How people talk about each other: Modeling Generalized Intergroup Bias and Emotion
यह शोध पत्र सूक्ष्म-स्तरीय भावनाओं के माध्यम से अंतर-व्यक्तिगत समूह संबंधों (IGR) की भविष्यवाणी करके सामान्यीकृत अंतर-समूह पूर्वाग्रह को मॉडल करने के लिए एक नवीन ढांचे को प्रस्तुत करता है, जो अमेरिकी कांग्रेस के सदस्यों के ट्वीट्स के एक नए डेटासेट के विमोचन द्वारा समर्थित है और यह प्रदर्शित करता है कि IGR और भावना के बीच साझा एन्कोडिंग तंत्रिका मॉडल के प्रदर्शन में महत्वपूर्ण रूप से सुधार करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बड़ी, शोर-शराबे वाली पार्टी में हैं। यहाँ दो समूह के लोग हैं: "होम टीम" (वे लोग जिन्हें आप जानते हैं और जिनसे आप प्यार करते हैं) और "विज़िटिंग टीम" (वे लोग जिन्हें आप ठीक से नहीं जानते या शायद नापसंद भी करते हैं)।
आजकल भाषा का अध्ययन करने वाले अधिकांश कंप्यूटर प्रोग्राम बुरे शब्दों को खोजने वाले सुरक्षा गार्डों की तरह होते हैं। वे कमरे में चिल्लाते हुए स्कैन करते हैं, "रुको! उस व्यक्ति ने अपशब्द का प्रयोग किया!" या "अलर्ट! यह वाक्य बुरा है!" वे स्पष्ट नफरत भरे भाषण (hate speech) को खोजने में बहुत अच्छे हैं।
लेकिन यह शोध पत्र एक बहुत अधिक सूक्ष्म प्रश्न पूछता है: "हम अपने दोस्तों के बारे में बनाम अपने प्रतिद्वंद्वियों के बारे में कैसे बात करते हैं, तब भी जब हम बुरे शब्दों का उपयोग नहीं कर रहे होते हैं?"
लेखकों ने महसूस किया कि पूर्वाग्रह (bias) केवल इस बारे में नहीं है कि हम क्या कह रहे हैं, बल्कि इस बारे में भी है कि हम किसके बारे में कह रहे हैं। वे एक ऐसा सिस्टम बनाना चाहते थे जो बोलने वाले और जिस व्यक्ति के बारे में बात की जा रही है, उनके बीच के अदृश्य "संबंधों के वाइब" (relationship vibe) को समझ सके।
यहाँ उनके काम का एक सरल विवरण दिया गया है:
1. कंप्यूटर के लिए दो नए काम
केवल "बुरे" शब्दों को खोजने के बजाय, शोधकर्ताओं ने कंप्यूटर को अमेरिकी राजनेताओं के ट्वीट्स का उपयोग करके दो विशिष्ट कार्य करने के लिए प्रशिक्षित किया:
- कार्य A: "ट्राइबल" डिटेक्टर (IGR प्रेडिक्शन)
क्या कंप्यूटर यह बता सकता है कि ट्वीट करने वाला व्यक्ति और जिसका उल्लेख किया जा रहा है, वह व्यक्ति एक ही टीम (इन-ग्रुप) में है या अलग टीमों (आउट-ग्रुप) में है?- उदाहरण: यदि एक डेमोक्रेट किसी दूसरे डेमोक्रेट के बारे में ट्वीट करता है, तो वह इन-ग्रुप है। यदि वे किसी रिपब्लिकन के बारे में ट्वीट करते हैं, तो वह आउट-ग्रुप है।
- कार्य B: "छिपी हुई भावना" डिटेक्टर (इंटरपर्सनल इमोशन)
क्या कंप्यूटर यह पता लगा सकता है कि बोलने वाला उस विशिष्ट व्यक्ति के बारे में वास्तव में क्या महसूस करता है?- महत्वपूर्ण बिंदु: यह केवल यह पूछने के बारे में नहीं है कि "क्या यह ट्वीट खुश है या दुखी?" यह पूछने के बारे में है, "क्या बोलने वाला इस विशिष्ट व्यक्ति के लिए प्रशंसा (admiration) महसूस कर रहा है, या घृणा (disgust)?"
