ကျမ်းရဲ့အစ၊ မာတိကာ က တဲ့လား?

တက္ကသိုလ်တစ်ခုမှာ၊ ဘွဲ့ယူစာတမ်း တစ်ခု ရေးသားစေတဲ့အခါ၊ ပထမဦးဆုံး အနေနဲ့၊ ကျောင်းသားကို ၎င်းရေးသားမဲ့ ဘွဲ့လွန်စာတမ်း ခေါင်းစဉ် (title)၊ လေ့လာမှု နည်းလမ်း (method) နဲ့ ရည်ညွန်းကိုးကား (references) အတိုချုပ်ကို စုစုပေါင်း စာ တစ်မျက်နှာစာ (A4 ဖြင့်) အဆိုပြု တင်သွင်းစေတာကို တွေ့ရတယ်။ သက်ဆိုင်ရာ ပါမောက္ခက စာတမ်းခေါင်းစဉ်ကို၊ လက်ခံ အတည်ပြုပြီးတဲ့အခါမှာ၊ ဒုတိယအဆင့်အနေနဲ့ ကျောင်းသားကို ၎င်းရေးသားမဲ့ ဘွဲ့လွန်စာတမ်းရဲ့ မာတိကာ (Table of Contents) ကို တင်ပြစေပါတယ်။ ၎င်း မာတိကာ (မည်သည့် ရေးသားချက်မှ မပါသော၊ ခေါင်းစဉ် သက်သက်) ကိုကြည့်ပြီး၊ သက်ဆိုင်ရာ ကျမ်းကြီးကြပ်သူပါမောက္ခက၊ “ဖြုတ် နှုတ် ပယ် ထပ်ဖြည့် “ စတာတွေကို ခိုင်းစေပြီး၊ ၎င်း အတည်ပြုပေးသော Table of Contents အတိုင်း၊ ကျောင်းသားကို ကျမ်းပြုစေတယ်။

၎င်းကဲ့သို့လုပ်ဆောင်ခြင်းဟာ အလွန်တရာ ဆိုးဝါးမှားယွင်းတယ်။ ဘာလို့လဲဆိုတော့၊ သုတေသနစာတမ်းတစ်ခုကို ပြုစုရာမှာ၊ မာတိကာ (Table of Contents) ကို ကြိုတင်ပုံသေချပြီး ထိုဘောင်အတွင်းမှသာ ရေးသားစေခြင်းဟာ၊ ကျမ်းတစ်စောင်မှာ မဖြစ်မနေပါဝင်ရမဲ့ ခွဲခြမ်းစိတ်ဖြာ ဝေဖန်သုံးသပ်မှု (Analysis) ရဲ့ အနှစ်သာရကို ဖျက်ဆီးရာရောက်လို့ ဖြစ်တယ်။

မာတိကာသက်သက်ကို ကြိုတင်ကန့်သတ်ခြင်း၏ အဓိကဆိုးကျိုး ၂-ချက်

*********************

(၁) သုတေသန၏ သဘောသဘာဝကို ဆန့်ကျင်ခြင်း။ ။ သုတေသနဆိုတာ ကြိုတင်သိရှိထားတဲ့ အဖြေကို ရေးသားခြင်းမဟုတ်ဘဲ၊ အချက်အလက်နှင့် ဥပဒေသတွေကို လေ့လာရင်း ပြောင်းလဲတိုးတက်လာသော တက်ကြွသည့်ဖြစ်စဉ် (Dynamic Process) ဖြစ်တယ်။ အလုပ်ကြမ်းမာတိကာ (Working Outline) ဟာ၊ လမ်းပြမြေပုံမျှသာဖြစ်ပြီး၊ ရှာဖွေတွေ့ရှိချက်တွေအပေါ် မူတည်ပြီး အချိန်မရွေး ပြောင်းလဲနိုင်ရမယ်။

(၂) ယုတ္တိဗေဒစီးဆင်းမှုကို ဖြတ်တောက်ခြင်း။ ။ စာတမ်းတွေဟာ IRAC (Issue, Rule, Application, Conclusion) ကဲ့သို့သော ကျိုးကြောင်းဆီလျော်မှု အဆင့်ဆင့်နဲ့ တည်ဆောက်ရတာမျိုးဖြစ်တယ်။ အသေးစိတ် အချက်အလက် ငြင်းခုံချက် ရေးသားထားချက်တွေကို မတွေ့ဘဲ ခေါင်းစဉ်တွေကိုပဲကြည့်ပြီး ဖြုတ်/ထည့် လုပ်ခြင်းဟာ၊ စာတမ်းရဲ့ ယုတ္တိဗေဒ စီးဆင်းမှု (Logical flow) ကို ကြီးမားစွာ ထိခိုက်စေတယ်။

စာတမ်းတစ်ခု ရေးသားပြုစုသင့်သော အဆင့်များ

***********************

နိုင်ငံတကာ အဆင့်မြင့်တက္ကသိုလ်တွေရဲ့ သုတေသနနည်းစနစ် (Research Methodology) အရ စာတမ်းတစ်ခု ရေးသားပြုစုရာမှာ အောက်ပါအတိုင်း ဆောင်ရွက်လေ့ရှိတယ်။

1. Research Proposal (အဆိုပြုလွှာ)။ ။ သုတေသနမေးခွန်း (Research Question)၊ ယူဆချက် (Hypothesis) နဲ့ နည်းစနစ် (Methodology) ကိုသာ အဓိက အတည်ပြုတယ်။

2. Working Outline (အလုပ်ကြမ်း မာတိကာ)။ ။ ကျောင်းသားက ကနဦး လေ့လာထားမှုအပေါ် အခြေခံ ပြုစုပြီး၊ ၎င်းက အမြဲတမ်း ပြင်ဆင်ပြောင်းလဲနိုင်တဲ့ အကြမ်းထည် (Tentative Draft) သာ ဖြစ်တယ်။

3. Iterative Drafting (အပြန်အလှန် ရေးသားပြင်ဆင်ခြင်း)။ ။ ကျောင်းသားက အခန်းအလိုက် (သို့) အပိုင်းလိုက် ရေးသားတင်ပြပြီး၊ ပါမောက္ခက အချက်အလက်တွေ နဲ့ သုံးသပ်ချက်တွေ (Arguments) က၊ ခိုင်လုံမှု ရှိ/မရှိကိုသာ ထောက်ပြဝေဖန်ပေးရတယ်။

