OATH-Frames: Characterizing Online Attitudes Towards Homelessness with LLM Assistants
यह शोध पत्र अमेरिका में बेघर होने के प्रति ऑनलाइन दृष्टिकोणों का विश्लेषण करने के लिए एक नौ-श्रेणी वाली वर्गीकरण पद्धति, OATH-Frames, प्रस्तुत करता है, और यह प्रदर्शित करता है कि डोमेन विशेषज्ञों की सहायता के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाने से 2.4 मिलियन ट्विटर पोस्टों के एनोटेशन को 6.5 गुना गति से और न्यूनतम प्रदर्शन हानि के साथ स्केल किया जा सकता है, जिससे विभिन्न जनसांख्यिकीय और क्षेत्रों में सार्वजनिक भावना के बारे में सूक्ष्म अंतर्दृष्टि प्राप्त होती 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 बेघर होने जैसे एक जटिल और भावनात्मक मुद्दे के बारे में लाखों लोगों की भावनाओं को समझने की कोशिश कर रहे हैं। यदि आप इस विषय पर हर एक ट्वीट को पढ़ने की कोशिश करेंगे, तो आप पलक झपकते ही टेक्स्ट के पहाड़ के नीचे दब जाएंगे। यह एक तेज़ धार वाली पानी की बौछार (firehose) से पानी पीने की कोशिश करने जैसा है।
यह शोध पत्र, जिसका शीर्षक "OATH-Frames" है, उस 'फायरहोस' में वास्तव में क्या है, इसे देखने के लिए एक बेहतर चश्मे के निर्माण के बारे में है। शोधकर्ताओं ने सामाजिक कार्य विशेषज्ञों (social work experts) और शक्तिशाली AI (लार्ज लैंग्वेज मॉडल्स) के मिश्रण का उपयोग करके अमेरिका में बेघर होने के बारे में 2.4 मिलियन ट्वीट्स को छाँटा।
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल भागों में विभाजित किया गया है:
1. समस्या: "एक ही आकार सबके लिए" वाला चश्मा (The "One-Size-Fits-All" Glasses)
इस अध्ययन से पहले, यदि आप बेघर होने के बारे में ट्वीट्स का विश्लेषण करना चाहते, तो आप मानक उपकरणों का उपयोग कर सकते थे जो केवल यह पूछते हैं: "क्या यह ट्वीट जहरीला (toxic) है?" या "क्या यह ट्वीट खुश है या दुखी?" (sentiment)।
शोधकर्ताओं का तर्क है कि ये उपकरण एक मिश्रित फलों की थैली को केवल "लाल" और "हरे" स्टिकर का उपयोग करके छाँटने की कोशिश करने जैसा हैं।
- दोष: एक ट्वीट कह सकता है, "बेघर लोग आलसी और गंदे हैं।" मानक उपकरण इसे मिस कर सकते हैं क्योंकि इसमें "गाली-गलौज" (कम विषाक्तता/low toxicity) नहीं है और यह "खुश" (नकारात्मक भावना/negative sentiment) भी नहीं है। लेकिन यह गहराई से हानिकारक है।
- वास्तविकता: लोगों के दृष्टिकोण जटिल होते हैं। आप एक बेघर व्यक्ति के लिए सहानुभूति भी महसूस कर सकते हैं और साथ ही सरकार के प्रति गुस्सा भी हो सकते हैं कि वह इसे ठीक क्यों नहीं कर रही, और यह सब एक ही वाक्य में हो सकता है। साधारण "अच्छे/बुरे" लेबल इस सूक्ष्मता (nuance) को पकड़ने में विफल रहते हैं।
2. समाधान: "OATH-Frames" मेनू
