Ett 10-gradigt kvalitetsmått för AI-mötesanteckningar, med en reproducerbar bedömningsmall och steg för kalibrering av granskare.

Skrivet av Joon Hsu, redaktör för mätning och kvalitet · Granskat för granskning av mätning av AI-anteckningars kvalitet · Test- och evidensstatus: metodik publicerad; produktbeteende kräver verifiering i drift · Publicerat och uppdaterat 2026-09-04

Kvaliteten på AI-mötesanteckningar är mätbar när en deklarerad bedömningsmall skiljer mellan korrekt återgivning, täckning, användbarhet för uppgifter, källhärkomst och överensstämmelse mellan granskare. Kontrollera användningsfallet, urvalet, bedömningsdimensionerna, felklasserna, överensstämmelsen mellan granskare och begränsningarna. ett tilltalande tal döljer vilka fel som spelar roll och kan belöna korta anteckningar som utelämnar svåra detaljer Använd slutsatsen endast för de mötestyper, språk, talare, konfigurationer och granskningsgränser som faktiskt testats. Om evidens saknas, markera fältet Ej tillämpligt och bevara källan för ett mänskligt beslut. Omvandla inte något okänt eller ett förslag till ett bekräftat faktum.

Frågan bakom kvalitetsmåttet för AI-mötesanteckningar låter enkel, men det användbara svaret beror på vad mötesprotokollet måste göra härnäst. ett team lovordar kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas

Detta tiogradiga kvalitetskort är skrivet för projektledare, teamchefer, säljare och operativ personal som behöver omvandla möten till beslut, uppgifter, ansvariga, tidsfrister och uppföljningsmaterial på kort tid. Det skiljer mellan dokumentation från förstahandskällor, reproducerade observationer, redaktionella rekommendationer och Ej tillämpligt-punkter, så att ett välformulerat resultat inte springer före sin evidens.

Arbetsregeln är snäv: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för korrekt återgivning, fullständighet, användbarhet för uppgifter, källhärkomst och granskningsinsats Metoden gäller endast för den angivna mötestypen, källmaterialet, språk- eller rollvillkoren, datumet och granskningsgränsen.

Kvalitet börjar med ett deklarerat användningsområde — kvalitetsmått för AI-mötesanteckningar

Det användbara testet här är syfte, faktisk korrekthet, täckning, användbarhet för uppgifter, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare.

Arbetsregel: Kvalitet börjar med ett deklarerat användningsområde — kvalitetsmått för AI-mötesanteckningar klarar testet när väsentliga beslut finns med. Det misslyckas väsentligt när svåra punkter utelämnas. Håll syfte, faktisk korrekthet, täckning, användbarhet för uppgifter, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare synliga, eftersom en välformulerad mening inte kan tillföra evidens som mötet aldrig innehöll.

Använd det konkreta fallet: ett team lovordar kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med incidentgranskning ska du undersöka utelämnanden med höga kostnader och tillämpa en strikt bedömningsmall som mänsklig gräns. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells säkerhet som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för korrekt återgivning, fullständighet, användbarhet för uppgifter, källhärkomst och granskningsinsats Om källkedjan bryts, publicera dimensionspoäng och exempel, inte ett universellt löfte om träffsäkerhet; hänvisa betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade punkten och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om punkten är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i drift. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av det tiogradiga kvalitetskortet, inte en fotnot.

Tiogradigt kvalitetskort, evidensnotis: Granska NIST — ramverk för AI-riskhantering (källdatum: 2023-01-26; typ: auktoritativ källa; roll: fakta / sammanhang / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Välj dimensionerna före poängsättningen

Det användbara testet här är syfte, faktisk korrekthet, täckning, användbarhet för uppgifter, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare.

Arbetsregel: Välj dimensionerna före poängsättningen klarar testet när läsaren kan skanna texten. Det misslyckas väsentligt när stilen döljer luckor. Håll syfte, faktisk korrekthet, täckning, användbarhet för uppgifter, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare synliga, eftersom en välformulerad mening inte kan tillföra evidens som mötet aldrig innehöll.

Använd det konkreta fallet: ett team lovordar kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med forskningssessionen ska du undersöka tekniska förbehåll och tillämpa en expertgranskare som mänsklig gräns. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells säkerhet som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för korrekt återgivning, fullständighet, användbarhet för uppgifter, källhärkomst och granskningsinsats Om källkedjan bryts, publicera dimensionspoäng och exempel, inte ett universellt löfte om träffsäkerhet; hänvisa betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade punkten och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om punkten är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i drift. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av det tiogradiga kvalitetskortet, inte en fotnot.

