারে।
কিন্তু আমাদের বাংলার জন্য তেমন উন্নত টুলস এভেইলেবল না দেখে বাংলায় এনএলপির কাজ এখনো অনেকটা পিছিয়ে আছে। এই টুলসগুলো বানানোই এখন অনেক বড় চ্যালেন্জ। এই টুলসগুলো বানাতে যেটা লাগবে তা হলো অনেক অনেক ডেটাসেট- হতে পারে সেটা টেক্সট, ভয়েস বা লিখিত ডেটা।
এই টুলসগুলো দিয়ে এনএলপির যেসকল কাজ করা হচ্ছে সেগুলো হল-
এই সব কাজই বর্তমানে মেশিন লার্নিং, ডিপ লার্নিং এলগোরিদম অ্যাপ্লাই করা হয়। তাই কাজের শুরুতে আমাদের উচিৎ হবে এগুলোর ডেটাসেট কালেক্ট করা এবং সেগুলো প্রসেস করা। এরপর সেই ডেটাসমূহ দিয়ে কম্পিউটারকে মানুষের মত ভাষা শেখানো, এটাই এনএলপির মূল কাজ।
ইন্টারনেট বলতে কি বুঝায় সেটা তো সবাই জানি, তহলে ইন্টারনেট অব থিংস আবার কি? সোজা কথা, জিনিসপত্রের ইন্টারনেট।
ভাবুন আপনি ৫ টায় অফিস শেষ করে গাড়িতে করে বাড়ি ফিরছেন, বাড়ি পৌছাতে আরও এক-দেড় ঘন্টা সময় বাকী। বাসায় পৌছে আপনার গোসলের জন্য গরম পানি এবং রেডি কফি লাগবে, যা বাসায় পৌছানোর পর করতে অতিরিক্ত আরও আধা ঘন্টা সময় খরচ হবে।
তাই আপনি এমন একটি সিস্টেমের আওতাভুক্ত হলেন যার মাধ্যমে বাসায় পৌছানোর ঠিক আধাঘন্টা আগে গাড়িতে বসে মোবাইল অ্যাপস এর মাধ্যমে আপনার ইলেকট্রিক হিটার এবং কফি মেকারকে বলে দিতে পারলেন সব রেডি করে রাখতে এবং গিয়েই আপনি সেগুলো রেডি অবস্থায় পেয়ে গেলেন।
আবার এমন হতে পারে আপনি মনের ভুলে আপনার লাইট-ফ্যান অফ না করে অফিসে চলে গেলেন, এরপর অফিস গিয়ে মনে পরা মাত্রই তা মোবাইল অ্যাপস দিয়ে দূর থেকে বন্ধ করে দিতে পারলেন। অথবা আপনার ফ্রিজটি হটাৎ নষ্ট হয়ে গিয়েছে, আপনি জানার আগেই আপনার ফ্রিজ নিজেই পার্শ্ববর্তী ইলেকট্রিক মিস্ত্রীকে খবর দিয়ে ডেকে এনে সেটা মেরামত করে নিল।
তাহলে কি? জীবনটা অনেক সহজ হয়ে গেল না? মানুষের জীবনযাত্রা অনেক সহজ করে দিতে, এই যে সিস্টেমের কথা বলেছি- এটাই হল ইন্টারনেট অব থিংস বা যিনিসপত্রের ইন্টারনেট। যা আমরা করতে পারি কিছু মাইক্রো কন্ট্রোলার, কিছু সেন্সর এবং আর্টিফিসিয়াল ইন্টেলিজেন্স থিওরি ব্যাবহার করে।
আগেই বলেছি আর্টিফিশিয়াল ইন্টেলিজেন্সের সকল ধারনা এসেছে মানুষের কাছ থেকে। তাহলে মানুষের প্রতিটি প্রত্যঙ্গকে কিছু যন্ত্রাংশের সাথে তুলনা করুন-
| মানুষের প্রত্যঙ্গ | যন্ত্রে তার বিকল্প |
|---|---|
| চোখ | ক্যামেরা সেন্সর |
| কান | ভয়েস রিসিভার |
| হাত | রোবোটিক হ্যান্ড |
| ব্রেইন | মাইক্রোকন্ট্রোলার বা কম্পিউটার |
