AI အေးဂျင့်များအတွက် သိမြင်မှုဆိုင်ရာ ကျန်းမာရေး ကာကွယ်မှု
Lucid သည် အသုံးပြုသူများ AI စနစ်များနှင့် မည်သို့ အပြန်အလှန်ဆက်သွယ်သည်ကို စောင့်ကြည့်ပြီး သိမြင်မှုဆိုင်ရာ မှီခိုမှုကို ကာကွယ်ရန်အတွက် တုံ့ပြန်မှုများကို အချိန်နှင့်တပြေးညီ လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်သည်။ ၎င်းသည် တဖြည်းဖြည်းချင်း၊ မမြင်နိုင်သော အတွေးအခေါ်များကို AI သို့ လွှဲပြောင်းပေးခြင်း (ကြီးထွားမှုအတွက် ကိရိယာအဖြစ် အသုံးမပြုဘဲ) ဖြစ်သည်။
Lucid ကို ဘာကြောင့်လဲ။
AI သည် ကျွန်ုပ်တို့ကို ပိုမိုအကျိုးဖြစ်ထွန်းစေသော်လည်း သုတေသနပြုချက်များအရ ၎င်းသည် ကျွန်ုပ်တို့ကို သိမြင်မှုဆိုင်ရာ ပျင်းရိစေနိုင်သည်။ ပြဿနာမှာ သိမ်မွေ့သည်။ တစ်ဦးချင်းစီ၏ အပြန်အလှန်ဆက်သွယ်မှုတိုင်းသည် ကောင်းမွန်ပုံရသော်လည်း ရက်သတ္တပတ်များနှင့် လများကြာလာသည်နှင့်အမျှ အသုံးပြုသူများသည် မိမိဘာသာ စဉ်းစားခြင်းကို တဖြည်းဖြည်း ရပ်တန့်သွားကြသည်။ Lucid သည် ဤသွေဖည်မှုကို သိရှိပြီး ၎င်းမခိုင်မာမီ ကြားဝင်ဆောင်ရွက်သည်။
AI ကို အလွန်အကျွံ အားကိုးခြင်းဖြင့် ဝေဖန်ပိုင်းခြားတွေးခေါ်မှု သိသိသာသာ ကျဆင်းခြင်း
MIT Media Lab (2025)
AI မှီခိုမှုနှင့် ဝေဖန်ပိုင်းခြားတွေးခေါ်မှုကြား ဆက်စပ်မှု
Gerlich (2025)
ပိုမိုထိခိုက်လွယ်ခြင်း — ဦးနှောက်၏ ရှေ့ပိုင်းအပေါ်ယံလွှာ အပြည့်အဝ မရင့်ကျက်သေးခြင်း
Arain et al. (2013); APA (2025)
အလုပ်လုပ်ပုံ
Lucid သည် အသုံးပြုသူ၊ သင်၏ AI နှင့် သိမြင်မှုဆိုင်ရာ ကာကွယ်ရေးစနစ်တို့အကြား အဆက်မပြတ် တုံ့ပြန်မှု ကွင်းဆက်တစ်ခုအဖြစ် လုပ်ဆောင်သည်။ အဓိက အချက်မှာ Lucid သည် မည်သည့်အရာကိုမျှ ပိတ်ဆို့ခြင်း သို့မဟုတ် စစ်ထုတ်ခြင်း မရှိပါ။ ၎င်းသည် အသုံးပြုသူ၏ သိမြင်မှုဆိုင်ရာ ပုံစံများအပေါ် အခြေခံ၍ AI ၏ တုံ့ပြန်ပုံကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်သည်။
Latency မရှိခြင်း- track() သည် asynchronous အနေဖြင့် အလုပ်လုပ်သည် — ၎င်းသည် AI ၏ တုံ့ပြန်မှုကို မည်သည့်အခါမျှ ပိတ်ဆို့ခြင်း မရှိပါ။ အသုံးပြုသူသည် ၎င်းတို့၏ အဖြေကို ချက်ချင်းရရှိပြီး သိမြင်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာခြင်းသည် နောက်ခံတွင် ဖြစ်ပေါ်သည်။ TOON format (Token-Oriented Object Notation) သည် JSON နှင့် နှိုင်းယှဉ်ပါက LLM output တွင် ~40% tokens ကို သက်သာစေသည်။
သိမြင်မှုဆိုင်ရာ ရှုထောင့်ခြောက်ခု