4. Finalizing ToC (မာတိကာ အချောသတ်ခြင်း)။ ။ စာတမ်းတစ်ခုလုံး ရေးသားပြီးစီးမှသာ အပြီးသတ် မာတိကာကို တည်ဆောက်ရတယ်။

ဒါကြောင့် အတွင်းအနှစ်သာရကို မသိဘဲ မာတိကာ ခေါင်းစဉ်သက်သက်ဖြင့် "ဖြုတ်၊ နှုတ်၊ ပယ်၊ ထပ်ဖြည့်" လုပ်စေသူဟာ "သုတေသနကို လမ်းညွှန်သူ (Research Facilitator)" အဖြစ်ကနေ၊ "စာစီစာကုံး တည်းဖြတ်သူ (Copy Editor)" အဆင့်သို့ လျှောကျသွားပြီဖြစ်တယ်။ တကယ်တော့ ဒီလုပ်ရပ်ဟာ ပညာရပ်ဆိုင်ရာ အာဏာရှင်ဆန်မှု (Academic Authoritarianism) ဖြစ်ပြီး၊ ကျောင်းသားရဲ့ လွတ်လပ်စွာ တွေးခေါ်နိုင်စွမ်း (Intellectual Autonomy) ကို ချုပ်ချယ်လိုက်ခြင်း ဖြစ်တယ်။

ဆရာကောင်းတစ်ဦးဆိုတာ "မည်သည့်ခေါင်းစဉ်တွေ ပါအောင် ရေးရမယ်" လို့ ပုံစံခွက်ချပေးသူ မဖြစ်သင့်ဘဲ၊ "ကျောင်းသားရဲ့ သုတေသနမေးခွန်းကို ဖြေရှင်းနိုင်ရန် မည်သည့် အချက်အလက်များ လိုအပ်နိုင်သနည်း" ဆိုတဲ့ တွေးခေါ်မှုပိုင်းကိုသာ ဖေးမကူညီပေးရမှာ ဖြစ်တယ်။ အကြောင်းအရာအသေးစိတ်ကို မဖတ်ဘဲ၊ မာတိကာခေါင်းစဉ်ကိုသာ စတင်ပြင်ဆင်ခြင်းဟာ စာအုပ်တစ်အုပ်ရဲ့ အဖုံးပေါ်က ခေါင်းစဉ်ကိုပဲကြည့်ပြီး အကဲဖြတ်ခြင်းလိုမျိုးပဲ ပညာမဲ့ရာကျလှပါတယ်။

အမှန်တကယ်က

သုတေသနရဲ့ ပြောင်းလဲနေတဲ့သဘာဝ (Dynamic Nature of Research) အရ စာတမ်းပါ အကြောင်းအရာတွေကို အသေးစိတ် ဝင်ရောက်လေ့လာတဲ့အခါမှသာ၊ မမျှော်လင့်ထားတဲ့ Gaps, အယူအဆ ကွဲလွဲမှုများ နဲ့၊ အခြေအတင် ငြင်းခုံချက် (Debates) တွေကို တွေ့ရလေ့ရှိတာမျိုးဖြစ်တယ်။ မာတိကာကို ကြိုတင်အသေသတ်မှတ်ထားရင် အဲ့ဒီလိုအရေးပါတဲ့ တွေ့ရှိချက်အသစ်တွေကို ကျမ်းမှာ ထည့်သွင်းဆွေးနွေးဖို့ အကန့်အသတ်ဖြစ်သွားနိုင်တယ်။

မဖြစ်မနေ မာတိကာ အရင် ကြိုတင်ရမယ်ဆိုရင်တောင်၊ ကနဦးတင်ပြထားတဲ့ မာတိကာကို အပြီးသတ် (Final) လို့ မယူဆဘဲ၊ သုတေသနရဲ့ ပထမအဆင့် လမ်းပြမြေပုံ (Tentative Roadmap) အဖြစ်သာ သတ်မှတ်ပေးသင့်တယ်။ အကြောင်းအရာတွေကို အသေးစိတ် ရေးသားတဲ့အခါ ယုတ္တိစီးဆင်းမှု (Logical Flow) နဲ့ IRAC (Issue, Rule, Application, Conclusion) စံနှုန်းများ ပိုမိုခိုင်လုံစေဖို့၊ မာတိကာကို လိုအပ်သလို အကဲဖြတ် ပြင်ဆင်ခွင့်ပြုရမယ်။

မာတိကာ ခေါင်းစဉ်တစ်ခုတည်းကို ကြည့်ပြီး ဆုံးဖြတ်ခြင်းထက် အခန်းတစ်ခန်းချင်းစီ (Chapter by Chapter) ရဲ့ အသေးစိတ် ရေးသားချက် (Drafts) ကို တင်ပြတဲ့အခါမှသာ၊ ထိုအခန်းရဲ့ ခေါင်းစဉ်ဟာ မိမိပြုစုနေတဲ့ ကျမ်းနဲ့ သင့်လျော်မှု ရှိ/မရှိကို ဆရာနဲ့တပည့် အပြန်အလှန် ဆွေးနွေးဆုံးဖြတ်သင့်တယ်။ ကျမ်းတစ်ခုလုံး အချောသတ်ပြီးတဲ့အခါမှသာ၊ မာတိကာ အချောသတ် ထွက်လာခြင်းဟာ၊ အမှန်တကယ် ယုတ္တိတန်သော ဖြစ်ရပ် မဟုတ်ပါလား?။

Guilty, the AI Said (အပြစ်ရှိကြောင်း အေအိုင် က ဆုံးဖြတ်သည်)

၂၀၂၆၊ မတ် ၂၈ ရက်နေ့မှာ၊ ဂျပန်နိုင်ငံ NHK ရုပ်သံက ထုတ်လွှင့်ခဲ့တဲ့ "有罪、とAIは告げた" (Guilty, the AI Said) ရုပ်ရှင်ကားဟာ၊ ခေတ်သစ်လူ့အဖွဲ့အစည်းရဲ့ ရှေ့မှောက်ကို၊ အလွန်လေးနက်သိမ်မွေ့တဲ့ မေးခွန်းတစ်ခုချပြလာခဲ့တယ်။ ဉာဏ်ရည်တု (AI) နည်းပညာတွေဟာ လူ့ဘဝရဲ့ နယ်ပယ်အသီးသီးကို၊ နက်ရှိုင်းစွာ ဝင်ရောက်လာနေချိန်မှာ ဒီဇာတ်ကားက လူသားတို့ရဲ့၊ တရားစီရင်ရေးမဏ္ဍိုင်အတွင်းကို AI က ဘယ်လိုနေရာယူလာနိုင်သလဲဆိုတာ ထိတ်လန့်ဖွယ်ဖွယ် စဉ်းစားဖွယ် ပုံဖော်ပြထားတယ်။

