📊 statistics

The co-varying ties between networks and item responses via latent variables

यह शोध पत्र एक नवीन जॉइंट नेटवर्क एंड आइटम रिस्पॉन्स मॉडल (JNIRM) प्रस्तुत करता है जो सहसंबद्ध गुप्त चरों (correlated latent variables) का उपयोग करता है ताकि यह प्रदर्शित किया जा सके कि कैसे शिक्षकों के परामर्श नेटवर्क उनके संतुष्टि और छात्रों के प्रति धारणाओं को महत्वपूर्ण रूप से प्रभावित करते हैं, जबकि यह पारंपरिक पृथक मॉडलिंग दृष्टिकोणों से बेहतर प्रदर्शन करता है।

मूल लेखक: Selena Wang, Plamena Powla, Tracy Sweet, Subhadeep Paul

प्रकाशित 2026-02-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Selena Wang, Plamena Powla, Tracy Sweet, Subhadeep Paul

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 एक स्कूल एक विशाल, चहल-पहल वाले मधुमक्खी के छत्ते की तरह है। इस छत्ते में दो मुख्य चीजें हो रही हैं जिन्हें शोधकर्ता समझना चाहते हैं:

गूंज (द नेटवर्क): कौन किससे बात करता है? कौन सलाह मांगता है, और कौन देता है? यह स्कूल का "सामाजिक मानचित्र" है।
मिजाज (द आइटम रिस्पॉन्स): मधुमक्खियां कैसा महसूस कर रही हैं? क्या वे अपने काम से खुश हैं? क्या उन्हें लगता है कि छत्ते को चलाने में उनकी कोई भूमिका है? क्या उन्हें लगता है कि नन्ही मधुमक्खियां (छात्र) अच्छा कर रही हैं? इन भावनाओं को एक प्रश्नावली के उत्तरों के रूप में दर्ज किया जाता है।

लंबे समय तक, वैज्ञानिकों ने इन दोनों चीजों का अलग-अलग अध्ययन किया। वे एक नक्शा बनाते थे कि कौन किससे बात करता है, और फिर सर्वेक्षण के उत्तर देखते थे, या इसके विपरीत। यह किसी व्यक्ति को समझने के लिए सोमवार को उसके कॉल लॉग को देखने और मंगलवार को उसकी डायरी प्रविष्टि को देखने जैसा है, बिना कभी उन दोनों को जोड़ने के।

पुराने तरीके के साथ समस्या
इस शोध के लेखक तर्क देते हैं कि यह अलगाव बड़े चित्र (बिग पिक्चर) को देखने से चूक जाता है।

यदि आप केवल "कॉल लॉग" (नेटवर्क) को देखते हैं, तो आप यह मिस कर सकते हैं कि लोग कॉल क्यों कर रहे हैं।
यदि आप केवल "डायरी" (सर्वेक्षण) को देखते हैं, तो आप यह मिस कर सकते हैं कि किसने उन भावनाओं को प्रभावित किया।
साथ ही, कभी-कभी दो बहुत अलग सामाजिक मानचित्र एक जैसे दिख सकते हैं यदि आप केवल यह गिनते हैं कि प्रत्येक व्यक्ति ने "कितनी कॉल" कीं। आप रिश्तों के आकार को खो देते हैं।

नया समाधान: "डबल-डेक" बस
शोधकर्ताओं (सेलेना वांग और उनकी टीम) ने एक नया सांख्यिकीय उपकरण बनाया जिसे JNIRM (जॉइंट नेटवर्क एंड आइटम रिस्पॉन्स मॉडल) कहा जाता है।

JNIRM को एक डबल-डेक बस के रूप में सोचें जहाँ ऊपरी डेक और निचला डेक एक विशेष लिफ्ट द्वारा जुड़े हुए हैं।