टीम ने नौ विशिष्ट श्रेणियों (frames) का एक नया "मेनू" बनाया है जो ठीक से बताता है कि लोग बेघर होने के बारे में कैसे बात कर रहे हैं। इसे केवल "भोजन" कहने के बजाय एक शेफ के 'टेस्टिंग मेनू' की तरह समझें।
उन्होंने इन नौ श्रेणियों को तीन मुख्य स्वादों में समूहबद्ध किया:
- आलोचनाएं (Critiques - शिकायतें):
- सरकारी आलोचना (Government Critique): राजनेताओं या कानूनों को दोष देना।
- सामाजिक आलोचना (Societal Critique): समाज या "पाखंडी" लोगों को दोष देना।
- धन सहायता (Money Aid): इस बारे में बहस करना कि टैक्स का पैसा कहाँ जाना चाहिए।
- धारणाएं (Perceptions - रूढ़ियाँ):
- हानिकारक सामान्यीकरण (Harmful Generalizations): सभी बेघर लोगों को चोर, नशा करने वाले या आलसी कहना।
- योग्य बनाम अयोग्य (Deserving vs. Undeserving): यह तर्क देना कि कुछ समूह (जैसे दिग्गज सैनिक/veterans) मदद के अधिक पात्र हैं जबकि अन्य (जैसे अप्रवासी) कम।
- मेरे पड़ोस में नहीं (NIMBY - Not In My Backyard): "मुझे बेघर लोगों से कोई समस्या नहीं है, बस मेरे पड़ोस में नहीं।"
- प्रतिक्रियाएं (Responses - क्रियाएं):
- समाधान (Solutions): सुधार, आश्रय स्थल या नीतिगत परिवर्तनों का सुझाव देना।
- व्यक्तिगत बातचीत (Personal Interaction): किसी बेघर व्यक्ति से मिलने की कहानी साझा करना।
- मीडिया चित्रण (Media Portrayal): इस बारे में बात करना कि समाचार या टीवी शो बेघर होने को कैसे दिखाते हैं।
3. प्रक्रिया: "मानव-AI नृत्य" (The "Human-AI Dance")
2.4 मिलियन ट्वीट्स को हाथ से छाँटना एक मानव टीम के लिए वर्षों का काम होगा। केवल AI के साथ छाँटना जोखिम भरा है क्योंकि AI सूक्ष्म सामाजिक संकेतों (जैसे व्यंग्य या विशिष्ट राजनीतिक संदर्भों) को गलत समझ सकता है।
इसलिए, उन्होंने एक "मानव-AI नृत्य" बनाया:
- विशेषज्ञ: सामाजिक कार्य विशेषज्ञों ने पहले नियम (मेनू) परिभाषित किए और AI को यह सिखाने के लिए ट्वीट्स के एक छोटे बैच को लेबल किया कि उसे क्या देखना है।
- AI सहायक (GPT-4): AI ने हजारों ट्वीट्स को लेबल करने की कोशिश की। जब वह भ्रमित हुआ, तो उसने अपने तर्क को समझाया (जैसे कोई छात्र अपना काम दिखा रहा हो)।
- जाँच (The Check-Up): मानव विशेषज्ञों ने AI के "काम" को देखा और गलतियों को सुधारा। उन्होंने पाया कि AI को भारी काम करने देकर और केवल परिणामों की जाँच करके, वे सटीकता में मामूली गिरावट के साथ 6.5 गुना तेजी से लेबलिंग कर सके।
- अंतिम चरण: एक बार जब AI ने विशेषज्ञों से बारीकियां सीख लीं, तो उन्होंने शेष 2.4 मिलियन ट्वीट्स को अपने आप लेबल करने के लिए एक छोटे, तेज़ AI मॉडल को प्रशिक्षित किया।
4. निष्कर्ष: छिपे हुए पैटर्न
एक बार जब उनके पास सभी 2.4 मिलियन ट्वीट्स नौ श्रेणियों में व्यवस्थित हो गए, तो वे उन पैटर्न को देख सके जो पहले अदृश्य थे।