| মুখ | ইলেক্ট্রিক স্পিকার |
তাহলে এমন বিকল্প যদি থেকে থাকে, তাহলে যন্ত্রকে কেন মানুষের মত কাজ করানো যাবে না? আর যন্ত্রের সাথে মানুষের আইপি দিয়ে সর্বক্ষন যোগাযোগ রাখতে ইন্টারনেট তো আছেই। এই দুটি মিলেই এই ফিল্ডকে বলা হয় ইন্টারনেট অব থিংকস।
যেসকল কাজসমূহ এই ফিল্ডের অন্তর্ভূক্ত সেগুলো হল-
ডেভেলপমেন্ট ওয়ার্ক যদিও তেমনভাবে গবেষনা ফিল্ডের অন্তর্ভুক্ত নয়, এটা মূলত কোনো গবেষনার ফলাফলকে রিয়াল লাইফে ইমপ্লিমেন্ট করায় প্রয়োজন পরে।
এরপরও ভালো মানের, ভিন্নধর্মী কোনো প্রোজেক্ট হলে সেটার জন্য গবেষনাপত্র বা জার্নালও লেখা যেতে পারে। কিন্তু সেক্ষেত্রে অন্যান্য কাজ থেকে ডিফরেন্সগুলো ফোকাস করতে হবে বেশি। সেটা হতে পারে-
আমরা গবেষনায় যে কাজটি মূলত করে থাকি সেগুলোর আদলেই আসলে কোনো সিস্টেম ডেভেলপ করা হয়। এমনকি এমনও হতে পারে- একটি ইকমার্স সাইট।
আপনি ই-কমার্স সাইটের এমন একটি নতুন ফিচার তৈরি করেছেন যা আগে কখনো কেউ করেনি বা এটি আগের কোনো ফিচাররের চেয়ে অনেক বেশি এফিসিয়েন্ট। তাহলে আপনি সেটা নিয়ে বিস্তর ঘাটাঘাটি করে এবং এফিসিয়েন্ট একটি সিস্টেম বানিয়ে সেটার গবেষনাপত্র প্রকাশ করতে পারেন।
এছাড়া বর্তমান সময়ে আইওটি, ওয়েব, এ-আই সব মিলিয়ে মিশিয়ে অনেক ভালো মানের এবং প্রফেশনাল কাজকর্ম হচ্ছে। আপনি চাইলেই সবকিছুর সাথে রিলেট করতে পারেন।
]]>কম্পিউটার সায়েন্স আসলে অনেক বড় একটা ফিল্ড। এটার সবগুলো এরিয়া সম্পর্কে লিখে কভার করা প্রায় অসম্ভব। কেননা- আমি আজকে রাতে হয়তো সবগুলো এরিয়া নিয়ে লিখে ঘুমালাম, সকালে ঘুম থেকে উঠে রেড্ডিট পোস্ট বা হ্যাকারনিউজে আর্টিকেল দেখে জানতে পারলাম নতুন আরেকটি কিছু আবিষ্কৃত হয়েছে যা নিয়ে কমিউনিটিগুলো অনেক ব্যস্ত।
তাই গবেষনা শুরুর আগে কম্পিউটার সায়েন্সের সচরাচর কিছু ফিল্ডসমূহের সংক্ষিপ্ত পরিচিতি নিয়ে এখানে আলোচনা করছি- এখানে আমার জানা এবং আমি যেগুলোতে মোটামুটি কাজ করেছি, সেগুলো ফিল্ডকে বেশি প্রায়োরিটি দিয়েছি।
আর্টিফিশিয়াল ইন্টেলিজেন্স বা “কৃত্রিম বুদ্ধিমত্তা” মনেহয় বর্তমান সময়ে কম্পিউটার সায়েন্সের সবচেয়ে বড় গবেষনার ফিল্ড এবং এখন পর্যন্ত এই ফিল্ডের সফলতাও সবচেয়ে বেশি।
এটি আসলে অনেক বিস্তর একটা ফিল্ড। মানুষ যেভাবে তার ব্রেইন এবং ইন্দ্রীয় দিয়ে কাজ করে, ঠিক অনুরূপ কাজই যন্ত্র নিয়ে করানোর প্রয়াসেই এই আর্টিফিশিয়াল ইন্টেলিজেন্স বা “কৃত্রিম বুদ্ধিমত্তা” তৈরির চিন্তা বিজ্ঞানিদের গবেষক করে তুললো।