ऊपरी डेक (द नेटवर्क): इसमें वह अदृश्य "निर्देशांक" (कोऑर्डिनेनेट्स) होते हैं कि कौन किसका दोस्त है। यह केवल इस बारे में नहीं है कि कौन लोकप्रिय है; यह उन छिपे हुए कारणों के बारे में है जिनकी वजह से लोग जुड़ते हैं।
निचला डेक (द सर्वे): इसमें वह अदृश्य "निर्देशांक" होते हैं कि शिक्षक अपने काम, छात्रों और नीतियों के बारे में कैसा महसूस करते हैं।
लिफ्ट (द लेटेंट वेरिएबल्स): यह जादुई हिस्सा है। मॉडल यह मानता है कि एक शिक्षक का छिपा हुआ व्यक्तित्व या छिपी हुई शैली (लेटेंट वेरिएबल) ही यह तय करती है कि वे किसे बात करेंगे और वे कैसा महसूस करेंगे।

इस बस को चलाने और लिफ्ट को ऊपर-नीचे करने के माध्यम से, मॉडल यह सुनिश्चित करता है कि "कौन किससे बात करता है" वाला डेटा "वे कैसा महसूस करते हैं" वाले डेटा को समझने में मदद करे, और इसके विपरीत। वे एक-दूसरे को सूचित करते हैं, जैसे दो जासूस एक रहस्य को तेजी से सुलझाने के लिए सुराग साझा करते हैं।

उन्होंने क्या खोजा?
इस नए बस (मॉडल) का उपयोग करते हुए, उन्होंने 14 अलग-अलग स्कूलों के शिक्षकों का अध्ययन किया। यहाँ उन्होंने जो पाया वह है:

"पूरकता" का सिद्धांत (The Complementarity Principle): कुछ स्कूलों में, शिक्षक उन लोगों से सलाह लेना पसंद करते हैं जो संतुष्टि के मामले में उनसे विपरीत होते हैं।
- उपमा: कल्पना कीजिए कि एक चिड़चिड़ा शिक्षक जो स्कूल से बहुत नाखुश है। वे एक बहुत ही खुश और आशावादी शिक्षक से सलाह ले सकते हैं ताकि खुद को संतुलित कर सकें। या, एक बहुत संतुष्ट शिक्षक एक आलोचनात्मक व्यक्ति से बात कर सकता है ताकि वास्तविकता का पता चल सके। वे केवल उन लोगों के साथ नहीं रहते जो बिल्कुल उनके जैसे हैं; वे उस "गुमशुदा हिस्से" की तलाश करते हैं जो उनके पजल को पूरा करता है।
सबसे महत्वपूर्ण क्या है: सलाह लेने वाला नेटवर्क इस बात से मजबूती से जुड़ा था कि शिक्षक अपनी संतुष्टि और छात्रों के बारे में कैसा महसूस करते हैं। हालांकि, नेटवर्क का स्कूल की नीतियों (जैसे नियम और विनियम) के बारे में उनकी भावनाओं पर कोई प्रभाव नहीं पड़ा। यह कहने जैसा है कि, "आप किससे बात करते हैं वह आपके मूड और बच्चों के प्रति आपकी दृष्टि को बदल सकता है, लेकिन यह प्रिंसिपल के नए नियम पुस्तिका पर आपकी राय को नहीं बदलता।"
बेहतर भविष्यवाणियां: क्योंकि यह मॉडल मैप और मूड दोनों का एक साथ उपयोग करता है, यह भविष्य के संबंधों और भावनाओं की बहुत बेहतर भविष्यवाणी करता है। यह मौसम के पूर्वानुमान जैसा है जो केवल एक चीज़ के बजाय हवा की गति और नमी दोनों का उपयोग करता है।

यह क्यों मायने रखता है?
यह केवल गणित के बारे में नहीं है; यह स्कूलों को बेहतर बनाने के बारे में है।