 

လူသားတို့၏ တရားစီရင်ရေးနှင့် စက်ယန္တရား၏ ယုတ္တိ

************************

ဥပဒေဆိုဆိုတာ လူ့အဖွဲ့အစည်းကို တရားမျှတစွာ ထိန်းသိမ်းရန် ဖန်တီးထားတဲ့ စည်းမျဉ်းဖြစ်ပေမဲ့၊ ၎င်းကို အကောင်အထည်ဖော်ရာမှာ 'လူသားတို့ရဲ့ ကရုဏာစိတ်' (Human Empathy) နဲ့ တရားစီရင်မှုတစ်ခုအတွက် 'အခြေအနေအရပ်ရပ်ကို ချိန်ဆခြင်း' (Judicial Discretion) တို့က အမြဲတမ်း အဓိကကျတဲ့ နေရာက ပါဝင်ခဲ့တယ်။

• အကြွင်းမဲ့ တရားမျှတမှုနှင့် လူ့ဘဝ၏ ရှုပ်ထွေးမှု။         ။ AI ဆိုတာ၊ ရှိပြီးသား အချက်အလက် ဒေတာတွေကို အခြေခံပြီး၊ ပုံသေ တွက်ချက်နိုင်ပေမဲ့၊ ပြစ်မှုကျူးလွန်ရခြင်းရဲ့ နောက်ကွယ်မှာရှိတဲ့၊ ဖေါ်ပြတိုင်းတာဖို့ ခက်ခဲ နက်နဲလှတဲ့ လူ့ဘဝဒုက္ခတွေ၊ စိတ်ပိုင်းဆိုင်ရာ ဖိအားတွေနဲ့  ပြင်းထန်တဲ့ခံစားချက်တွေကို နားလည်နိုင်စွမ်း မရှိဘူး။
• တရားစီရင်ရေး၏ ဝိညာဉ်။      ။ ဒီရုပ်ရှင်က ဥပဒေဆိုတာ စာသားသက်သက်မဟုတ်ဘဲ လူသားချင်းစာနာ နားလည်မှုကို အခြေခံတဲ့ တရားမျှတမှုတစ်ရပ် ဖြစ်ကြောင်းကို ပေါ်လွင်စေတယ်။ တရားခွင်တစ်ခုမှာ တရားသူကြီးတစ်ဦးရဲ့ ဆုံးဖြတ်ချက်ဟာ၊ တရားသေ ဥပဒေ အချက်အလက်တွေထက်၊ ချစ်ခြင်းမေတ္တာ နဲ့ ကျိုးကြောင်းဆင်ခြင်မှုတို့ အပေါ် ပေါင်းစပ်အခြေခံသင့်ကြောင်း ဒီဇာတ်ကားက သတိပေးထားတယ်။

ကြားနေမှု၏ အယောင်ဆောင်ခြင်းနှင့် Black-Box ပြဿနာ

************************

နည်းပညာပိုင်းဆိုင်ရာနဲ့ နက်ရှိုင်းစွာမရင်းနှီးသူအများစုက၊ AI ဟာ အီမိုးရှင်း စိတ်ခံစားချက်မပါတဲ့အတွက် ဘက်လိုက်မှုကင်းတယ်၊ ယုတ္တိတန်တယ်လို့၊ လွယ်လွယ်ယူဆတတ်ကြတယ်။ တကယ်တမ်းက၊ အေအိုင်တွေဟာ လူသားတို့ ရေးဆွဲခဲ့တဲ့၊ စုဆောင်းသိမ်းဆည်းထားတဲ့၊ ထည့်သွင်းပေးထားတဲ့၊ လေ့ကျင့်ပေးထားတဲ့၊ အချက်အလက် ဒေတာ နဲ့ ဘက်လိုက်မှုတွေကို အမွေဆက်ခံထားခြင်းသာ ဖြစ်တယ်။

• Black-Box ပြဿနာ။   ။ ဒီစကားလုံးက နည်းပညာသမားတွေ နားလည်မဲ့စကားလုံးပါ။ "Guilty, the AI Said" ရုပ်ရှင်က AI ရဲ့ ဆုံးဖြတ်ချက်တွေကို လူသားတို့က မေးခွန်းထုတ်စရာမလိုဘဲ လိုက်နာရမဲ့ အခြေအနေရောက်လာတဲ့အခါ ဖြစ်လာမဲ့အန္တရာယ်ကို ထင်ဟပ်ပြထားတယ်။ ဆုံးဖြတ်ချက်တစ်ခုရဲ့ နောက်ကွယ်မှာ ဘယ် အယ်လဂိုရီသမ် (Algorithm) နဲ့၊ စစ်ဆေးဆုံးဖြတ်ခဲ့တယ်ဆိုတာကို ရှင်းလင်းစွာ မသိ မမြင်နိုင်ခြင်းက တရားမျှတမှုကို ပွင့်လင်းမြင်သာမှု မရှိတော့စေရန် ဖန်တီးပေးသလိုဖြစ်နေတယ်။
• အချက်အလက် ဘက်လိုက်မှု။              ။ AI ဟာ အပြစ်အနာအဆာကင်းပြီး ပြီးပြည့်စုံတဲ့ တရားသူကြီးမျိုးမဟုတ်ဘဲ၊ အတိတ်က လူသားတို့ရဲ့ အမှားများတွေကိုပါ ပြန်လည် ပဲ့တင်ထပ်ထုတ်လုပ်ပေးနေတဲ့ မှန်တစ်ချပ်သာ ဖြစ်နေနိုင်ကြောင်း နည်းပညာပိုင်းအရ အလေးအနက် ထောက်ပြထားတယ်။ (ဆိုလိုတာက… အေအိုင်စနစ်ထဲကို ထဲ့ပေးထားတဲ့၊ အတိတ်က လူသားတွေရဲ့ မှားယွင်းချွတ်ချော်ခဲ့တဲ့ စီရင်ထုံးဟောင်းတွေ၊ ဥပဒေ စည်းမျဉ်းအဟောင်းကိုပဲ အေအိုင်စနစ်တွေက၊ ပြန်ပြီးအသုံးပြုနေတာမျိုး…။)

 

မည်သူ့တွင် တာဝန်ရှိသနည်း နှင့် လူသားဖြစ်တည်မှု၏ တန်ဖိုး

**********************

ဒဿနိကဗေဒအရ အဓိက အမေးထုတ်စရာက "အမှားတစ်ခုအတွက် မည်သူ့ကို တာဝန်ခံခိုင်းမည်နည်း" ဆိုတဲ့ အချက်ဖြစ်တယ်။

