Standard Language Ideology in AI-Generated Language

तकनीकी सारांश: AI-जनित भाषा में मानक भाषा विचारधारा (Standard Language Ideology)

समस्या विवरण
लार्ज लैंग्वेज मॉडल्स (LLMs) और जनरेटिव AI सिस्टम वर्तमान में "मानक भाषा विचारधारा" को पुनरुत्पादित और सामान्यीकृत कर रहे हैं, जो एक समाजभाषाई अवधारणा है। यह अवधारणा उन विशिष्ट भाषाई विविधताओं (विशेष रूप से स्टैंडर्ड अमेरिकन इंग्लिश या SAE) के प्रति पूर्वाग्रह का वर्णन करती है जिन्हें अन्य विविधताओं की तुलना में उच्च प्रतिष्ठा, अधिकार और वैधता प्रदान की जाती है। यह केवल एक प्रदर्शन संबंधी विफलता नहीं है जहाँ मॉडल गैर-मानक बोलियों के साथ संघर्ष करते हैं; यह एक सामाजिक-तकनीकी मुद्दा है जहाँ AI सिस्टम सक्रिय रूप से भाषाई पदानुक्रमों को सुदृढ़ करते हैं। ये सिस्टम "मानक" विविधताओं को उचित डिफ़ॉल्ट के रूप में प्रस्तुत करते हैं और अल्पसंख्यक विविधताओं (जैसे अफ्रीकन अमेरिकन इंग्लिश, सिंग्लिश, क्षेत्रीय बोलियाँ) को रूढ़िवादिता, विनियोग (appropriation) और विलोपन (erasure) के माध्यम से हाशिए पर धकेल देते हैं। शोध पत्र का तर्क है कि ये मुद्दे विशुद्ध रूप से तकनीकी नहीं बल्कि संरचनात्मक हैं, जो उन शक्ति संबंधों को दर्शाते हैं जो यह निर्धारित करते हैं कि किसकी भाषा को प्रशिक्षण डेटा और मॉडल आउटपुट में संरक्षित, फ़िल्टर या प्रवर्धित किया जाएगा।

कार्यप्रणाली (Methodology)
लेखक एक बहुविषयक दृष्टिकोण अपनाते हैं, जो LLM मूल्यांकन से प्राप्त मौजूदा अनुभवजन्य साक्ष्यों को समाजशास्त्र और आलोचनात्मक भाषा अध्ययन के सैद्धांतिक ढांचों के साथ जोड़ता है।

• सैद्धांतिक आधार: विश्लेषण समाजशास्त्रियों द्वारा पहचाने गए मानक भाषा विचारधारा के तंत्रों पर आधारित है: आइकनीकरण (भाषाई विशेषताओं को सामाजिक सार से जोड़ना), फ्रैक्टरल रिकर्सिविटी (उप-समूहों के भीतर विरोधों को प्रक्षेपित करना), और विलोपन (उन तथ्यों को छिपाना जो प्रमुख आख्यान के विपरीत हों)।
• विश्लेषणात्मक प्रक्रिया: टीम ने भाषाई पूर्वाग्रह के संबंध में LLM के बड़े पैमाने के अध्ययनों और व्यवस्थित मूल्यांकनों की एक केंद्रित समीक्षा की, जिसे भाषाई असमानता पर व्यापक साहित्य समीक्षा के साथ पूरक बनाया गया। विश्लेषण विवादात्मक (स्थापित समाजशास्त्रीय तंत्रों को एक ढांचे के रूप में लागू करना) और आगमनात्मक (अनुभवजन्य निष्कर्षों को इन श्रेणियों में पुनरावृत्ति से मानचित्रित करना) दोनों था।
• संश्लेषण: लेखकों ने प्रलेखित AI अभिव्यक्तियों को वर्गीकृत किया और उन्हें संभावित सामाजिक निहितार्थों से जोड़ा, जिससे एक संरचित ढांचा तैयार हुआ जो यह समझा सके कि कैसे AI में भाषाई पूर्वाग्रह शक्ति की व्यापक प्रणालियों को दर्शाते हैं और सुदृढ़ करते हैं।