সচরাচর কাজ যখন এলগোরিদমিক প্রক্রিয়ায় কম্পিউটার মেশিনের সাহায্যে সলভ করা হয় সেটিকে সহজ ভাষায় বলা হয়ে থাকে আর্টিফিশিয়াল ইন্টেলিজেন্স বা “কৃত্রিম বুদ্ধিমত্তা”।
যেমন- রোবট, সেলফ ড্রিভেন কার, চ্যাটবট এবং এরকম আরও অসংখ্য।
আর্টিফিশিয়াল ইন্টেলিজেন্সের সাব-ফিল্ডগুলোর মধ্যে কিছু বেসিক কিছু পার্থক্য থাকলেও সেগুলো আপাতদৃষ্টিতে একই। ওগুলো নিয়ে পরে হয়তো কখনো আলোচনা করবো। এখন চলুন দেখে নেই আর্টিফিশিয়াল ইন্টেলিজেন্সের সাব-ফিল্ডগুলোর সংক্ষিপ্ত পরিচয়-
মেশিন লার্নিং হল কম্পিউটারকে শিখিয়ে কৃত্রিম বুদ্ধিমত্তা বানানোর একটি প্রক্রিয়া যেখানে কম্পিউার এক্সামপল থেকে লার্ন করে। এই লার্ন করা ঠিক মানুষের মতই, যেভাবে সে ছোটবেলা থেকে তার চারপাশ থেকে শিক্ষা গ্রহণ করে থাকে। মানুষ অনেক ছোট থেকে হাটতে শেখে, দৌড়াতে শেখে, চিন্তা করতে শেখে এবং একসময় স্বয়ংসম্পূর্ণ হয়ে যায়। মেশিনকেও সেভাবেই শেখানো শুরু করা হয় ট্রেনিং ডেটাসেট দিয়ে।
একাধিক উদাহরণ এখানে ডেটাসেট হিসেবে ব্যবহার করা হয়, যা থেকে একটা মেশিন ট্রেনিং নেয় এবং তার ট্রেনিং ডেটা থেকে একটা ফাইনাল ডিসিশনে উপনীত হয়। এবং এভাবেই একটি মেশিন একটা মানুষের মত অবিকল চিন্তা করতে শেখে এবং কাজ করতে পারে। আর উদাহরণ থেকে শেখার প্রক্রিয়া, এটিই হল মেশিন লার্নিং।
যেমনটি বুঝতে পারি এই টেবিলের উদাহরণ থেকে-
| আয়তন (বর্গ ফুট) | রুমের সংখ্যা | রুমের ভাড়া (টাকা) |
|---|---|---|
| ১০০ | ৩ | ১৫০০ |
| ৮০ | ৩ | ১৩০০ |
| ১৩০ | ৪ | ১৭০০ |
| ৫০ | ২ | ১০০০ |
| ৬০ | ২ | ? |
এই টেবিল থেকে প্রশ্নবোধক (?) স্থানে কত টাকা বসবে তা আমরা কিছু ক্যালকুলেশন করে বের করে ফেলতে পারি। এখানে ৪ টি এক্সামপল দেয়া আছে, কম্পিউটারও এই এক্সামপল থেকে ক্যালকুলেশন করে মানুষের থেকেও নিখুতভাবে, স্বল্প সময়ে উত্তর প্রেডিক্ট করতে পারবে। সেজন্য তাকে ট্রেনিং ডেটা দিয়ে ট্রেইন করানো হয় যার মাধ্যমে সে শিখতে পারে, আর এই শেখানোর প্রক্রিয়াকে বলা হয় মেশিন লার্ণিং।
এর সাহায্যে আমরা ইতোমধ্যে অনেক বাস্তব সমস্যার সমাধান করে ফেলতে পারছি। যেমন-
সোজাসুজিভাবে বলতে গেলে এই মেশিন লার্নিংই আরও উন্নত এবং বড় পরিসরে কাজ করাকে বলা হয় ডিপ লার্নিং যা আমরা এর পরের অংশে আলোচনা করবো।
