Paying Attention to Deflections: Mining Pragmatic Nuances for Whataboutism Detection in Online Discourse
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
मुख्य समस्या: "क्या बारे में?" का जाल (The "What About?" Trap)
कल्पना कीजिए कि आप अपने एक दोस्त के साथ गरमागरम बहस कर रहे हैं। आप कहते हैं, "आप मीटिंग में देर से आए थे।" इसके बजाय, आपका दोस्त जवाब देता है, "अच्छा, उस समय के बारे में क्या हुआ जब आप पिछले साल देर से आए थे?"
यही व्हाटअबाउटिज़्म (Whataboutism) है। यह एक अलंकारिक चाल (rhetorical trick) है जहाँ कोई व्यक्ति किसी अलग, अक्सर असंबंधित मुद्दे की ओर इशारा करके आलोचना से ध्यान भटकाता है, ताकि मूल आलोचना कम महत्वपूर्ण लगे या दर्शकों को भ्रमित किया जा सके। यह एक जादूगर की तरह है जो आपके बाएं हाथ में लाल रुमाल लहराता है ताकि आप ध्यान न दें कि वह अपने दाएं हाथ से आपकी घड़ी चुरा रहा है।
लंबे समय तक, सोशल मीडिया पर इस चाल को पकड़ने की कोशिश करने वाले कंप्यूटर (AI) बहुत ही सरल या नादान थे। वे केवल विशिष्ट वाक्यांश "What about?" (क्या बारे में?) की तलाश करते थे। यदि उन्हें वे दो शब्द दिख जाते, तो वे उसे एक चाल के रूप में चिह्नित कर देते थे।
इस शोध पत्र की बड़ी खोज:
लेखकों ने महसूस किया कि यह एक ऐसे सुरक्षा गार्ड की तरह है जो केवल लाल टोपी पहनने वाले लोगों को रोकता है। लेकिन क्या होगा अगर चालाक व्यक्ति ने नीली टोपी पहनी हो? या क्या होगा अगर कोई सिर्फ एक वास्तविक प्रश्न पूछने के लिए "मौसम के बारे में क्या?" कहे, न कि किसी को धोखा देने के लिए?
यह शोध पत्र तर्क देता है कि "What about?" एक गिरगिट (chameleon) है। कभी-कभी यह प्रचार का एक हथियार (एक भटकाव) होता है, और कभी-कभी यह एक अच्छे तर्क का वैध हिस्सा (एक चुनौती या सुझाव) होता है। कंप्यूटर को केवल शब्दों को नहीं, बल्कि संदर्भ (context) और इरादे (intent) को समझने की आवश्यकता है।
नए डेटासेट्स: बातचीत पर एक नई दृष्टि
कंप्यूटर को यह बारीकी सिखाने के लिए, शोधकर्ताओं ने YouTube और Twitter से वास्तविक टिप्पणियों का उपयोग करके दो नए "प्रशिक्षण जिम" (डेटासेट्स) बनाए।
- YouTube जिम: उन्होंने यूक्रेन युद्ध या अमेरिकी राजनीति जैसे विवादास्पद विषयों पर समाचार वीडियो के नीचे की टिप्पणियों को देखा। उन्होंने पाया कि YouTube की टिप्पणियाँ अक्सर अराजक और असंबद्ध होती हैं, जैसे भीड़ भरे स्टेडियम में लोग चिल्ला रहे हों।
- Twitter जिम: उन्होंने रिप्लाई थ्रेड्स (reply threads) को देखा। ये एक संरचित बहस की तरह हैं, जहाँ एक व्यक्ति बोलता है और अन्य सीधे उत्तर देते हैं।
उन्होंने विशेषज्ञों को इन बातचीत को पढ़ने और लेबल करने के लिए काम पर रखा: "क्या यह भटकाने वाली चाल है?" या "क्या यह एक वैध बिंदु है?" उन्होंने पाया कि पिछले डेटासेट्स बहुत छोटे थे और उन्होंने माना था कि हर "What about" एक चाल है। उनका नया डेटा दिखाता है कि इनमें से कई वास्तव में वैध तर्क हैं।
पुराने तरीकों की विफलता: "कोसाइन सिमिलरिटी" का अंधा मोड़ (The "Cosine Similarity" Blind Spot)
शोधकर्ताओं ने उन मानक, उच्च-तकनीकी AI उपकरणों का उपयोग किया जो आमतौर पर अन्य कार्यों (जैसे फेक न्यूज का पता लगाने या वाक्य के अर्थ को समझने) के लिए बहुत अच्छा काम करते हैं। उन्होंने कोसाइन सिमिलरिटी (Cosine Similarity) पर आधारित विधियों का उपयोग किया।
उपमा (Analogy):
कल्पना कीजिए कि आप एक गैलरी में एक "नकली" पेंटिंग खोजने की कोशिश कर रहे हैं। पुराना तरीका यह मापता है कि नकली पेंटिंग असली पेंटिंग से कितनी मिलती-जुलती है। यदि नकली पेंटिंग बहुत अलग है, तो कंप्यूटर सोचता है, "ठीक है, तो यह निश्चित रूप से नकली होनी चाहिए!"