- "विषाक्तता" (Toxicity) का अंधा मोड़: उन्होंने पाया कि कई ट्वीट्स जिनमें हानिकारक रूढ़ियाँ (जैसे बेघर लोगों को "गंदा" कहना) शामिल थीं, उनमें "विषाक्तता" का स्कोर कम था। AI के नए "OATH-Frames" ने इन्हें पकड़ लिया, जबकि पुराने उपकरण इन्हें छोड़ गए।
- स्थान मायने रखता है:
- कैलिफोर्निया, वाशिंगटन और ओरेगन में, लोग हानिकारक सामान्यीकरण (रूढ़ियों) का उपयोग करने की अधिक संभावना रखते थे। शोधकर्ताओं का मानना है कि ऐसा इसलिए है क्योंकि वहां अधिक दृश्य, बिना छत वाले बेघर आबादी मौजूद है, जिससे अधिक प्रत्यक्ष (और कभी-कभी नकारात्मक) प्रतिक्रियाएं होती हैं।
- न्यूयॉर्क में, लोग योग्य बनाम अयोग्य समूहों के बारे में अधिक बहस कर रहे थे। यह शहर में अप्रवासियों और शरणार्थियों के आगमन से जुड़ी खबरों से जुड़ा हुआ प्रतीत होता, जिससे इस बात पर बहस छिड़ गई कि किसे सहायता "मिलनी चाहिए"।
- "यूक्रेन बनाम अप्रवासी" विभाजन:
- जब लोगों ने अमेरिकी बेघर लोगों की तुलना यूक्रेनियों से की, तो ट्वीट्स मुख्य रूप से सरकारी आलोचना और धन सहायता के बारे में थे (जैसे, "हम यूक्रेन को अरबों रुपये भेज रहे हैं जबकि हमारे यहाँ बेघर लोग हैं? )।
- जब लोगों ने अमेरिकी बेघर लोगों की तुलना अप्रवासियों से की, तो ट्वीट्स बहुत अधिक शत्रुतापूर्ण थे, जो हानिकारक सामान्यीकरण और NIMBY दृष्टिकोणों से भरे थे (जैसे, "वे हमारी नौकरियां/आवास छीन रहे हैं")।
- समय मायने रखता है: बड़ी समाचार घटनाओं (जैसे रूसी-यूक्रेन युद्ध फंडिंग की बहस) के दौरान, विशिष्ट श्रेणियों में ट्वीट्स में उछाल आया। जब कांग्रेस यूक्रेन के लिए सहायता पर चर्चा कर रही थी, तो ट्वीट्स में "धन सहायता" और "योग्य बनाम अयोग्य" की बहसें अचानक बढ़ गईं।
निचोड़ (The Bottom Line)
इस शोध पत्र ने केवल ट्वीट्स की गिनती नहीं की; इसने कंप्यूटर को यह सिखाया कि बेघर होने के संबंध में मानवीय क्रोध, सहानुभूति और भ्रम की सूक्ष्मता को कैसे समझा जाए।
मानव सामाजिक कार्य विशेषज्ञता को AI की गति के साथ जोड़कर, उन्होंने एक ऐसा उपकरण बनाया जो उन सूक्ष्म, हानिकारक दृष्टिकोणों को पहचान सकता है जिन्हें मानक "मत या भले" (mean vs. nice) डिटेक्टर मिस कर देते हैं। उन्होंने दिखाया कि हम बेघर होने के बारे में कैसे बात करते हैं, यह इस पर निर्भर करता है कि हम कहाँ रहते हैं, हम तुलना किससे कर रहे हैं, और समाचारों में अभी क्या चल रहा है।
नोट: यह शोध पत्र पूरी तरह से इन ऑनलाइन दृष्टिकोणों का विश्लेषण करने पर केंद्रित है ताकि शोधकर्ता और वकालत समूह जनमत को बेहतर ढंग से समझ सकें। यह सीधे तौर पर बेघर होने की समस्या को हल करने या नैदानिक सलाह देने का दावा नहीं करता है, बल्कि समस्या को देखने के लिए एक स्पष्ट लेंस प्रदान करता 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।