यदि हम जानते हैं कि एक शिक्षक की खुशी इस बात से जुड़ी है कि वे किससे बात करते हैं, तो स्कूल के नेता बेहतर सहायता समूह बनाने में मदद कर सकते हैं।
यदि हम जानते हैं कि शिक्षक सलाह के लिए "विपरीत" लोगों की तलाश करते हैं, तो हम विविध मेंटरिंग (मार्गदर्शन) जोड़ों को प्रोत्साहित कर सकते हैं।
सबसे महत्वपूर्ण बात यह है कि यह विधि सिद्ध करती है कि आप केवल एक टुकड़े को देखकर एक सामाजिक प्रणाली को नहीं समझ सकते। आपको पूरे चित्र को देखना होगा, जहाँ "कौन" और "क्या" एक साथ नृत्य कर रहे हैं।

संक्षेप में:
यह शोध पत्र सामाजिक समूहों का अध्ययन करने का एक स्मार्ट तरीका पेश करता है। "आप किसे जानते हैं" और "आप कैसा महसूस करते हैं" को अलग-अलग सूचियों के रूप में मानने के बजाय, यह उन्हें एक ही सिक्के के दो पहलुओं के रूप में देखता है, जिससे छिपे हुए पैटर्न सामने आते हैं जो हमें यह समझने में मदद करते हैं कि मानवीय संबंध हमारी खुशी और प्रदर्शन को कैसे आकार देते हैं।

यहाँ Wang et al. के शोध पत्र "The co-varying ties between networks and item responses via latent variables" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सामाजिक नेटवर्क (विशेष रूप से शिक्षक परामर्श संबंधों) और आइटम रिस्पॉन्स डेटा (स्कूल के माहौल से संबंधित सर्वेक्षण प्रतिक्रियाएं, जैसे संतुष्टि, नीतिगत प्रभाव और छात्र धारणा) के बीच संबंध को मॉडल करने की चुनौती को संबोधित करता है।

मौजूदा विधियों की सीमाएँ:
- पृथक मॉडलिंग (Separate Modeling): नेटवर्क और विशेषताओं (attributes) का अलग-अलग विश्लेषण उनके बीच की संभावित निर्भरता की अनदेखी करता है।
- एक-दिशीय मॉडल (One-Directional Models): मौजूदा दृष्टिकोण जैसे कि कोवेरिएट्स के साथ एक्सपोनेंशियल रैंडम ग्राफ मॉडल (ERGMs) या सोशल इन्फ्लुएंस मॉडल, या तो नेटवर्क को या विशेषताओं को एक निश्चित भविष्यवक्ता (fixed predictor) के रूप में मानते हैं, जिससे उनके बीच के सह-संबंधी स्वभाव को पकड़ने में विफलता होती है।
- सारांश सांख्यिकी (Summary Statistics): नेटवर्क को सारांश सांख्यिकी (जैसे नोड डिग्री) में बदलने से संरचनात्मक जानकारी (जैसे सामुदायिक संरचना) लुप्त हो जाती है।
- मापन त्रुटि (Measurement Error): दो-चरणीय दृष्टिकोण (पहले लेटेंट कारकों को निकालना, फिर रिग्रेशन करना) अक्सर प्रारंभिक कारक अनुमान से जुड़ी अनिश्चितता की अनदेखी करते हैं।
- आइटम रिस्पॉन्स का सरलीकरण: प्रश्नावली के आइटम्स को सरल विशेषताओं के रूप में मानना, बिना उन्हें लेटेंट मनोवैज्ञानिक निर्माणों (latent psychological constructs) के संकेतक के रूप में मॉडल किए, मापन प्रक्रिया का सरलीकरण करता है।

2. कार्यप्रणाली: जॉइंट नेटवर्क एंड आइटम रिस्पॉन्स मॉडल (JNIRM)

लेखक JNIRM का प्रस्ताव करते हैं, जो एक नवीन कोवेरिएंस जॉइंट फ्रेमवर्क है जो सह-संबंधित लेटेंट वेरिएबल्स का उपयोग करके नेटवर्क डेटा और आइटम रिस्पॉन्स डेटा को एक साथ मॉडल करता है।