အပြန်အလှန်ပြောဆိုမှုတိုင်းကို စစ်ဆေးပြီးသော စိတ်ပိုင်းဆိုင်ရာ တိုင်းတာမှုစကေးများ (GAIDS α=.87, AIMS 2025, Cognitive Offloading Scale α=.90) နှင့် ကိုက်ညီသော ရှုထောင့်ခြောက်ခုအပေါ် အမှတ်ပေးသည်။
ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်
0 → 1လွတ်လပ်စွာ တွေးခေါ်ခြင်း သို့မဟုတ် AI သို့ လွှဲအပ်ခြင်း
သင်ယူခြင်း
0 → 1သိလိုစိတ်၊ "ဘာကြောင့်လဲ" ဟု မေးမြန်းခြင်း၊ နားလည်ရန် ကြိုးစားခြင်း
ပါဝင်ပတ်သက်မှု
0 → 1ပါဝင်မှု၏ အရည်အသွေးနှင့် နက်ရှိုင်းမှု
Metacognition
0 → 1မိမိ၏ တွေးခေါ်မှု လုပ်ငန်းစဉ်အကြောင်း ကိုယ်တိုင်သိရှိနားလည်ခြင်း
စစ်ဆေးအတည်ပြုခြင်း
0 → 1AI output ကို ဝေဖန်ပိုင်းခြား၍ အကဲဖြတ်ခြင်း
လှုံ့ဆော်မှု
typeအသုံးပြုသူ ပါဝင်ပတ်သက်ရသည့် အကြောင်းရင်း — မွေးရာပါ၊ ကိရိယာဆိုင်ရာ သို့မဟုတ် ရှောင်ရှားခြင်း
ကာကွယ်မှု အလွှာလေးခု
1. အချိန်နှင့်တပြေးညီ လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်း
AI စနစ် ညွှန်ကြားချက်ထဲသို့ ထည့်သွင်းထားသော လမ်းညွှန်ချက်များသည် အသုံးပြုသူ၏ သိမြင်မှုဆိုင်ရာ အခြေအနေ — ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်၊ သင်ယူမှု၊ metacognition၊ စစ်ဆေးအတည်ပြုခြင်း၊ လှုံ့ဆော်မှု — အပေါ် အခြေခံ၍ တုံ့ပြန်မှုများကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်သည်။
2. Session Fatigue Detection
သိမြင်မှုဆိုင်ရာဝန်ပိုမဖြစ်စေရန် အနားယူရန် အကြံပြုချက်များပေးရန်အတွက် session ကြာချိန်၊ မက်ဆေ့ချ်ပမာဏနှင့် တုံ့ပြန်မှုတိုတောင်းသည့် ပုံစံများကို စောင့်ကြည့်သည်။
3. Long-term Drift Detection
Cognitive Drift Index (CDI) သည် session အဆင့် မက်ထရစ်များ လွဲချော်နေသော တဖြည်းဖြည်း ယိုယွင်းလာမှုကို ဖမ်းယူရန်အတွက် အစောပိုင်းနှင့် မကြာသေးမီက အပတ်စဉ် ပုံစံများကို နှိုင်းယှဉ်သည်။
4. Trust & Motivation Awareness
အလွန်အကျွံယုံကြည်မှု (အရာအားလုံးကို လက်ခံခြင်း) နှင့် ရှောင်ရှားလိုစိတ် (တွေးခေါ်မှုကို ရှောင်ရှားရန် AI ကို အသုံးပြုခြင်း) — သိမြင်မှုဆိုင်ရာ မှီခိုမှု၏ အပြင်းထန်ဆုံး ခန့်မှန်းချက်နှစ်ခုကို ထောက်လှမ်းသည်။
Adaptive Cognitive Profiles
ရမှတ်များကို adaptive alpha ဖြင့် Exponential Moving Average ကို အသုံးပြု၍ ချောမွေ့စေသည်။ အသုံးပြုသူအသစ်များ၏ ပရိုဖိုင်များသည် လျင်မြန်စွာ ပုံဖော်လာပြီး၊ တည်ထောင်ပြီးသား အသုံးပြုသူများ၏ ပရိုဖိုင်များသည် တည်ငြိမ်ပြီး ပုံမှန်မဟုတ်သော အခြေအနေများကို ခံနိုင်ရည်ရှိသည်။ မကောင်းသော မက်ဆေ့ချ်တစ်ခုတည်းက ကောင်းစွာတည်ထောင်ထားသော သိမြင်မှုဆိုင်ရာ ပရိုဖိုင်ကို ပုံပျက်စေမည်မဟုတ်ပါ။