• ကိုယ်ကျင့်တရားနှင့် အသိတရား ကင်းမဲ့ခြင်း။               ။ တကယ်လို့ AI က အပြစ်ရှိကြောင်း မှားယွင်းစွာ ဆုံးဖြတ်ခဲ့ရင်၊ အဲ့ဒီဆုံးဖြတ်ချက်ရဲ့ နောက်ဆက်တွဲ ဝန်ထုပ်ဝန်ပိုးကို ဘယ်သူက သယ်ဆောင်မလဲ။ စက်ပစ္စည်းတစ်ခုမှာ အသိတရား (Conscience) ဆိုတာမျိုးမရှိသလို နောင်တဆိုတာမျိုးလည်း မရှိပါဘူး။ တကယ်တော့ တရားမျှတမှုဆိုတာမျိုးက  ရလဒ်တစ်ခုတည်းမဟုတ်ဘဲ၊ ထိုရလဒ်ကို ရှာဖွေရာမှာ ပေါ်ပေါက်လာတဲ့ လူသားတို့ရဲ့ ကျင့်ဝတ်ဆိုင်ရာ ရုန်းကန်မှုများနဲ့ တာဝန်ယူမှုတို့ပဲ့ ဖြစ်တယ်။
• လူသားလွတ်လပ်ခွင့် (Human Agency)။                     ။ လူသားတွေအနေနဲ့ မိမိရဲ့ ကံကြမ္မာကို စက်ပစ္စည်းများက ချုပ်ကိုင်ခွင့်ပြုလိုက်ခြင်းဟာ၊ လူသားရဲ့ လွတ်လပ်စွာ ဆုံးဖြတ်ပိုင်ခွင့်ကို စွန့်လွှတ်လိုက်ခြင်းပင်ဖြစ်တယ်။

နိဂုံး

နိဂုံးချုပ်အနေနဲ့ ဒီ ရုပ်ရှင်ဟာ အနာဂတ်ကမ္ဘာရဲ့ “ဥပဒေ၊ တရားစီရင်ရေး နဲ့ တရားမျှတမှု” ဆိုင်ရာ ကိစ္စရပ်တွေအတွက် ကြိုတင်သတိပေးချက်တစ်ခု ဖြစ်တယ်။ ဒီ "Guilty, the AI Said" ရုပ်ရှင်ဟာ နည်းပညာရဲ့ အရှိန်အဟုန်နဲ့ စွမ်းရည်ကို အံ့ဩရင်း၊ လူသားတို့ရဲ့၊ ဖြစ်တည်မှု အနှစ်သာရနဲ့ လူ့ဘဝတန်ဖိုးကို ပြန်လည်ရှာဖွေတွေ့ရှိစေမဲ့ ရသမြောက် ရုပ်ရှင်လက်ရာကောင်း တစ်ခု ဖြစ်တယ်လို့ ဆိုချင်ပါတယ်။ နည်းပညာဟာ ကျွန်တော်တို့ရဲ့ လက်ထောက်ကောင်းတစ်ဦး ဖြစ်နိုင်ပေမဲ့၊ လူသားတို့ရဲ့ ကံကြမ္မာနဲ့ တရားမျှတမှုကို ဆုံးဖြတ်ပေးမဲ့ အရာတစ်ခုတော့ ဘယ်လိုမှ ဖြစ်မလာသင့်ဘူး။

 

Random-Restart Hill-Climbing

Stuart Russell နဲ့ Peter Norvig တို့ရဲ့ "Artificial Intelligence: A Modern Approach" စာအုပ်၊ အခန်း ၄ တွင် ရှင်းပြထားသော "Local Search Algorithms" များထဲမှ Hill-climbing algorithm သည် လက်ရှိအခြေအနေ (Current State) မှနေ၍ ပိုမိုကောင်းမွန်သော အိမ်နီးချင်းအခြေအနေ (Neighbor State) သို့ အစဉ်မပြတ် ရွေးချယ်သွားသော နည်းလမ်းဖြစ်ပါသည်။

8-Queens Problem နှင့် Hill-Climbing ပေါင်းစပ်စဉ်းစားပုံ

8-Queens ပြဿနာကို Hill-climbing ဖြင့် ဖြေရှင်းရာတွင် အောက်ပါအတိုင်း ဖွဲ့စည်း (Formulate) ပါသည်-

1. State Representation (အခြေအနေ ကိုယ်စားပြုပုံ):

   ဘုတ်ပြားပေါ်တွင် ဘုရင်မ (Queen) ၈ ပါးလုံးကို ကော်လံ (Column) တစ်ခုလျှင် တစ်ပါးစီ ချထားသည့် ပုံစံဖြင့် စတင်ပါသည်။ ထို့ကြောင့် ကော်လံ ၈ ခုတွင် ရှိနေသော ဘုရင်မများ၏ အတန်း (Row) နေရာများကို [0, 4, 7, 5, 2, 6, 1, 3] စသည့် 1D Array ဖြင့် ကိုယ်စားပြုနိုင်ပါသည်။

2. Heuristic Function ($h$):

   အချင်းချင်း တိုက်ခိုက်နိုင်သော (Attacking pairs) ဘုရင်မ အစုံအရေအတွက် ဖြစ်ပါသည်။ ပန်းတိုင် (Goal State) တွင် မည်သည့်ဘုရင်မမှ အချင်းချင်း မစားနိုင်ရသဖြင့် $h = 0$ ဖြစ်ရပါမည်။

3. Neighbor (အိမ်နီးချင်း အခြေအနေ):

   ကော်လံတစ်ခုရှိ ဘုရင်မတစ်ပါးကို အခြားသော အတန်း (Row) တစ်ခုခုသို့ ရွှေ့လိုက်ခြင်းကို Neighbor ဟု သတ်မှတ်ပါသည်။ ကော်လံ ၈ ခု၊ ကော်လံတစ်ခုလျှင် ပြောင်းရွှေ့နိုင်သော အတန်း ၇ ခု ရှိသဖြင့် စုစုပေါင်း Neighbor ၅၆ ခု ($8 \times 7 = 56$) ရှိပါသည်။