বর্তমান সময়ে কৃত্রিম বুদ্ধিমত্তার সবচেয়ে বেশি প্রবলেম সলভে কাজে লাগছে এই ডিপ লার্নিং এর এলগোরিদমগুলো। সধারণভাবে বলতে গেলে- মেশিন লার্নিং আর ডিপ লার্নিং এর মধ্যে পার্থক্য হল নিউরাল নেটওয়ার্কের কমপ্লেক্সিটি। যা ডিপ লার্নিং এর ক্ষেত্রে অনেক বেশি কমপ্লেক্স এবং মাল্টি লেয়ার্ড হয়ে থাকে।
এখানে অনেক বেশি ডেটা নিয়ে রিয়াল লাইফ প্রবলেমগুলো সলভ করা হয়। এখানে কম্পিউটেশনাল কস্ট মেশিন লার্নিং এলগোরিদমগুলোর চেয়ে অনেক বেশি হয়ে থাকে, তাই অনেক সময় শক্তিশালী হার্ডওয়্যারের প্রয়োজন হয়।
ডিপ লার্নিং এর আরেকটি মূল পার্থক্যা হল- ব্যাক প্রোপাগেশান, যার মাধ্যমে সিস্টেম খুবই এফিসিয়েন্ট ওয়েতে ডেটা থেকে শিখতে পারে। এছাড়া মেশিন লার্নিং এর অ্যাপ্লিকেশনগুলোই ডিপ লার্নিং এও আমরা দেখতে পাই। সব শেষে, ডিপ লার্নিং হল আরও এফিসিয়েন্ট এবং উন্নত ট্রেইনিং প্রসেস।
চিন্তা করুন সেলফ ড্রিভেন কারের কথা। আমরা নাহয় আমাদের চোখের মাধ্যমে দেখতে পারি, তাহলে কম্পিউটার কিভাবে রোডের অবস্থা সম্পর্কে অবগত হয়?
হ্যা, ঠিক এই ধারনাটিকেই বাস্তবে প্রয়োগ নিয়ে যেখানে কাজ হয়, সেটিকেই বলে কম্পিউটার ভিশন। কম্পিউটার যন্ত্র “কম্পিউটার ভিশনের” মাধ্যমে কিছু দেখে এবং সে অনুযায়ী মানুষের মত ডিসিশন নেয়। আমরা সাধারণত ছবি, ভিডিও, আ্যানিমেশন নিয়ে যত কাজ করে থাকি তা সবই কম্পিউটার ভিশনের অন্তর্ভুক্ত।
কিন্তু প্রশ্ন আসতে পারে, কেন আমি এটাকে এ-আই এর সাব-ফিল্ড লিখলাম। এটা বলার যথেষ্ট কারন রয়েছে। আমরা জেনেছি মেশিন লার্নিং, ডিপ লার্নিং বা আর্টিফিশিয়াল ইন্টেলিজেন্স যাই বলি না কেন, সবকিছুতেই কম্পিউটার ডেটা থেকে শিখে এবং সে অনুযায়ী ডিসিশন প্রদান করে। আর সেই ডেটা যদি হয় ভিজুয়াল ডেটা বা কম্পিউটার ভিশনের ডেটা তাহলে?
তখন আসলে কম্পিউটার ভিশন আর আর্টিফিশিয়াল ইন্টেলিজেন্স একসাথে মিলেমিশে প্রবলেম সলভ করবে। আর সেজন্যই দুটি ফিল্ড একে অন্যের সাথে সম্পর্কিত।
বর্তমান সময়ে যেসকল টাইপের কাজ কম্পিউটার ভিসন দিয়ে হচ্ছে-
মেশিন লার্নিং, ডিপ লার্নিং থেকে ডেটা মাইনিংও খুব একটা আলাদা কিছু না। অনেক বড় বড় ডেটাসেট থেকে মেশিন লার্নিং ,স্ট্যাটিস্টিক্যাল এনালাইসিসের মাধ্যমে একটা প্যাটার্ণ খুজে বের করাটাই হল ডেটা মাইনিং।
ডেটা মাইনিংকে আবার ডেটাসেটের নলেজ খুজে বের করার টেকনিকও বলা হয়ে থাকে। গুগলের কথা চিন্তা করি- সেখানে প্রায় প্রতিদিন ২.৫ কুইনটিলিয়ন ডেটা প্রডিউস করে এবং সেগুলো থেকে সঠিক ইনফরমেশন আমাদের সরবরাহ করে থাকে। চিন্তা করুন, এত এত ডেটা থেকে কিভাবে অল্প কিছু সঠিক নলেজকে আমাদের জন্য আলাদা করতে পারে?