// မက်ဆေ့ချ်များ ပိုမိုခွဲခြမ်းစိတ်ဖြာလေ Alpha လျော့နည်းလေဖြစ်သည်။
α = max(0.02, 0.1 / log₁₀(total_messages + 10))
| မက်ဆေ့ချ်များ | Alpha (α) | အကျိုးသက်ရောက်မှု |
|---|---|---|
| 1 (အသုံးပြုသူအသစ်) | ~10% | ပရိုဖိုင်သည် လျင်မြန်စွာ ပုံဖော်လာပြီး အစောပိုင်းပုံစံများကို တုံ့ပြန်သည်။ |
| 50 | ~6% | တည်ငြိမ်လာပြီး အသင့်အတင့် တည်ငြိမ်သည်။ |
| 100 | ~5% | ကောင်းစွာတည်ထောင်ထားပြီး ပုံမှန်မဟုတ်သော အခြေအနေများကို ခံနိုင်ရည်ရှိသည်။ |
| 500+ | ~4% | တည်ငြိမ်သည် — ရေရှည်ယိုယွင်းမှု ထောက်လှမ်းမှု စတင်သည်။ |
| 5000+ | 2% (အနည်းဆုံး) | အလွန်တည်ငြိမ်ပြီး ပြောင်းလဲရန်အတွက် တသမတ်တည်း ပြောင်းလဲမှု လိုအပ်သည်။ |
Progressive Scaffolding
Vygotsky ၏ Zone of Proximal Development ကို အခြေခံ၍ Lucid သည် အသုံးပြုသူများ ကြီးထွားလာသည်နှင့်အမျှ AI အထောက်အပံ့ကို တဖြည်းဖြည်း လျှော့ချပေးသည်။ scaffolding အဆင့်ကို ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်၊ သင်ယူမှုနှင့် metacognition ရမှတ်များဖြင့် ဆုံးဖြတ်သည် — metacognition သည် အသင့်ဖြစ်နေပြီဖြစ်ကြောင်း အပြင်းထန်ဆုံး အချက်ပြမှုဖြစ်သည်။
အဆင့်ဆင့် လမ်းညွှန်မှု၊ အဆင့်တိုင်းတွင် နားလည်မှုကို စစ်ဆေးခြင်း
ဖွဲ့စည်းထားသော အကြံပြုချက်များ၊ ဦးဆောင်မေးခွန်းများ၊ တစ်စိတ်တစ်ပိုင်း ဖြေရှင်းချက်များ
အနည်းငယ် တွန်းအားပေးခြင်း၊ အသုံးပြုသူအား ဦးဆောင်စေပြီး ဦးတည်ရာကို အတည်ပြုစေခြင်း
ဆိုကရေးတီးဆန်သော ဆွေးနွေးမှု၊ ကန့်သတ်ချက်များကို ကျော်လွန်စေခြင်း၊ ပိုမိုခက်ခဲသော ပြဿနာများကို အဆိုပြုခြင်း
အသက်အလိုက် ကာကွယ်မှု
အသက် ၂၅ နှစ်အောက် အသုံးပြုသူများသည် ဦးနှောက်ရှေ့ပိုင်း အမြှေးပါး ရင့်ကျက်မှု သုတေသနအပေါ် အခြေခံ၍ ပိုမိုတင်းကျပ်သော ကန့်သတ်ချက်များကို ရရှိသည်။ ဖွံ့ဖြိုးဆဲ ဦးနှောက်၏ မြင့်မားသော အာရုံကြော ပုံသဏ္ဍာန်ပြောင်းလဲနိုင်စွမ်းသည် ၎င်းကို ပိုမိုလိုက်လျောညီထွေဖြစ်စေပြီး ပိုမိုထိခိုက်လွယ်စေသည်။
လူကြီးများ (၂၅+)
- Session ကန့်သတ်ချက်: ၄၅ မိနစ်
- မက်ဆေ့ချ် ကန့်သတ်ချက်: ၃၀/session
- စံလမ်းညွှန်ချက်များ
၂၅ နှစ်အောက်
- Session ကန့်သတ်ချက်: ၃၀ မိနစ်
- မက်ဆေ့ချ် ကန့်သတ်ချက်: ၂၀/session
