Predicting Male Domestic Violence Using Explainable Ensemble Learning and Exploratory Data Analysis
यह अध्ययन एक उच्च-प्रदर्शन करने वाले, व्याख्या योग्य स्टैकिंग एन्सेम्बल मॉडल (ANN, CatBoost और लॉजिस्टिक रिग्रेशन का संयोजन) का उपयोग करके बांग्लादेश में पुरुष घरेलू हिंसा के कम पहचाने जाने वाले मुद्दे को संबोधित करता है, ताकि जोखिम कारकों की सटीक भविष्यवाणी की जा सके और अनुकूलित हस्तक्षेपों के लिए पारदर्शी अंतर्दृष्टि प्रदान की जा सके।
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
घरेलू हिंसा एक ऐसी छाया है जो अक्सर सबसे कमज़ोर लोगों पर पड़ती है, फिर भी उस छाया का आकार इस बात पर निर्भर करता है कि उसे कौन देख रहा है। दशकों से, घर के भीतर होने वाले दुर्व्यवहार की चर्चा लगभग पूरी तरह से महिलाओं को पीड़ित और पुरुषों को अपराधी के रूप में देखने पर केंद्रित रही है, एक ऐसा विमर्श जो इतना प्रभावी रहा है कि इसने अन्य वास्तविकताओं को पृष्ठभूमि में धकेल दिया है। कई समाजों में, बांग्लादेश सहित, पुरुष शक्ति और आत्मनिर्भरता की सांस्कृतिक अपेक्षाएं उन पुरुषों के इर्द-गिर्द एक चुप्पी पैदा करती हैं जो शोषण का शिकार होते हैं, जिससे वे बिना किसी सहायता या अपने दर्द को वर्णित करने वाली किसी भाषा के रह जाते हैं। इस छिपे हुए परिदृश्य को समझने के लिए, शोधकर्ताओं ने डेटा की ओर रुख किया है, आधुनिक कंप्यूटिंग के उपकरणों का उपयोग करके वहां पैटर्न खोजने के लिए जहां मानवीय अवलोकन विफल रहा है। हजारों व्यक्तियों की कहानियों को एकत्र करके और उन सांख्यिकीय विधियों को लागू करके जो सूक्ष्म संबंधों को पहचान सकती हैं, वैज्ञानिक सरल धारणाओं से आगे बढ़कर उस जटिल जाल को देख सकते हैं जो दुर्व्यवहार की ओर ले जाता है। यह दृष्टिकोण मानवीय सहानुभूति का स्थान नहीं लेता है, बल्कि समस्या का एक स्पष्ट मानचित्र प्रदान करता है, जो यह प्रकट करता है कि कैसे आर्थिक तनाव, पारिवारिक संरचनाएं और संबंध संबंधी गतिशीलता आपस में जुड़कर जोखिम पैदा करती हैं।
बांग्लादेश में शोधकर्ताओं की एक टीम ने पुरुषों के सामने आने वाले घरेलू हिंसा के विशिष्ट अनुभव को उजागर करने का प्रयास किया, जो एक ऐसा विषय है जिसे शैक्षणिक अध्ययन और सार्वजनिक नीति दोनों में काफी हद तक अनदेखा किया गया है। उन्होंने नौ प्रमुख शहरों के 2,000 विवाहित पुरुषों को सुनकर शुरुआत की, उनसे उनके जीवन, उनकी शादियों और उनके शोषण के अनुभवों के बारे में विस्तृत प्रश्न पूछे। उनके द्वारा एकत्र किए गए डेटा ने एक कठिन कहानी बताई: हालांकि अधिकांश पुरुषों ने शोषण की सूचना नहीं दी, लेकिन एक महत्वपूर्ण संख्या ने दी थी, फिर भी ये मामले अक्सर गैर-शोषण रिपोर्टों के समुद्र में दबे हुए थे, जिससे उन्हें पारंपरिक गणना विधियों से पहचानना कठिन हो गया था। शोधकर्ताओं ने पाया कि डेटा अत्यधिक विषम था, जिसमें शोषण के मामले गैर-शोषण के मामलों की तुलना में बहुत