হ্যা, গুগলের এই প্রক্রিয়াকেই আমরা বলতে পারি এক প্রকার ডেটা মাইনিং। একইভাবে ডেটা মাইনিং আমাদের যেসকল কাজে অনেক বেশি ব্যাবহৃত হচ্ছে-
বিঃ দ্রঃ বর্তমানে আর্টিফিশিয়াল ইন্টেলিজেন্স যে মানুষের মাথা খেয়েছে সেটা বলতে দিধা নাই। শুধু মাথা খেয়েছে বলতে গেলে ভুল হবে, বিকল্প মাথা তৈরিও করেছে বটে। বিশাল বড় এই ফিল্ডের মূল চালিকাশক্তি হল ম্যাথমেটিকস বা গণিত। প্রোবাবিলিটি থিওরি এবং লিনিয়ার অ্যালজেবরা দিয়ে মানুষের নিউরোনের লজিক কৃত্রিমভাবে বিল্ট করাই হল আর্টিফিশিয়াল ইন্টেলিজেন্স।
কিন্তু আমাদের কাজ করতে গেলে গণিতের সেইসকল টার্ম ম্যানুয়ালি খুব একটা ব্যবহার করতে হয়না। সেজন্য তৈরি হয়েছে প্রোগ্রামিং ল্যাংগুয়েজগুলোর উন্নত সব লাইব্রেরী। এই কাজের জন্য পাইথন একটা বিকল্পহীন টুলস বলা চলে। কারন নিউমেরিক কম্পিউটেসন এবং মেশিন লার্নিং, ডিপ লার্নিং এর কাজের জন্য পাইথনের বিশেষ কিছু লাইব্রেরী রয়েছে, যার বিকল্প নাই। আমি পরবর্তীতে প্রতিটি সেকশনে সম্ভাব্য প্রয়োজনীয় টুলস সম্পর্কে লেখার চেষ্টা করবো।
এছাড়াও আমি যে এরিয়াগুলো নিয়ে এখানে আপাতত লিখবোনা, কিন্তু আপনারা চাইলে নিজ উদ্যোগে ওয়েব সার্স করে জেনে নিতে পারেন সেগুলো হতে পারে- (যেগুলো এখন লিখছিনা, পরে সময় করে সবগুলো টপিক একে একে লেখার চেষ্টা করবো)-
চলমান..