- အမြဲတမ်း သင်ကြားမှုကို ဦးစားပေးသော ချဉ်းကပ်မှု
အမြန်စတင်ခြင်း
Drop-in SDK။ baseURL မှတစ်ဆင့် မည်သည့် OpenAI-compatible ပံ့ပိုးသူနှင့်မဆို အလုပ်လုပ်သည်။
// Install
npm install @tetiai/lucid
// Track each exchange (fire-and-forget)
lucid.track(userId, {
userMessage: "Write the code for me",
aiResponse: "Sure, here's the implementation...",
topicId: "conversation-123",
}).catch(console.error)"
// Inject guidelines into your AI system prompt
const guidelines = await lucid.getGuidelines(userId);
systemPrompt += guidelines;
ပြောင်းလွယ်ပြင်လွယ် သိုလှောင်မှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှုများ
MemoryStore
devDev/စမ်းသပ်ခြင်း — သုည စနစ်ထည့်သွင်းမှု၊ memory ထဲတွင်
PrismaStore
prodထုတ်လုပ်မှု — PostgreSQL, MySQL, SQLite, MongoDB
RedisStore
prodဖြန့်ဝေထားသော တပ်ဆင်မှုများ၊ မျှဝေထားသော session များ
LLM analyzer သည် OpenAI SDK ကို universal client အဖြစ် အသုံးပြုသည် — Together AI, Groq, Ollama, OpenRouter နှင့် baseURL မှတစ်ဆင့် မည်သည့် compatible ပံ့ပိုးသူနှင့်မဆို အလုပ်လုပ်သည်။ စျေးသက်သာပြီး မြန်ဆန်သော မော်ဒယ်များ (Llama 3.1 8B, Gemini Flash) သည် ကောင်းစွာ အလုပ်လုပ်သည် — frontier မော်ဒယ်များ မလိုအပ်ပါ။
အတွေးအခေါ်
တရားသူကြီး မဟုတ်ပါ
“ကောင်း” သို့မဟုတ် “ဆိုး” သော အမှတ်များ မရှိပါ။ စနစ်သည် အကဲဖြတ်ခြင်း မဟုတ်ဘဲ လိုက်လျောညီထွေ ဖြစ်စေသည်။
မူရင်းအတိုင်း မမြင်ရပါ
သင်ပြသမှသာ အသုံးပြုသူများသည် အမှတ်များကို မြင်ရမည်။
ကိုယ်ရေးကိုယ်တာကို ဦးစားပေး
စုပေါင်းထားသော metrics များသာ၊ မက်ဆေ့ချ် အကြောင်းအရာကို ဘယ်တော့မှ မဟုတ်ပါ။
GDPR အဆင်သင့်
တောင်းဆိုမှုအရ အချက်အလက် အပြည့်အစုံ ဖျက်ရန် deleteUser()။
×Teti AILucid သည် Teti ၏ သိမြင်မှုဆိုင်ရာ ကာကွယ်မှုနောက်ကွယ်မှ အင်ဂျင်ဖြစ်သည်
Teti AI ရှိ စကားဝိုင်းတိုင်းကို နောက်ခံတွင် Lucid မှ ခွဲခြမ်းစိတ်ဖြာပါသည်။ သင်၏ သိမြင်မှုဆိုင်ရာ ပရိုဖိုင်သည် အချိန်ကြာလာသည်နှင့်အမျှ ပြောင်းလဲလာပြီး AI ၏ အပြုအမူသည်လည်း ထိုနည်းတူ ပြောင်းလဲသွားသည် — သင်ကိုယ်စား လွှဲအပ်သည့်အခါ မေးခွန်းများ ပိုမိုမေးမြန်းခြင်း၊ သင်အောင်မြင်သည့်အခါ ပိုမိုစိန်ခေါ်ခြင်း၊ ပင်ပန်းနွမ်းနယ်မှု ဝင်လာသည့်အခါ အနားယူရန် အကြံပြုခြင်းတို့ ဖြစ်သည်။