4. Action:

   လက်ရှိ $h$ တန်ဖိုးထက် ပိုနည်းသော (ပိုကောင်းသော) Neighbor ကို ရွေးချယ်သွားပါသည်။

Local Maxima ပြဿနာ နှင့် Random-Restart Hill-Climbing

Hill-climbing ၏ အဓိက အားနည်းချက်မှာ Local Maxima (သို့မဟုတ် $h$ တန်ဖိုးအရ Local Minima) တွင် ပိတ်မိတတ်ခြင်း ဖြစ်ပါသည်။ လက်ရှိအခြေအနေသည် ပန်းတိုင်ရောက်မနေသော်လည်း ($h > 0$)၊ ရွှေ့၍ရနိုင်သော အိမ်နီးချင်း ၅၆ ခုလုံး၏ $h$ တန်ဖိုးများသည် လက်ရှိတန်ဖိုးထက် ကြီးနေလျှင် သို့မဟုတ် တူညီနေလျှင် Algorithm သည် ရှေ့ဆက်မတိုးနိုင်တော့ဘဲ ရပ်တန့်သွားပါသည်။

ဤပြဿနာကို ဖြေရှင်းရန် Random-restart hill-climbing ကို အသုံးပြုပါသည်။ ၎င်း၏ အခြေခံသဘောတရားမှာ "ပိတ်မိသွားတိုင်း အသစ်ကနေ ပြန်စမည် (If at first you don't succeed, try, try again)" ဖြစ်ပါသည်။ Local Maxima တွင် ရပ်တန့်သွားတိုင်း၊ လက်ရှိအခြေအနေကို စွန့်လွှတ်ကာ ကျပန်း (Random) အခြေအနေသစ် တစ်ခုကို ဖန်တီး၍ အစမှ ပြန်လည်ရှာဖွေပါသည်။ ပန်းတိုင်ရောက်သည်အထိ ($h=0$) ဤလုပ်ငန်းစဉ်ကို အကြိမ်ကြိမ် ပြန်လုပ်သောကြောင့် 8-Queens ပြဿနာကို အမြဲတမ်း ဖြေရှင်းပေးနိုင်ပါသည်။

import random

# ==========================================

# Heuristic Function ($h$) တွက်ချက်ခြင်း

# ==========================================

def calculate_heuristic(board):

    """

    ဘုတ်ပြားပေါ်ရှိ အချင်းချင်း တိုက်ခိုက်နိုင်သော ဘုရင်မ အစုံ (Attacking pairs) အရေအတွက်ကို တွက်ပါသည်။

    board: 1D List (ဥပမာ - [0, 4, 7, 5, 2, 6, 1, 3] အဓိပ္ပာယ်မှာ ကော်လံ 0 တွင် အတန်း 0 ၌ ရှိသည်...)

    """

    attacking_pairs = 0

    n = len(board)

    

    # ကော်လံ တစ်ခုစီရှိ ဘုရင်မများကို ကျန်ရှိသော ကော်လံများမှ ဘုရင်မများနှင့် တိုက်ရိုက် နှိုင်းယှဉ်ပါမည်

    for i in range(n):

        for j in range(i + 1, n):

            # 1. ရေပြင်ညီ အတန်း (Same Row) တူနေသလား စစ်ဆေးခြင်း

            # 2. ထောင့်ဖြတ် (Diagonal) မျဉ်းပေါ်တွင် ရှိနေသလား စစ်ဆေးခြင်း

            # (ကော်လံနှစ်ခုကြား အကွာအဝေး နှင့် အတန်းနှစ်ခုကြား အကွာအဝေး တူညီနေလျှင် ထောင့်ဖြတ်မျဉ်းပေါ်တွင် ရှိသည်)

            if board[i] == board[j] or abs(board[i] - board[j]) == abs(i - j):

                attacking_pairs += 1

                

    return attacking_pairs

# ==========================================

# အကောင်းဆုံး အိမ်နီးချင်း (Best Neighbor) ကို ရှာဖွေခြင်း

# ==========================================

def get_best_neighbor(board):

    """

    ရွှေ့နိုင်သော အိမ်နီးချင်း ၅၆ ခုလုံးကို ဖန်တီးပြီး၊ ၎င်းတို့အနက်မှ Heuristic အနည်းဆုံး (အကောင်းဆုံး) 

    အခြေအနေကို ရွေးချယ်ပေးပါမည်။

    """

    best_board = list(board) # လက်ရှိ Board ကို ကနဦး အကောင်းဆုံးအဖြစ် မှတ်ထားပါမည်

    min_h = calculate_heuristic(board)

    

    n = len(board)

    

    # ကော်လံ (col) ၈ ခုလုံးကို လှည့်ပတ်စစ်ဆေးမည်

    for col in range(n):

        # အတန်း (row) ၈ ခုလုံးသို့ ရွှေ့ကြည့်မည်

        for row in range(n):

            # လက်ရှိ ရှိနေသော အတန်း မဟုတ်မှသာ ရွှေ့ကြည့်မည် (Neighbor အသစ် ဖန်တီးခြင်း)

            if board[col] != row:

                neighbor = list(board) # လက်ရှိ ဘုတ်ပြားကို မိတ္တူကူးပါ

                neighbor[col] = row    # ဘုရင်မကို အတန်းသစ်သို့ ရွှေ့ပါ

                neighbor_h = calculate_heuristic(neighbor)

                

                # အကယ်၍ Neighbor အသစ်၏ $h$ သည် လက်ရှိအနည်းဆုံး $h$ ထက် ပိုနည်းလျှင် Update လုပ်မည်

                if neighbor_h < min_h:

                    min_h = neighbor_h

                    best_board = neighbor

                    

    return best_board, min_h

# ==========================================

# Standard Hill-Climbing Algorithm

# ==========================================

def hill_climbing(board):

    """

    ပေးထားသော ကနဦးအခြေအနေမှ စတင်၍ Local Maxima သို့မဟုတ် Goal State ရောက်သည်အထိ ရှာဖွေမည်။

    """

    current_board = board

    current_h = calculate_heuristic(current_board)

    

    while True:

        # အကောင်းဆုံး Neighbor ကို ရှာပါ

        neighbor_board, neighbor_h = get_best_neighbor(current_board)

        

        # အကယ်၍ အကောင်းဆုံး Neighbor ၏ $h$ တန်ဖိုးသည် လက်ရှိ $h$ ထက် မနည်းတော့လျှင် 

        # (ဆိုလိုသည်မှာ ပိုမကောင်းတော့လျှင်) Local Maxima တွင် ပိတ်မိသွားပြီ ဖြစ်သဖြင့် ရပ်တန့်ပါမည်။

        if neighbor_h >= current_h:

            return current_board, current_h

            

        # ပိုကောင်းသော အခြေအနေသို့ ရွှေ့ပါ

        current_board = neighbor_board

        current_h = neighbor_h

# ==========================================

# Random-Restart Hill-Climbing Algorithm

# ==========================================

def random_restart_hill_climbing():