A. मॉडल के घटक (Model Components)

नेटवर्क घटक (लेटेंट स्पेस मॉडल):
- यह निर्देशित नेटवर्क को मॉडल करने के लिए मल्टीप्लिकेटिव UV प्रभाव के साथ एक वेक्टर लेटेंट स्पेस मॉडल का उपयोग करता है।
- एक प्रेषक (sender) $a$ और प्राप्तकर्ता (receiver) $b$ के लिए, कनेक्शन को इस प्रकार मॉडल किया जाता है: $X_{a,b} = \delta + u_a^T v_b + e_{a,b}$ ।
- $u_a$ और $v_b$ क्रमशः प्रेषक और प्राप्तकर्ता के लिए $K$ -आयामी लेटेंट पोजीशन वेक्टर हैं।
- यह निरंतर एज वेट्स (continuous edge weights) और बाइनरी नेटवर्क (प्रोबिट लिंक के माध्यम से जहाँ $X_{a,b}=1$ यदि लेटेंट निरंतर माप $>0$ है) दोनों को संभालता है।
- इसमें पारस्परिकता (reciprocity) को ध्यान में रखने के लिए एक भीतर-डायड सहसंबंध पैरामीटर ( $\rho$ ) शामिल है।
आइटम रिस्पेंस घटक (लेटेंट वेरिएबल मॉडल):
- यह सर्वेक्षण प्रतिक्रियाओं ( $Y$ ) को आइटम स्लोप ( $\alpha$ ), आइटम इंटरसेप्ट ( $\beta$ ), और व्यक्ति के लेटेंट वेरिएबल्स ( $\theta$ ) के फलन के रूप में मॉडल करता है।
- समीकरण: $Y_{p,i} = \beta_i + \alpha_i^T \theta_p + \epsilon_{p,i}$ ।
- यह आइटम प्रतिक्रियाओं को लेटेंट मनोवैज्ञानिक निर्माणों (जैसे संतुष्टि, नीतिगत प्रभाव) के संकेतक के रूप में मानता है।
जॉइंट घटक (The Link):
- मुख्य नवाचार यह मानना है कि नेटवर्क के लेटेंट वेरिएबल्स ( $u_p, v_p$ ) और आइटम रिस्पॉन्स ( $\theta_p$ ) एक संयुक्त मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन का पालन करते हैं:
  $(u_p, v_p, \theta_p)^T \sim MVN(0, \Sigma_{u\theta})$
- कोवेरिएंस मैट्रिक्स $\Sigma_{u\theta}$ नेटवर्क निर्माण और आइटम प्रतिक्रियाओं के बीच निर्भरता को कैप्चर करता है।
- यदि ऑफ-डायगोनल ब्लॉक $\Lambda_{u\theta}$ गैर-शून्य है, तो यह नेटवर्क संरचना और सर्वेक्षण द्वारा मापे गए लेटेंट गुणों के बीच निर्भरता को दर्शाता है।