कम बार दिखाई देते थे, और इसमें श्रेणीगत विवरण भरे हुए थे—जैसे नौकरियों के प्रकार, पारिवारिक संरचनाएं और स्थान—जिन्हें मानक कंप्यूटर प्रोग्रामों के लिए संसाधित करना कठिन होता है। इस अव्यवस्थित, असंतुलित जानकारी को समझने के लिए, वे मशीन लर्निंग के एक परिष्कृत रूप की ओर मुड़े, जो कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) का एक प्रकार है जो डेटा की विशाल मात्रा में पैटर्न खोजकर सीखता है।
शोधकर्ताओं ने विभिन्न कंप्यूटर मॉडलों का परीक्षण किया, जिनमें सरल सांख्यिकीय उपकरणों से लेकर जटिल डीप लर्निंग सिस्टम तक शामिल थे, ताकि यह देखा जा सके कि कौन सा मॉडल शोषण की संभावना का सबसे अच्छी तरह से पूर्वानुमान लगा सकता है। उन्होंने पाया कि सबसे सफल दृष्टिकोण एक एकल मॉडल नहीं था, बल्कि मॉडलों की एक टीम थी जो मिलकर काम कर रही थी। उन्होंने विभिन्न एल्गोरिदम की शक्तियों को संयोजित किया, जिससे एक "स्टैकिंग" एंसेम्बल (समूह) का निर्माण हुआ जहाँ एक मॉडल के पूर्वानुमानों को उत्तर को परिष्कृत करने के लिए दूसरे में फीड किया जाता था। सबसे प्रभावी संयोजन में एक न्यूरल नेटवर्क का उपयोग किया गया, जो मानव मस्तिष्क के सूचना प्रसंस्करण के तरीके की नकल करता है, जिसे श्रेणीगत डेटा को संभालने के लिए डिज़ाइन किए गए एक विशेष मॉडल के साथ जोड़ा गया था, और अंत में एक अंतिम निर्णय लेने वाले द्वारा इसकी निगरानी की गई थी। इस हाइब्रिड प्रणाली ने उल्लेखनीय स्तर की सटीकता प्राप्त की, जिसने 95% बार शोषण के मामलों की सही पहचान की और गैर-मामलों से भी अधिक सटीकता के साथ अंतर किया। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ता केवल एक 'ब्लैक बॉक्स' नहीं चाहते थे जो केवल एक उत्तर दे दे; वे यह समझना चाहते थे कि मॉडल ने वे निर्णय क्यों लिए। 'एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस' तकनीकों का उपयोग करके, वे कंप्यूटर के तर्क की परतों को हटाकर देख सके कि कौन से कारक सबसे अधिक मायने रखते थे।
विश्लेषण से पता चला कि पुरुषों के खिलाफ घरेलू हिंसा का जोखिम किसी एक कारण से नहीं, बल्कि परिस्थितियों के एक जटिल परस्पर प्रभाव से संचालित होता है। कंप्यूटर मॉडलों ने पहचाना कि वित्तीय निर्भरता एक महत्वपूर्ण भूमिका निभाती है; वे पुरुष जो अपनी आय पर नियंत्रण नहीं रखते या जो अपनी कमाई का एक बड़ा हिस्सा अपनी पत्नियों को आवंटित करते हैं, वे उच्च जोखिम पर होते हैं। पारिवारिक संरचना एक अन्य शक्तिशाली कारक के रूप में उभरी, जहाँ संयुक्त परिवारों (जहाँ कई पीढ़ियां या रिश्तेदार एक ही घर साझा करते हैं) में रहने वाले पुरुष एकल-परिवार वाले घरों की तुलना में अधिक असुरक्षित होते हैं। विवाह का प्रकार भी मायने रखता था, जिसमें अरेंज्ड मैरिज (तयशुदा विवाह) ने प्रेम विवाह की तुलना में अलग जोखिम पैटर्न दिखाए, और विवाह की अवधि ने गैर-रेखीय तरीकों से शोषण की संभावना को प्रभावित किया। शायद