Underlag för tiogradig kvalitetspoäng: Granska NIST — ramverk för riskhantering av artificiell intelligens: profil för generativ AI (källdatum: 2024-07-26; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Skapa en tiogradig bedömningsskala

Det användbara testet här är syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet.

Arbetsregel: En tiogradig bedömningsskala är godkänd när viktiga beslut finns med. Den har ett allvarligt fel när svåra punkter utelämnas. Håll syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet synliga, eftersom en välformulerad mening inte kan ge belägg för något som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med incidentgranskningen ska du undersöka utelämnanden med hög kostnad och tillämpa en strikt bedömningsskala som mänsklig kontrollpunkt. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells säkerhet som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för överensstämmelse, fullständighet, användbarhet för åtgärder, proveniens och granskningsinsats Om källkedjan bryts ska du publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänvisa betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade punkten och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om punkten är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i praktiken. Den klassificeringen förändrar formuleringen, granskaren och nästa åtgärd; den är en del av den tiogradiga kvalitetspoängen, inte en fotnot.

Underlag för tiogradig kvalitetspoäng: Granska NIST — verktygslåda för poängsättning av taligenkänning (källdatum: 2025-01-15; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Fortsätt med AI-mötesarbetsflöden, metoder för AI-anteckningar, eller arbetsflöden för AI-översättning.

Kalibrera granskare och urval

Det användbara testet här är syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet.

Arbetsregel: Kalibrering av granskare och urval är godkänd när läsaren kan skanna texten. Den har ett allvarligt fel när stilen döljer luckor. Håll syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet synliga, eftersom en välformulerad mening inte kan ge belägg för något som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med forskningssessionen ska du undersöka tekniska förbehåll och tillämpa en expertgranskare som mänsklig kontrollpunkt. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells säkerhet som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för överensstämmelse, fullständighet, användbarhet för åtgärder, proveniens och granskningsinsats Om källkedjan bryts ska du publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänvisa betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade punkten och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om punkten är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i praktiken. Den klassificeringen förändrar formuleringen, granskaren och nästa åtgärd; den är en del av den tiogradiga kvalitetspoängen, inte en fotnot.

Underlag för tiogradig kvalitetspoäng: Granska W3C Internationalisering — att välja en språktagg (källdatum: 2024-02-15; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Läs felen i stället för genomsnitten

Det användbara testet här är syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet.

Arbetsregel: Att läsa felen i stället för genomsnitten är godkänt när viktiga beslut finns med. Det har ett allvarligt fel när svåra punkter utelämnas. Håll syfte, faktisk överensstämmelse, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och granskarnas samstämmighet synliga, eftersom en välformulerad mening inte kan ge belägg för något som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med incidentgranskning ska du undersöka utelämnanden med höga kostnader och tillämpa en strikt bedömningsmall som den mänskliga gränsen. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells konfidens som ett godkännande.

Beslut för det här avsnittet: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för trohet, fullständighet, användbarhet för åtgärder, härkomst och granskningsinsats Om källkedjan bryts ska du publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänvisa väsentliga avvikelser till en mänsklig granskare. Dokumentera vem som granskade objektet och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om objektet är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i realtid. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av tiopoängsbedömningen av kvalitet, inte en fotnot.

Bevisanteckning för tiopoängsbedömningen av kvalitet: Granska Google Cloud — dokumentation för Cloud Speech-to-Text (källdatum: 2026-01-15; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Bedöm kvaliteten på AI-mötesanteckningar

Rapportera resultatet

Publicera poäng, urvalsbegränsningar och korrigerande åtgärd i stället för ett enda skrytbudskap. Om flödet misslyckas ska du publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänvisa väsentliga avvikelser till en mänsklig granskare.

Kalibrera granskare

Jämför oberoende bedömningar och lös meningsskiljaktigheter med källbevis. Behandla ett saknat fält som Ej tillämpligt i stället för att göra ett gynnsamt antagande.

Registrera felklasser

Logga utelämnanden, ersättningar, påhittad säkerhet och formateringsfel separat. Håll isär observerat beteende, dokumentation och redaktionell bedömning; blanda inte ihop deras etiketter.

Bedöm varje dimension

Använd samma förankrade bedömningsmall för trohet, täckning, åtgärder, källor och läsbarhet. Använd auktoriserat, icke-känsligt material och bevara tillräckligt med kontext för att kunna ifrågasätta ett resultat.