    """

    Hill-Climbing လုပ်ရင်း Local Maxima တွင် ပိတ်မိသွားတိုင်း၊ ကျပန်း (Random) Board အသစ်တစ်ခု 

    ပြန်လည်ဖန်တီး၍ Goal State ($h = 0$) ရရောက်သည်အထိ ဆက်တိုက် Restart လုပ်သွားမည့် Main Function ဖြစ်ပါသည်။

    """

    restarts = 0

    n = 8 # 8-Queens 

    

    while True:

        # ကျပန်း ဘုတ်ပြားအသစ် တစ်ခု ဖန်တီးခြင်း (ကော်လံတစ်ခုစီအတွက် 0 မှ 7 အတွင်း ကျပန်းအတန်းတစ်ခု ရွေးခြင်း)

        initial_board = [random.randint(0, n - 1) for _ in range(n)]

        

        # Hill-Climbing ဖြင့် ဖြေရှင်းကြည့်ခြင်း

        final_board, final_h = hill_climbing(initial_board)

        

        # အကယ်၍ ဖြေရှင်းပြီးသော Board ၏ $h$ သည် 0 ဖြစ်သွားလျှင် ပြဿနာပြေလည်သွားပြီ (Goal Test အောင်မြင်သည်)

        if final_h == 0:

            print(f"Goal State Found! (Total Restarts: {restarts})")

            return final_board

            

        # ပိတ်မိသွားလျှင် Restart အကြိမ်ရေကို မှတ်သား၍ အပေါ်မှ `while` လှည့်ပတ်မှုအတိုင်း ပြန်လည်စတင်မည်

        restarts += 1

# ==========================================

# ရလဒ်ကို ပုံဖော်ပြသရန် Function (Visualization)

# ==========================================

def print_board(board):

    n = len(board)

    for row in range(n):

        row_str = ""

        for col in range(n):

            if board[col] == row:

                row_str += " Q " # ဘုရင်မ ရှိသောနေရာ

            else:

                row_str += " . " # လွတ်နေသောနေရာ

        print(row_str)

    print("\nArray Representation:", board)

# Program စတင်ခြင်း

if __name__ == "__main__":

    print("Running Random-Restart Hill-Climbing for 8-Queens...\n")

    solution = random_restart_hill_climbing()

    print("\nFinal Solution Board:")

    print_board(solution)

ပရိုဂရမ်၏ အဓိက အနှစ်သာရများ

• Memory အသုံးပြုမှု နည်းပါးခြင်း: State တစ်ခုလုံးကို ပြသရန် 8x8 2D Array ကြီးကို မသုံးဘဲ ကော်လံတစ်ခုလျှင် အတန်း (row index) ကိုသာ ကိုယ်စားပြုသော 1D Array (ဥပမာ [1, 3, 5, 7, 2, 0, 6, 4]) ကို အသုံးပြုထားသောကြောင့် တွက်ချက်မှု မြန်ဆန်စေပါသည်။

• Steepest-Ascent: get_best_neighbor function တွင် Neighbor ၅၆ ခုလုံးကို လှည့်ပတ်စစ်ဆေးပြီးမှ အကောင်းဆုံးကိုသာ ရွေးချယ်သည့် အပြည့်စုံဆုံး (Steepest) နည်းလမ်းကို အသုံးပြုထားပါသည်။

• Completeness: သာမန် Hill-climbing သည် Local Maxima ကြောင့် ဖြေရှင်းချက် ရှာမရဘဲ ရပ်တန့်နိုင်သော်လည်း၊ random_restart_hill_climbing ၏ while True: loop မှ ဖြေရှင်းချက် (Goal State) မရမချင်း Random အသစ်ပြန်လုပ်ပေးနေမည်ဖြစ်၍ ပြဿနာကို အမြဲတမ်း ဖြေရှင်းပေးနိုင်မည် (Complete ဖြစ်သည်)။

ကျမ်းပြုသူနှင့် ကျမ်းကြီးကြပ်သူ တို့၏ အခန်းကဏ္ဍများ

ကျမ်းပြု သူတစ်ဦးဟာ၊ ကျမ်းကြီးကြပ်သူ (Supervisor) ရဲ့ အလိုကျ၊ ကျမ်းကြီးကြပ်သူ သိပြီးသား ဘောင်အတွင်းကသာ ရေးသားပြုစုရတဲ့ စာတမ်းမျိုး၊ ကျမ်းမျိုး၊ သုတေသနမျိုးဟာ  "သုတေသန" ဆိုတဲ့ ဝေါဟာရရဲ့ အနှစ်သာရဖြစ်တဲ့ "အသစ်ရှာဖွေတွေ့ရှိခြင်း (Originality and Novelty)" ကို သတ်ပစ်လိုက်သလို ဖြစ်သွားစေတယ်။

သုတေသန၏ အနှစ်သာရနှင့် "အသစ်ရှာဖွေတွေ့ရှိမှု" (Originality)

အဆင့်မြင့် ဘွဲ့လွန်ကျမ်းတွေ (အထူးသဖြင့် PhD Dissertation နှင့် Master's Thesis) တို့ရဲ့ အဓိက ရည်ရွယ်ချက်က၊ လူသားတို့ရဲ့ လက်ရှိ သိမြင်နားလည်ထားသော ပညာရပ်နယ်ပယ် (Knowledge boundary) ကို နောက်ထပ် ခြေတစ်လှမ်း တိုးချဲ့ပေးရန် ဖြစ်တယ်။

•  တကယ်လို့ ကျောင်းသားတစ်ဦးဟာ၊ ကျမ်းကြီးကြပ်သူ သိပြီးသား အဖြေကိုသာ ပြန်လည်သက်သေပြနေရမယ်၊ သို့မဟုတ် ကြီးကြပ်သူရဲ့ အယူအဆကိုသာ ပဲ့တင်ထပ်နေရမယ်ဆိုရင်၊ ၎င်းဟာ သုတေသန မဟုတ်တော့ဘဲ "လေ့ကျင့်ခန်း (Academic Exercise)" တစ်ခုသာ ဖြစ်သွားပါလိမ့်မယ်။ ဒါ့ကြောင့် လူသူလေးစားသော နိုင်ငံတကာ တက္ကသိုလ်ကြီးတွေမှာတော့၊ ထိပ်တန်း ပါမောက္ခကြီးများက မိမိ မသိသေးသော၊ မျှော်လင့်မထားသော ရလဒ်အသစ်များကို ရှာဖွေနိုင်တဲ့ ကျောင်းသားမျိုးကိုသာ လိုလားကြတယ်။