सबसे आश्चर्यजनक रूप से, शोधकर्ताओं ने पाया कि शिक्षा का स्तर और व्यवसाय जैसे कारक, जो एक साधारण सर्वेक्षण में असंबंधित लग सकते हैं, जटिल मॉडल के लेंस से देखे जाने पर शक्तिशाली भविष्यवक्ता बन गए। एक पारंपरिक सांख्यिकीय परीक्षण में, ये कारक बिना किसी संबंध के दिखाई दे सकते थे, लेकिन उन्नत मशीन लर्निंग ने खुलासा किया कि उनका प्रभाव पूरी तरह से इस बात पर निर्भर करता है कि वे आय और परिवार के प्रकार जैसे अन्य चरों के साथ कैसे अंतःक्रिया करते हैं।
यह अध्ययन इस प्रचलित धारणा को चुनौती देता है कि घरेलू दुर्व्यवहार एकतरफा मुद्दा है, जो ठोस प्रमाण प्रदान करता है कि पुरुष भी पीड़ित हैं और उनके अनुभव विशिष्ट, पहचानने योग्य सामाजिक और आर्थिक दबावों द्वारा आकार लेते हैं। शोधकर्ताओं ने प्रदर्शित किया कि जबकि सरल सर्वेक्षण इन बारीकियों को छोड़ सकते हैं, उन्नत कम्प्यूटेशनल उपकरण दुर्व्यवहार की छिपी हुई गतिशीलता को उजागर कर सकते हैं, जिससे समस्या को समझने का एक नया तरीका मिलता है। उन्होंने दिखाया कि शोषण का जोखिम यादृच्छिक नहीं है बल्कि एक पैटर्न का पालन करता है जिसे समझा जा सकता है और, संभावित रूप से, संबोधित किया जा सकता है। उच्च-जोखिम वाले समूहों—जैसे बेरोजगार पुरुष, संयुक्त परिवारों में रहने वाले लोग, या विशिष्ट वित्तीय व्यवस्था वाले लोग—की पहचान करके, अध्ययन सामान्य जागरूकता से परे जाकर लक्षित हस्तक्षेपों की आवश्यकता की ओर संकेत करता है। यह कार्य सुझाव देता है कि सहायता प्रणालियों और कानूनी ढांचे को इन विशिष्ट कमजोरियों को पहचानने के लिए विकसित होने की आवश्यकता है, जिससे 'एक ही आकार सबके लिए उपयुक्त' (वन-साइज़-फिट्स-ऑल) दृष्टिकोण से हटकर एक ऐसे दृष्टिकोण की ओर बढ़ा जा सके जो पुरुष पीड़ितों की अनूठी चुनौतियों को स्वीकार करता हो।
अंततः, यह शोध कच्चे डेटा और मानवीय समझ के बीच एक सेतु के रूप में कार्य करता है, जो यह सिद्ध करता है कि तकनीक का उपयोग मौन को आवाज देने के लिए किया जा सकता है। निष्कर्ष कोई जादुई समाधान पेश नहीं करते हैं, बल्कि वे नीति निर्माताओं, सामाजिक कार्यकर्ताओं और समुदायों के लिए अधिक प्रभावी सहायता प्रणाली बनाने के लिए एक स्पष्ट, साक्ष्य-आधारित आधार प्रदान करते हैं। अदृश्य को दृश्यमान बनाकर, यह अध्ययन घरेलू हिंसा के बारे में अधिक ईमानदार बातचीत के द्वार खोलता है, यह सुनिश्चित करता है कि मदद उन लोगों तक पहुंचे जिन्हें इसकी सबसे अधिक आवश्यकता है, चाहे उनका लिंग कुछ भी हो। आगे का मार्ग इन अंतर्दृष्टि का उपयोग करके लक्षित कार्यक्रम तैयार करने में निहित है जो वित्तीय तनाव को संबोधित करें, पारिवारिक गतिशीलता में सुधार करें और पुरुषों के लिए मदद मांगने हेतु सुरक्षित स्थान बनाएं, जिससे डेटासेट के ठंडे नंबरों को उनके पीछे के लोगों के लिए एक अधिक गर्म और उत्तरदायी वास्तविकता में बदला जा सके।
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।