2. डेटा का "सीक्रेट सॉस"
शोधकर्ताओं ने एक चतुर तरकीब का इस्तेमाल किया। उन्होंने अमेरिकी कांग्रेस के सदस्यों के हजारों ट्वीट्स लिए।
- "मिले हुए" सुराग: चूंकि हर कोई जानता है कि प्रत्येक राजनेता किस पार्टी (डेमोक्रेट या रिपब्लिकन) से संबंधित है, इसलिए कंप्यूटर स्वचालित रूप से जान सकता था कि दो राजनेता एक ही टीम में हैं या नहीं। उन्हें अनुमान लगाने की आवश्यकता नहीं थी; उत्तर मेटाडेटा में छिपा हुआ था। यह "ट्राइबल डिटेक्टर" के लिए एक 'चीट शीट' रखने जैसा था।
- मानवीय लेबलिंग: इसके बाद उन्होंने इंसानों को नाम छिपे हुए ट्वीट्स पढ़ने और भावनाओं का अनुमान लगाने के लिए काम पर लगाया। उन्होंने पाया कि इंसान अक्सर गलत साबित हुए क्योंकि वे एक सरल नियम पर निर्भर थे: "यदि यह अच्छा लग रहा है, तो वे दोस्त होंगे। यदि यह बुरा लग रहा है, तो वे दुश्मन होंगे।"
3. बड़ा आश्चर्य: इंसान बनाम मशीन
यहीं से कहानी दिलचस्प होती है।
- मानवीय त्रुटि: इंसान "एक मित्रवत प्रतिद्वंद्वी" और "एक मित्रवत दोस्त" के बीच अंतर पहचानने में बहुत खराब हैं। यदि कोई राजनेता अपने प्रतिद्वंद्वी के बारे में कुछ अच्छा कहता है (जैसे, "उस कानून पर शानदार काम, भले ही हम हर बात पर असहमत हों"), तो इंसान सोचते हैं, "ओह, वे जरूर दोस्त होंगे!" लेकिन कंप्यूटर, सूक्ष्म भाषाई पैटर्न को देखते हुए, जानता था, "नहीं, वे अभी भी प्रतिद्वंद्वी हैं।"
- मशीन की जीत: कंप्यूटर मॉडल इस मामले में बहुत बेहतर थे। वे यह पता लगा सकते थे कि भले ही एक राजनेता अपने दुश्मन के प्रति विनम्र हो, लेकिन "वाइब" एक दोस्त की प्रशंसा करने के वाइब से अलग होता है। कंप्यूटर ने शब्दों में उन छिपे हुए सुरागों को खोज निकाला जिन्हें इंसान भी मिस कर गए थे।
4. "डबल-ट्रेनिंग" का तरीका
शोधकर्ताओं ने एक स्मार्ट चीज़ आजमाई: उन्होंने कंप्यूटर को एक साथ दोनों काम करने के लिए प्रशिक्षित किया।
- कल्पना कीजिए कि आप एक कुत्ते को "चूँ-चूँ करने वाले खिलौने" और "हड्डियाँ" दोनों खोजने के लिए प्रशिक्षित कर रहे हैं। यदि आप उसे हड्डियाँ खोजना सिखाते हैं, तो वह चूँ-चूँ करने वाले खिलौने खोजने में भी बेहतर हो जाता है, क्योंकि कुत्ता वातावरण पर अधिक ध्यान देना सीख जाता है।
- कंप्यूटर को संबंध (दोस्त बनाम प्रतिद्वंद्वी) का अनुमान लगाने के साथ-साथ भावना का अनुमान लगाने के लिए प्रशिक्षित करके, वह दोनों कार्यों में काफी बेहतर हो गया।
- परिणाम: कंप्यूटर राजनीतिक प्रतिद्वंद्वी के प्रति "घृणा" (Disgust) को पहचानने में बहुत बेहतर हो गया। इसने सीखा कि हालांकि राजनेता प्रतिद्वंद्वियों के प्रति विनम्र हो सकते हैं, लेकिन वे अपनी ही टीम के सदस्यों के प्रति शायद ही कभी वास्तविक घृणा दिखाते हैं।
5. यह क्यों मायने रखता है
पूर्वाग्रह को भाषा में एक "जहर" के रूप में नहीं, बल्कि एक फिल्टर के रूप में देखें जिसके माध्यम से हम दुनिया को देखते हैं।
- हम अपने दोस्तों की गलतियों को "दुर्घटना" (कम स्तर का विवरण) के रूप में वर्णित करते हैं और अपने दुश्मनों की गलतियों को "चरित्र दोष" (उच्च स्तर का निर्णय) के रूप में।
- यह शोध पत्र दिखाता है कि कंप्यूटर अब उस फिल्टर के माध्यम से देख सकते हैं। वे समझ सकते हैं कि हम अपने "कबीले" (tribe) के बारे में जिस तरह से बात करते हैं, वह "बाहरी लोगों" के बारे में बात करने के तरीके से मौलिक रूप से भिन्न है, भले ही हम विनम्र होने की कोशिश कर रहे हों।
निष्कर्ष (Takeaway)
यह अध्ययन एक सुरक्षा कैमरे को अपग्रेड करने जैसा है। पुराने कैमरे केवल हथियार पकड़े हुए लोगों को पकड़ते थे (स्पष्ट नफरत भरा भाषण)। ये नए कैमरे बॉडी लैंग्वेज और टोन का पता लगा सकते हैं जो यह प्रकट करते हैं कि कौन आंतरिक घेरे में है और कौन बाहर है, भले ही सभी मुस्कुरा रहे हों।
यह हमें सिखाता है कि पूर्वाग्रह अक्सर इस बात के बीच एक शांत, सूक्ष्म नृत्य है कि हम कौन हैं और हम किससे बात कर रहे हैं, और कंप्यूटर उस नृत्य के कदमों को सीखने में आश्चर्यजनक रूप से सक्षम हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।