၂။ အသိပညာ အကူးအပြောင်း အမှတ် (The Point of Knowledge Transition)

သုတေသနနယ်ပယ်တစ်ခုမှာ "အကြောင်းအရာကို အသိဆုံးက ၎င်းကျမ်းကို ပြုစုမဲ့သူသာ ဖြစ်သင့်တယ်" ဆိုတဲ့ အချက်ဟာ သုတေသနလောကရဲ့ ရွှေစည်းမျဉ်း (Golden Rule) ဖြစ်တယ်။

• သုတေသနခရီးစဉ်၏ တစ်နေရာ (ဥပမာ - ဒုတိယနှစ် သို့မဟုတ် တတိယနှစ်) မှာ၊ ကျောင်းသားဟာ  မိမိ၏ သီးသန့် သုတေသနခေါင်းစဉ် (Niche topic) နှင့် ပတ်သက်၍ မိမိ၏ ကျမ်းကြီးကြပ်သူထက် ပိုမို သိရှိနားလည်သွားရမည် ဟု ပါမောက္ခကြီးများက လက်ခံထားကြတယ်။ ထိုသို့ ကျောင်းသားက ဆရာ့ထက် ပိုသိလာသည့် အချိန်ရောက်မှသာလျှင် ထိုကျမ်းသည် အောင်မြင်သော ကျမ်းတစ်စောင် ဖြစ်လာမည့် လမ်းစပေါ်သို့ ရောက်ရှိခြင်း ဖြစ်တယ်။ “ငါစစ်အုံးမယ် ငါကြည့်အုံးမယ်… ပေါက်ကရတွေဖြစ်ကုန်မယ်… ငါခိုင်းတဲ့အတိုင်းလုပ်” လို့ဆိုသူတွေဟာ၊ သူတို့ကိုယ်တိုင်က “ဝါလုံးခေါင်းထဲ လ သာ” ဘဝင်မြင့်နေသူတွေဖြစ်ပြီး၊ သုတေသနပြုသူ ကျောင်းသားကို အထင်သေးနေသူတွေဖြစ်တယ်။

၃။ ကျမ်းကြီးကြပ်သူ၏ အခန်းကဏ္ဍ (The True Role of a Supervisor)

တကယ်တော့ ကျမ်းကြီးကြပ်သူဟာ အလုံးစုံ ထိန်းချုပ်သူ (Micromanager) သို့မဟုတ် အဖြေကို ပုံစံချပေးသူ (Dictator) မဖြစ်ရဘူး။ ၎င်းဟာ

• နည်းစနစ်ပိုင်းဆိုင်ရာ လမ်းပြသူ (Methodological Guide) - သုတေသန နည်းစနစ် မှန်ကန်စေရန်၊ ယုတ္တိဗေဒ ခိုင်လုံစေရန်နှင့် ပညာရပ်ဆိုင်ရာ စံညွှန်းများနှင့် ကိုက်ညီစေရန်သာ ထိန်းကျောင်းပေးရမှာ ဖြစ်တယ်။
• အပြုသဘောဆောင် ဝေဖန်သူ (Devil's Advocate) - ကျောင်းသားရဲ့ တွေ့ရှိချက်တွေကို လွယ်လွယ်နဲ့ လက်မခံဘဲ၊ ကျောင်းသားဘက်က ခိုင်လုံသော အထောက်အထားဖြင့် ခုခံချေပနိုင်စွမ်း ရှိစေရန် အခက်ခဲဆုံး မေးခွန်းများ မေးကာ မှတ်ကျောက်တင်ဆန်းစစ်ပေးသူ (Sounding board) ဖြစ်ရပါမယ်။

အဖြစ်သင့်ဆုံး Student-Supervisor ဆက်သွယ်မှု ပုံစံ

အဆင့်မြင့် ပညာရေးစနစ်တွေမှာ အအောင်မြင်ဆုံးလို့ သတ်မှတ်ထားတဲ့ ဆက်သွယ်မှုပုံစံက "တပည့်မှသည် လုပ်ဖော်ကိုင်ဖက်သို့ ကူးပြောင်းခြင်း မော်ဒယ် (Apprenticeship to Colleagueship Model)" ဖြစ်တယ်။ ၎င်းပုံစံမှာ အောက်ပါ အဆင့် (၃) ဆင့် ပါဝင်တယ်။

1. လမ်းညွှန်မှု အများဆုံးကာလ (Scaffolding Stage) - သုတေသန စတင်ချိန်မှာ ကျမ်းကြီးကြပ်သူက စာတမ်းရဲ့ ရည်ရွယ်ချက်၊ သုတေသန မေးခွန်းများ ရွေးချယ်မှုနှင့် သုတေသန ပုံစံ (Research Design) တို့ကို အဓိက ကူညီလမ်းညွှန်ပေးရမှာဖြစ်တယ်။
2. လွတ်လပ်စွာ စူးစမ်းခွင့်ပေးသောကာလ (Independence Stage) - အချက်အလက် ကောက်ယူခြင်း၊ စမ်းသပ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းများ ပြုလုပ်ရာမှာ  ကျောင်းသားအား အပြည့်အဝ လွတ်လပ်ခွင့် ပေးထားရပါမယ်။ မှားယွင်းမှုများ ရှိလာပါကလည်း ကျောင်းသားကိုယ်တိုင် သင်ခန်းစာယူ ပြင်ဆင်နိုင်ရန် အခွင့်အရေး ပေးရပါမယ်။
3. တန်းတူ ဆွေးနွေးခြင်းကာလ (Peer-to-Peer Stage) - တွေ့ရှိချက်များကို သုံးသပ်ရာတွင် ဆရာနှင့် တပည့် ဆက်ဆံရေးမျိုး မဟုတ်တော့ဘဲ၊ ပညာရှင် နှစ်ဦး (Scholars) အနေဖြင့် စားပွဲဝိုင်းတွင် အပြန်အလှန် ငြင်းခုံဆွေးနွေးကြသော ဆက်ဆံရေးမျိုး ဖြစ်လာရပါမယ်။

အချုပ်အားဖြင့်ဆိုရရင်၊ အကောင်းဆုံးသော ကျမ်းကြီးကြပ်သူဆိုတာ "မိမိထက် တော်သော၊ မိမိ မသိသေးသည်များကို ရှာဖွေဖော်ထုတ်နိုင်သော ပညာရှင်အသစ်တစ်ဦးကို မွေးထုတ်ပေးနိုင်သူ" သာလျှင် ဖြစ်တယ်။