प्रमुख योगदान
इस शोध पत्र का प्राथमिक योगदान "स्टैंडर्ड AI-जनरेटेड लैंग्वेज आइडियोलॉजी" का परिचय देना और खुले प्रश्नों का एक बहुआयामी वर्गीकरण (taxonomy) प्रस्तुत करना है जो इस अवधारणा को संचालित करता है। यह वर्गीकरण मॉडल की त्रुटियों के साधारण सर्वेक्षण से आगे बढ़कर उन संरचनात्मक तंत्रों को वर्गीकृत करता है जिनके माध्यम से LLMs भाषाई शक्ति पदानुक्रमों को पुनरुत्पादित करते हैं। यह वर्गीकरण पांच विशिष्ट समस्याओं की पहचान करता है:

1. "मानक" भाषा का डिफ़ॉल्ट के रूप में सामान्यीकरण: LLMs व्यवस्थित रूप से प्रतिष्ठित विविधताओं (SAE) को डिफ़ॉल्ट के रूप में चुनते हैं, भले ही उन्हें गैर-मानक इनपुट के साथ प्रॉम्प्ट दिया गया हो। यह इस धारणा को पुख्ता करता है कि मानक विविधताएं संचार के एकमात्र "सही" या तटस्थ मोड हैं, जिससे संभावित रूप से 'ऑटोमेशन बायस' बढ़ सकता है जहाँ उपयोगकर्ता उन AI आउटपुट पर अधिक भरोसा करते हैं जो इन मानदंडों के अनुरूप होते हैं।
2. अल्पसंख्यक विविधताओं के लिए असमान सेवा की गुणवत्ता: गैर-मानक विविधताओं के बोलने वालों को प्रदर्शन में गिरावट का सामना करना पड़ता है, जिसमें कम समझ, इनपुट को विषाक्त/घृणित के रूप में गलत वर्गीकृत करना और उत्तर देने से इनकार करना शामिल है। यह 'एलोकेशनल हार्म' (बंटवारे संबंधी हानि) है, जो उपयोगकर्ताओं को "डिजिटल कोड-स्विचिंग" के लिए प्रेरित करता है और मनोवैज्ञानिक बोझ डालता है।
3. रूढ़िबद्ध और नस्लीयकृत उत्पादन: जब मॉडल अल्पसंख्यक विविधताओं में टेक्स्ट उत्पन्न करते हैं, तो वे अक्सर शैलीबद्ध, अतिरंजित या अपमानजनक सामग्री बनाते हैं। यह 'नस्लीयकरण' (racialization) को दर्शाता है, जहाँ भाषाई रूप नकारात्मक सामाजिक पहचान और नैतिक निर्णय के लिए एक प्रॉक्सी बन जाता है।
4. विनियोग और वस्तुकरण (Appropriation and Commodification): LLMs उन समुदायों से सांस्कृतिक और भाषाई मूल्य निकालने में सक्षम बनाते हैं जिनका उन समुदायों के प्रति कोई जवाबदेही या लाभ नहीं होता। इसमें "भाषाई मिनस्ट्रलरी" (गैर-मूल निवासी वक्ताओं द्वारा बोलियों का विनियोग करना) और भाषा के ऐतिहासिक और जातीय मूल का विलोपन (जैसे AAE को "Gen Z स्लैंग" के रूप में पुन: ब्रांड करना) शामिल है।
5. दमन और विलोपन: गैर-मानक आउटपुट को दबाने के "हानि से बचने" के प्रयास संस्थागत विलोपन को पुनरुत्पादित करने का जोखिम उठाते हैं, जहाँ वैध भाषाई रूपों को तकनीकी बुनियादी ढांचे से बाहर धकेल दिया जाता है, जिससे AI पारिस्थितिकी तंत्र का भाषाई भविष्य संकुचित हो जाता है।

परिणाम और निष्कर्ष
यह शोध पत्र मौजूदा अनुभवजन्य साक्ष्यों को संश्लेषित करके यह प्रदर्शित करता है कि LLMs केवल गैर-मानक विविधताओं के साथ "संघर्ष" नहीं करते हैं, बल्कि सक्रिय रूप से भाषाई पचारुक्रमों के निर्माण में भाग लेते हैं:

• प्रदर्शन में असमानता: अध्ययन दिखाते हैं कि AAE और अन्य गैर-मानक विविधताओं के लिए टेक्स्ट जनरेशन और सेंटिमेंट एनालिसिस जैसे कार्यों में उच्च पर्प्लेक्सिटी (perplexity) और कम सटीकता होती है।
• डिफ़ॉल्ट व्यवहार: शोध इंगित करता है कि गैर-मानक इनपुट के साथ प्रॉम्प्ट दिए जाने पर भी, मॉडल आउटपुट SAE ऑर्थोग्राफी और सिंटैक्स की ओर लौट जाते हैं, जिससे बोली संबंधी विशेषताओं में महत्वपूर्ण कमी आती है (जैसे जमैकन और अफ्रीकन-अमेरिकन इंग्लिश इनपुट के लिए >96% की कमी)।
• रूढ़िवादिता: मूल वक्ता (Native speakers) अल्पसंख्यक विविधताओं के लिए AI आउटपुट को मानक विविधताओं की तुलना में काफी अधिक अपमानजनक और उपदेशात्मक (condescending) पाते हैं।
• डेटा असमानता: प्रशिक्षण डेटा में अंग्रेजी का प्रभुत्व (लगभग 60% इंटरनेट सामग्री बनाम 17% वैश्विक वक्ता) और डेटा स्क्रैपिंग के दौरान गैर-मानक विविधताओं को फ़िल्टर करना, मानक भाषा विचारधारा के भौतिक परिणाम हैं, न कि केवल तकनीकी सीमाएँ।
• संप्रभु AI संदर्भ: शोध पत्र नोट करता है कि जबकि "सॉवरेन AI" पहल (जैसे भारत में) अंग्रेजी के प्रभुत्व का मुकाबला करने का लक्ष्य रखती है, वे आंतरिक भाषाई पदानुक्रमों को पुनरुत्पादित करने का जोखिम उठाती हैं यदि वे बोलीगत और स्वदेशी विविधता के बजाय राज्य-परिभाषित "मानक" रूपों को प्राथमिकता देती हैं।

महत्व और सिफारिशें
यह शोध पत्र दावा करता है कि इन मुद्दों को केवल इंजीनियरिंग सुधारों (जैसे बेहतर डेटा संतुलन) के माध्यम से हल नहीं किया जा सकता क्योंकि वे शक्ति संबंधों और संस्थागत प्राथमिकताओं में निहित हैं। लेखक "मुक्तिवादी परिणामों" (emancipatory outcomes) की ओर बढ़ने का तर्क देते हैं जो जवाबदेही, सामुदायिक एजेंसी, नियंत्रण और स्वामित्व को प्राथमिकता देते हैं।

शोध पत्र शोधकर्ताओं, फंडर्स और अभ्यासकर्ताओं के लिए तीन ठोस सिफारिशें प्रस्तावित करता है:

1. मूल्यांकन मेट्रिक्स का विस्तार करें: मॉडल मूल्यांकन ढांचे में भाषा विविधता को नुकसान (जाति और लिंग के साथ) के आकलन के लिए एक श्रेणी के रूप में स्पष्ट रूप से शामिल किया जाना चाहिए, जिससे विलोपन, रूढ़िवादिता और उपदेशात्मकता का पता लगाने के लिए बेंचमार्क विकसित किए जा सकें।
2. समुदाय के नेतृत्व वाले विकास का समर्थन करें: बहुपक्षीय संस्थानों को भाषा समुदायों को अपने स्वयं के डेटासेट और मॉडल बनाने के लिए (जैसे Masakhane, AI4Bharat, Te Hiku Media) वित्त पोषण और समर्थन करना चाहिए। यह एपिस्टेमिक अथॉरिटी (ज्ञान संबंधी अधिकार) को वापस वक्ताओं को सौंपता है और विनियोग के तर्क को चुनौती देता है।
3. सहभागी प्रक्रियाओं को लागू करें: प्रमुख AI प्रणालियों के डेवलपर्स को AI जीवनचक्र (डेटा संग्रह, प्रशिक्षण, तैनाती) के दौरान अल्पसंख्यक समुदायों को समान भागीदार के रूप में शामिल करना चाहिए। इसमें निष्पक्ष मुआवजा, डेटा संप्रभुता का सम्मान और निष्कर्षणत्मक (extractive) डेटा प्रथाओं से गैर-निष्कर्षणत्मक भागीदारी की ओर बढ़ना शामिल है।

शोध पत्र का निष्कर्ष है कि भाषाई विविधता को केवल प्रबंधित की जाने वाली तकनीकी चुनौती के रूप में नहीं, बल्कि एक न्यायपूर्ण AI भविष्य के लिए संरक्षित और बनाए रखने योग्य संसाधन के रूप में पहचाना जाना चाहिए। यह इस बात पर जोर देता है कि भाषा मॉडलों के लिए कोई एक एकल "सही" व्यवहार नहीं है; बल्कि, ध्यान इस बात पर होना चाहिए कि इन प्रणालियों के व्यवहार को तय करने का अधिकार किसके पास है।