Välj ett urval

Välj auktoriserade möten som representerar varaktighet, talare och språkförhållanden. Spara förhållandet, lokal, granskare och datum så att en annan person kan upprepa kontrollen.

Deklarera användningsfallet

Ange vem som ska förlita sig på anteckningarna och vilket beslut de stöder. Detta håller kvalitetsbedömningen för AI-mötesanteckningar kopplad till en observerbar indata och ett resultat.

Ett praktiskt HiNoter-test

Det användbara testet här är syfte, faktisk trohet, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och överensstämmelse mellan granskare.

Arbetsregel: Ett praktiskt HiNoter-test godkänns när läsaren kan skanna. Det misslyckas väsentligt när stilen döljer luckor. Håll syfte, faktisk trohet, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och överensstämmelse mellan granskare synliga, eftersom en välformulerad mening inte kan tillhandahålla bevis för något som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med forskningssessionen ska du undersöka tekniska förbehåll och tillämpa en expertgranskare som den mänskliga gränsen. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells konfidens som ett godkännande.

Beslut för det här avsnittet: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för trohet, fullständighet, användbarhet för åtgärder, härkomst och granskningsinsats Om källkedjan bryts ska du publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänvisa väsentliga avvikelser till en mänsklig granskare. Dokumentera vem som granskade objektet och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om objektet är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i realtid. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av tiopoängsbedömningen av kvalitet, inte en fotnot.

Bevisanteckning för tiopoängsbedömningen av kvalitet: Granska HiNoter — HiNoters produktwebbplats (källdatum: 2026-09-03; typ: förstahandskälla för produktinformation; roll: kontext / produktverifiering) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Bedöm en uppsättning AI-mötesanteckningar: använd ett auktoriserat, icke-känsligt urval och utvärdera det aktuella HiNoter-arbetsflödet endast inom verifierat beteende.

Rapportera osäkerhet och avvikelser

Det användbara testet här är syfte, faktisk trohet, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och överensstämmelse mellan granskare.

Arbetsregel: Testet för att rapportera osäkerhet och avvikelser godkänns när väsentliga beslut framgår. Det misslyckas väsentligt när svåra punkter utelämnas. Håll syfte, faktisk trohet, täckning, användbarhet för åtgärder, källspårbarhet, läsbarhet och överensstämmelse mellan granskare synliga, eftersom en välformulerad mening inte kan tillhandahålla bevis för något som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med incidentgranskning ska du undersöka utelämnanden med höga kostnader och tillämpa en strikt bedömningsmall som den mänskliga gränsen. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells konfidens som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för trohet, fullständighet, användbarhet för åtgärder, proveniens och granskningsinsats Om källkedjan bryts, publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänför betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade objektet och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om objektet är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i praktiken. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av tiopoängskvalitetskortet, inte en fotnot.

Bevisanteckning för tiopoängskvalitetskortet: Granska Amazon Web Services — Amazon Transcribe Developer Guide (källdatum: 2026-01-20; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Använd poängen för att förbättra arbetsflödet

Det användbara testet här är syfte, faktisk trohet, täckning, användbarhet för åtgärder, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare.

Arbetsregel: Använd poängen för att förbättra arbetsflödet godkänns när läsaren kan skanna det. Det misslyckas väsentligt när stilen döljer luckor. Håll syfte, faktisk trohet, täckning, användbarhet för åtgärder, spårbarhet till källan, läsbarhet och överensstämmelse mellan granskare synliga, eftersom en välformulerad mening inte kan tillföra bevis som mötet aldrig innehöll.

Använd det konkreta fallet: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. I scenariot med forskningssessionen ska du granska tekniska förbehåll och tillämpa expertgranskaren som den mänskliga gränsen. Läsaren ska kunna spela upp eller rekonstruera påståendet utan att behandla en modells konfidens som ett godkännande.

Beslut för detta avsnitt: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för trohet, fullständighet, användbarhet för åtgärder, proveniens och granskningsinsats Om källkedjan bryts, publicera dimensionspoäng och exempel, inte ett universellt löfte om korrekthet; hänför betydelsefulla avvikelser till en mänsklig granskare. Dokumentera vem som granskade objektet och om resultatet förblev ett utkast, korrigerades eller godkändes.