(ဒီစာစုနဲ့ ကျွန်တော့ရဲ့ မဟာဥပဒေဘွဲ့ ကျမ်းကြီးကြပ်သူ တီချယ်စန္ဒာဝင်း [(Daw Sandar Win, Senior Lecturer (Retired), INTI International University, Malaysia)] ရဲ့ ဂုဏ်ကျေးဇူးကို အလေးအမြတ်မှတ်တမ်းပြုပါတယ်။)

 

Discretionary Power v. Inherent Power

ဥပဒေနယ်ပယ်နဲ့ တရားစီရင်ရေးနယ်ပယ်မှာအလွန်အရေးပါပြီး အမြဲလိုလို တွဲဖက်တွေ့ရှိရတတ်တဲ့ "Discretionary Power" (ကျင့်သုံးပိုင်ခွင့်/ အဆုံးအဖြတ်ပေးပိုင်ခွင့်အာဏာ) နဲ့"Inherent Power" (ကိုယ်ပိုင်ပင်ကိုယ်အရည်အသွေးအရ ရှိရင်းစွဲအာဏာ) တို့ရဲ့ အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွေကို ဖော်ပြပေးပါမယ်။

၁။ Discretionary Power (ကျင့်သုံးပိုင်ခွင့် သို့မဟုတ် အဆုံးအဖြတ်ပေးပိုင်ခွင့်အာဏာ)

===========

Discretionary Power ဆိုတာ၊ ဥပဒေက တရားသူကြီး သို့မဟုတ် စီမံခန့်ခွဲရေးအာဏာပိုင်တစ်ဦးကို ကိစ္စရပ်တစ်ခုအပေါ် တိကျပြတ်သားသော စည်းမျဉ်းတစ်ခုတည်းအတိုင်း လိုက်နာရန် အတင်းအကျပ် မပြဌာန်းဘဲ၊ ဖြစ်ရပ်ရဲ့ အခြေအနေအရပ်ရပ်ကို သုံးသပ်ပြီး မိမိရဲ့ ကိုယ်ပိုင်အမြော်အမြင်၊ တရားမျှတမှုစံနှုန်းတို့အပေါ် အခြေခံကာ လွတ်လပ်စွာ ရွေးချယ်ဆုံးဖြတ်ပိုင်ခွင့် ပေးထားတဲ့ အာဏာကို ဆိုလိုတယ်။ သို့သော် ထိုအာဏာဟာ၊ လုံးဝဥဿုံ လွတ်လပ်ခြင်း (Arbitrary) မဟုတ်ဘဲ ဥပဒေကြောင်းအရ အကြောင်းပြချက် ခိုင်လုံရပါမယ်။

REF: Black's Law Dictionary (11th Edition), Bryan A. Garner, 2019, Thomson Reuters (West Publishing Co.), St. Paul, MN, USA., p.583, "Judicial Discretion"

• အနှစ်ချုပ်: ဥပဒေကြောင်းအရ ပြတ်ပြတ်သားသား ကန့်သတ်မထားတဲ့ ကိစ္စရပ်များတွေမှာ တရားသူကြီးတစ်ဦးအနေဖြင့် မျှတမှု နဲ့ သင့်လျော်မှန်ကန်မှုရှိစေရန် မိမိ၏ ကိုယ်ပိုင်ဆုံးဖြတ်ချက်ဖြင့် ဆောင်ရွက်နိုင်ခွင့် ဟာ (Discretion) ဖြစ်တယ်။

• ဥပမာအားဖြင့် ပြစ်မှုဆိုင်ရာကျင့်ထုံးဥပဒေမှာ အာမခံပေးခြင်းနဲ့စပ်လျဉ်းပြီး "May be released on bail" (အာမခံပေးနိုင်သည်) ဟု သုံးနှုန်းထားခြင်းမျိုး ဖြစ်တယ်။ "May" လို့ သုံးနှုန်းထားခြင်းဟာ တရားရုံးကို "Discretionary Power" ပေးထားခြင်းဖြစ်ပြီး၊ မဖြစ်မနေ ပေးရမည်ဟု ပြဌာန်းတဲ့ "Shall" နဲ့ကွာခြားတယ်။

၂။ Inherent Power (ကိုယ်ပိုင်ပင်ကိုယ်အရည်အသွေးအရ ရှိရင်းစွဲအာဏာ၊ မူလဘူတအာဏာ)

==============

Inherent Power ဆိုတာကို ဥပဒေပြဌာန်းချက်တွေမှာ တိတိပပ အတိအလင်း ရေးသားဖော်ပြမထားပေမဲ့၊ တရားရုံးတစ်ခုရဲ့ ဂုဏ်သိက္ခာကို ထိန်းသိမ်းရန်၊ တရားစီရင်ရေးလုပ်ငန်းစဉ်ကို အလွဲသုံးစားလုပ်ခြင်းမှ ကာကွယ်ရန်နဲ့ အမှုသည်များအတွက် "စစ်မှန်သော တရားမျှတမှု" (Ends of Justice) ဖော်ဆောင်ပေးနိုင်ရန်၊ "တရားရုံးဖြစ်တည်လာမှုနှင့်အတူ ပင်ကိုယ်ကတည်းက ကပ်ပါလာသော အာဏာ" ကို ဆိုလိုတယ်။ ဥပဒေပြဌာန်းချက်မှာ လစ်ဟာနေတဲ့ကြားနယ် (Gap) ဖြစ်နေပြီး၊ အခက်အခဲကြုံရချိန်မှာ ဒီ အာဏာကို သုံးရတယ်။

REF: Mulla: The Code of Civil Procedure (Abridged Edition / 18th Edition), Sir Dinshah Fardunji Mulla (Revised by Soli J. Sorabjee), (2012), LexisNexis Butterworths Wadhwa, Nagpur, India., (Pages 280-284), Section 151 ဖွင့်ဆိုချက်အောက်တွင်ရှု။

o အနှစ်ချုပ်: ဥပဒေပြုလွှတ်တော်ဟာ အနာဂတ်မှာ ဖြစ်လာမဲ့ အခြေအနေအားလုံးကို ကြိုတင်ခန့်မှန်းပြီး ဥပဒေမပြဌာန်းနိုင်ဘူး။ ဒါ့ကြောင့် ဥပဒေမှာ အတိအလင်း မပါရှိပေမဲ့ တရားမျှတမှုအတွက် လိုအပ်ပါက တရားရုံးက ၎င်းရဲ့ ရှိရင်းစွဲအာဏာ၊ မူလဘူတ အာဏာ (Inherent Power) ဆိုတာကို သုံးပိုင်ခွင့်ရှိတယ်။