लेकिन व्हाटअबाउटिज़्म पेचीदा है। एक भटकाव (deflection) सतह पर एक वैध तर्क जैसा ही दिखता है। वे एक ही तरह के शब्दों और व्याकरण का उपयोग करते हैं। पुराने AI उपकरण भ्रमित हो गए क्योंकि वे सिमेंटिक सिमिलरिटी (semantic similarity) (क्या इन वाक्यों का अर्थ एक ही है?) के बजाय प्रैग्मैटिक डिफरेंस (pragmatic difference) (ये वाक्य अलग-अलग कार्य कैसे कर रहे हैं?) को देखने में विफल रहे।
शोध पत्र ने पाया कि ये मानक उपकरण इस चाल को पकड़ने में बहुत खराब थे। वे या तो भटकाव को पहचानने में चूक जाते थे या निर्दोष प्रश्नों को गलत तरीके से चाल के रूप में चिह्नित कर देते थे।
समाधान: MINA (माइनिंग नेगेटिव्स विद अटेंशन)
लेखकों ने एक नई विधि का आविष्कार किया जिसे MINA (माइनिंग नेगेटिव्स विद अटेंशन) कहा जाता है।
उपमा (Analogy):
कल्पना कीजिए कि आप भीड़ में एक जासूस को पहचानने की कोशिश कर रहे हैं।
- पुरानी विधि: आप एक व्यक्ति को देखते हैं और पूछते हैं, "क्या यह जासूस जैसा दिखता है?"
- MINA विधि: आप उस व्यक्ति को देखते हैं, और फिर आप कमरे में मौजूद बाकी सभी लोगों को देखते हैं। आप पूछते हैं, "यह व्यक्ति सबसे अधिक अलग कैसे व्यवहार कर रहा है?"
MINA एक विशेष "अटेंशन मैकेनिज्म" (वाक्य के विशिष्ट भागों पर ध्यान केंद्रित करने का एक तरीका) का उपयोग करके काम करता है। यह केवल एक टिप्पणी की तुलना किसी सामान्य "अच्छे" या "बुरे" उदाहरण से नहीं करता है। इसके बजाय, यह टिप्पणी और आसपास की बातचीत को देखता है, और फिर पूछता है: "इस बातचीत में कौन सी अन्य टिप्पणी है जो इस एक के सबसे अधिक प्रैग्मैटिक रूप से विपरीत है?"
यह "नेगेटिव सैंपल" (वह उदाहरण जो यह साबित करता है कि यह कोई चाल नहीं है) को ढूंढता है, जो बातचीत में सूक्ष्म बदलावों पर ध्यान देकर काम करता है। यह एक जासूस की तरह है जो न केवल संदिग्ध को देखता है, बल्कि यह समझने के लिए भी देखता है कि संदिग्ध किसे अनदेखा कर रहा है या किसका खंडन कर रहा है ताकि उसका वास्तविक इरादा समझा जा सके।
परिणाम: एक बड़ी छलांग
जब उन्होंने इस नए "अटेंशन" तरीके का परीक्षण किया:
- YouTube पर, इसने पिछले सर्वोत्तम तरीकों की तुलना में पहचान सटीकता में 10% का सुधार किया।
- Twitter पर, इसने सटीकता में 4% का सुधार किया।
यह क्यों मायने रखता है:
यह शोध पत्र दिखाता है कि भटकाव को पकड़ने के लिए, आप केवल शब्दों को नहीं देख सकते। आपको बातचीत के नृत्य (dance) को समझना होगा। नया तरीका, MINA, सफलतापूर्वक उन "डांस स्टेप्स" को पहचानने में सक्षम रहा जो एक भटकाव का संकेत देते हैं, न कि केवल शब्दों को याद रखने में।
यह पेपर क्या नहीं कहता है
- यह दावा नहीं करता कि यह इंटरनेट पर सभी गलत सूचनाओं को ठीक कर देगा।
- यह दावा नहीं करता कि बड़े लैंग्वेज मॉडल्स (जैसे चैटबॉट्स को चलाने वाले) बेकार हैं; बल्कि, इसने पाया कि इस विशिष्ट "अटेंशन" ट्रिक के बिना, वे इस प्रकार की बारीकी को समझने में संघर्ष करते हैं।
- यह चिकित्सा निदान या क्लिनिकल उपयोग के लिए उपयोग करने का सुझाव नहीं देता है। यह पूरी तरह से ऑनलाइन टेक्स्ट के विश्लेषण के बारे में है।
सारांश
यह शोध पत्र कंप्यूटर को "शब्द मिलाने वाले" (word-matchers) बनने के बजाय "संदर्भ पढ़ने वाले" (context-readers) बनने के बारे में है। एक ऐसी नई तकनीक का उपयोग करके जो इस बात पर ध्यान देती है कि एक बातचीत में टिप्पणियाँ एक-दूसरे से कैसे भिन्न हैं, शोधकर्ताओं ने "व्हाट अबॉट?" भटकाव की चाल को पकड़ने के लिए एक बेहतर डिटेक्टर बनाया है, जिससे यह सिद्ध होता है कि शब्दों से अधिक महत्वपूर्ण शब्दों के पीछे का इरादा समझना है।
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।