]]>আপনারা যারা গ্রাজুয়েট বা আন্ডার-গ্রাজুয়েট প্রোগ্রামে আছেন, তাদের একাডেমিক ভাষায় গবেষণাকে অন্য শব্দেও চিনে থাকতে পারেন, যেমন- থিসিস, থিসিস বেজড প্রোজেক্ট, পেপার করা, পাবলিকেশন পাবলিশ করা বা জার্নাল আর্টিকেল। এই সবগুলোর মূল কাজই আসলে গবেষণা করা এবং একটি অর্গানাইজড উপায়ে নানান মানুষের কাছে উপস্থাপনা করা।
কিছুদিন আগে ফেসবুক নিউজফিডে একটা লিংক অনেকেই শেয়ার করেছিল দেখেছিলাম। লিংকটিতে ছিল একটি পরিসংখ্যান মোতাবেগ গবেষনা খাতে বাংলাদেশের উন্নয়ন এবং পিছিয়ে থাকার গল্প। সেখান থেকে পাওয়া তথ্য- চীন, জাপান, জার্মান, রাশিয়া এবং আমেরিকার মত উন্নত দেশগুলো রয়েছে গবেষনা কাজের ক্ষেত্রে প্রথম দিকের সারিতে এবং বাংলাদেশের অবস্থান একদম শেষের দিকে।
আমার জানামতে, প্রেসিডেন্ট ট্রাম্প ক্ষমতায় আসার কিছুদিন পরেই ইউএসএ’তে প্রায় ১.৩ ট্রিলিওন ডলার ঘোষণা করেন শুধুমাত্র গবেষনা খাতের জন্য। আসলে দেশ ও জাতির উন্নয়নে এবং যুগের সাথে তাল মিলিয়ে চলতে হলে নতুন উদ্ভাবনি তথা গবেষনার অনুরূপ কোনো বিকল্প নাই। সেটা উন্নত দেশগুলোর উন্নয়নের চাবিকাঠি পর্যবেক্ষণ করলে এবং অনুন্নত দেশগুলোর পিছিয়ে পরার গল্প শুনলেই বুঝা যায়।
এছাড়া দেশ ও জাতির উন্নয়নের কথা চিন্তা না করলেও বিদেশে উচ্চশিক্ষা, একাডেমিয়ায় জব এবং পদোন্নতি, কোনো সেক্টরের কোর-কনসেপ্ট সম্পর্কে জানতে গবেষনা করাটা খুবই জরুরী একটা অবলম্বন।
যারা বিদেশে উচ্চশিক্ষার স্বপ্ন দেখছেন, তাদের নামের পেছনে একটা পাবলিকেশনের অথরশিপ থাকলে স্বপ্ন পূরণ অনেকটা সহজ হয়ে যায়। আমি বিভিন্ন গ্রুপে উচ্চশিক্ষার জন্য যারা বিদেশ যেতে চান তাদের প্রোফাইল পর্যবেক্ষন করে খেয়াল করেছি, বাংলাদেশ থেকে যারা আমেরিকা, কনাডা বা উন্নত দেশে উচ্চ শিক্ষার জন্য যেতে চাচ্ছেন, তাদের ৯৫% মানুষেরই কোনো ইন্টারন্যাশনাল মানের পাবলিকেশন নাই।
এর মানে গবেষনা করে একটি ইন্টারন্যাশনাল মানের পাবলিকেশন যদি আপনার লেখা হয়ে থাকে, তাহলে বাংলাদেশের মধ্যে উচ্চশিক্ষায় বিদেশ যাওয়ার ক্ষেত্রে আপনি ১০০ জনে মধ্যে ৯৫ জনের চেয়ে এগিয়ে আছেন। কেননা উন্নত দেশগুলোতে পড়তে যাওয়ার ক্ষেত্রে গবেষনা কাজ এবং গবেষনাপত্রের ভেলু অপরিসীম।
লেখার এই অংশটি সবচেয়ে অপ্রয়োজনীয় বলে আমি মনে করেছি, কেননা গবেষনা শুরু করতে ইচ্ছাশক্তি এবং কাজের প্রতি ভালোবাসা ছাড়া আর কিছুই লাগে না। এরপরও কিছু জিনিস পয়েন্ট আকারে আমি লিখছি-
বিঃদ্রঃ থিসিস বা গবেষনা করতে আসলে টেকনিক্যাল কোনো ব্যাকগ্রাউন্ড বা প্রিরিকুইজিট সেভাবে লাগে না। মৌলিক কোনো বিষয় নিয়ে পড়াশোনা এবং ভিন্নভাবে চিন্তা করার মানসিকতাই শুরু করার জন্য যথেষ্ট। তবে গবেষনাগুলোর যথার্থতা যাচাই করা এবং বাস্তব জীবনে কাজে লাগানোর জন্য অবশ্যই ভালো প্রোগ্রামিং ল্যাংগুয়েজ বা টেকনিক্যাল কিছু টুলস ইউজ করতে জানতে হবে।
কিন্তু আগ্রহ থাকলে আপাতত এগুলো নিয়ে চিন্তা না করে কাজ শুরু করে দেয়াাই বুদ্ধিমানের কাজ। পাশাপাশি আমার যেসকল টুলস লাগবে সেগুলো আইডেন্টিফাই করে ঘাটাঘাটি করবো এবং শিখতে থাকবো।
]]>