En andra kontroll förhindrar kategorifel. Fråga om objektet är ett faktum, en rekommendation, en olöst fråga eller ett produktbeteende som fortfarande behöver verifieras i praktiken. Den klassificeringen ändrar formuleringen, granskaren och nästa åtgärd; den är en del av tiopoängskvalitetskortet, inte en fotnot.

Bevisanteckning för tiopoängskvalitetskortet: Granska U.S. Federal Trade Commission — Keep your AI claims in check (källdatum: 2023-02-27; typ: auktoritativ källa; roll: fakta / kontext / begränsning) innan du förlitar dig på den relaterade standarden, funktionen eller metoden.

Omfattning och bevisetiketter

Ge läsaren kunskap om kvalitetsstandarderna för användbara mötesanteckningar och undvik att direkt behandla en flytande men källös sammanfattning som ett formellt beslut Metoden är en redaktionell arbetsmodell, inte ett påstående om att alla leverantörer, språk eller möten fungerar på samma sätt.

Bevisetiketter som används här är Officiellt faktum, Reproducerad observation, Redaktionell rekommendation och Ej tillämpligt / overifierat. Kontrollera på nytt aktuella produktsidor, språkkonfiguration, sekretessvillkor, regional policy och det exakta exemplet före publicering.

Vanliga frågor: kvalitetspoäng för AI-mötesanteckningar

Hur mäter jag kvaliteten på AI-mötesanteckningar?

Kvaliteten på AI-mötesanteckningar är mätbar när en deklarerad bedömningsmall separerar trohet, täckning, användbarhet för åtgärder, proveniens och överensstämmelse mellan granskare. Tillämpa det svaret endast på de indata, roller, språk, förhållanden och granskningsregler som faktiskt testades.

Vad bör jag verifiera först för kvalitetspoäng för AI-mötesanteckningar?

Börja med denna avgränsning: mät AI-mötesanteckningar mot ett deklarerat användningsfall med separata dimensioner för trohet, fullständighet, användbarhet för åtgärder, proveniens och granskningsinsats Bevara källan, definiera de betydelsefulla fälten och markera beteende utan stöd som Ej tillämpligt innan du jämför välformulerade resultat.

Kan ett flytande AI-mötesresultat ändå vara fel?

Ja. Flyt mäter läsbarhet, medan trohet frågar om namn, siffror, negationer, talare, villkor, beslut, tidpunkter, terminologi och ton stämmer överens med källan. Granska dessa delar direkt.

Vilka bevis bör en granskare spara?

Spara beskrivningen av indata, källjudet eller transkriptet, resultatversionen, relevant tidsstämpel eller utdrag, granskarens beslut, korrigering och publiceringsstatus. Detta gör det möjligt för en annan person att återskapa slutsatsen.

När bör automatisering avstå?

Automatisering bör avstå när ägarskap, beslutstillstånd, kritiska entiteter, samtycke, källkontext, språkgränser eller målgruppsbehörigheter inte kan fastställas. Märk objektet som olöst och hänför det till en ansvarig granskare.

Hur bör flerspråkiga eller rollkänsliga möten testas?

Använd representativa, auktoriserade urval; deklarera språk- eller rolletiketter; inkludera överlappningar, namn, siffror, villkor och regionala varianter; och rapportera varje felklass separat i stället för att slå ihop dem till en enda poäng.

Hur bör HiNoter utvärderas?

Genomför en auktoriserad, icke-känslig version av detta fall: ett team berömmer kortfattade anteckningar tills en missad negation leder till att fel uppgift tilldelas. Verifiera aktuella indata, resultat, källnavigering, redigeringar, export, åtkomst och raderingsbeteende; lämna allt som inte testats som Ej tillämpligt.

Beslutsgräns

För ”Hur mäter jag kvaliteten på AI-mötesanteckningar?” är det försvarbara svaret fortfarande villkorat. Kvaliteten på AI-mötesanteckningar är mätbar när en deklarerad bedömningsmall separerar trohet, täckning, användbarhet för åtgärder, proveniens och överensstämmelse mellan granskare. en kvalitetspoäng är meningsfull endast när dess bedömningsmall, urval, granskare och kostnader för fel är synliga Om bevisen inte kan stödja ett påstående om kvalitetspoäng för AI-mötesanteckningar, publicera Ej tillämpligt eller inte verifierat i stället för en fördelaktig uppskattning.

Poängsätt en uppsättning AI-mötesanteckningar: kör ett representativt urval, jämför resultatet med dess källa och testa HiNoter endast inom de exakta arbetsflödessteg som du verifierar.