B. अनुमान और निष्कर्ष (Estimation and Inference)

बायेसियन अनुमान (Bayesian Inference): मॉडल का अनुमान गिब्स सैंपलर (MCMC) का उपयोग करके लगाया जाता है।
- लेटेंट वेरिएबल्स ( $U, V, \Theta$ ), कोवेरिएंस मैट्रिसेस और हाइपरपैरामीटर्स के लिए पूर्ण कंडीशनल डिस्ट्रीब्यूशन निकाले जाते हैं।
- बाइनरी डेटा के लिए, लेटेंट निरंतर वेरिएबल्स को संभालने के लिए डेटा ऑग्मेंटेशन का उपयोग किया जाता है।
पहचान क्षमता (Identifiability): मॉडल रोटेशनल इंडिटरमिनेसी (rotational indeterminacy) को संबोधित करने के लिए लेटेंट वेरिएबल्स को केंद्रित करता है और वेक्टर उत्पादों ( $UV^T$ और $\Theta A^T$ ) के पोस्टीरियर मीन के सिंगुलर वेक्टर्स का उपयोग अनुमान के रूप में करता है, न कि स्वयं लेटेंट वेरिएबल्स का।
परिकल्पना परीक्षण (Hypothesis Testing):
- स्वतंत्रता का मल्टीवेरिएट टेस्ट: विलक्स लैम्ब्डा (Wilks' $\lambda$ ) का उपयोग करके $H_0: \Lambda_{u\theta} = 0$ का परीक्षण करता है।
- कैनोनिकल कोरिलेशन एनालिसिस (CCA): नेटवर्क आयामों और आइटम रिस्पॉन्स आयामों के रैखिक संयोजनों को खोजने के लिए उपयोग किया जाता है जो सहसंबंध को अधिकतम करते हैं, ताकि निर्भरता की प्रकृति की व्याख्या की जा सके।

3. मुख्य योगदान (Key Contributions)

नवीन फ्रेमवर्क: JNIRM पेश करता है, जो एक पूर्णतः निर्दिष्ट सांख्यिकीय मॉडल है जो नेटवर्क और आइटम रिस्पॉन्स डेटा को संयुक्त रूप से अनुमानित करता है, जिससे द्विदिश निष्कर्ष (bidirectional inference) संभव होता है और दोनों डोमेन में लुप्त डेटा (missing data) को संभाला जा सकता है।
लेटेंट-स्तर एकीकरण: पिछले तरीकों के विपरीत जो प्रेक्षित डेटा (observed data) को जोड़ते हैं, JNIRM दोनों डोमेन के लेटेंट कंस्ट्रक्ट्स को जोड़ता है, जो अंतर्निहित तंत्रों की अधिक मजबूत समझ प्रदान करता है।
बेहतर अनुमान: यह प्रदर्शित करता है कि संयुक्त मॉडलिंग, अलग मॉडलिंग या दो-चरणीय दृष्टिकोणों की तुलना में पैरामीटर अनुमान त्रुटि को कम करती है और मॉडल फिट में सुधार करती है, विशेष रूप से लेटेंट फैक्टर अनुमान से जुड़ी अनिश्चितता को ध्यान में रखकर।
दिशात्मकता को संभालना: एक कोवेरिएंस-आधारित ढांचे का उपयोग करके, मॉडल कारणता (causality) की दिशा के बारे में पूर्व ज्ञान की आवश्यकता को समाप्त करता है (नेटवर्क $\to$ गुण बनाम गुण $\to$ नेटवर्क), और संबंध को सह-संबंधी (correlational) के रूप में मानता है।

4. परिणाम (Results)

कार्यप्रणाली को नेब्रास्का के 14 स्कूलों के 378 शिक्षकों के एक डेटासेट पर लागू किया गया, जिसमें सलाह लेने वाले नेटवर्क (advice-seeking networks) और स्कूल के माहौल संबंधी प्रश्नावली का विश्लेषण किया गया।

स्कूल 56 केस स्टडी:
- महत्वपूर्ण निर्भरता: एडवाइजिंग नेटवर्क और आइटम रिस्पॉन्स के बीच एक सांख्यिकीय रूप से महत्वपूर्ण संबंध पाया गया (Wilks' $\lambda = 0.084, p = 0.009$ )।
- पूरकता सिद्धांत (Complementarity Principle): CCA ने खुलासा किया कि शिक्षक उन लोगों से सलाह लेना पसंद करते हैं जो उनसे "संतुष्टि" के मामले में भिन्न हैं। विशेष रूप से, उच्च संतुष्टि स्कोर वाले शिक्षक कम संतुष्टि वाले लोगों से सलाह लेते हैं (और इसके विपरीत)।
- मॉडल फिट: JNIRM ने आउट-ऑफ-सैंपल भविष्यवाणी (AUC: 0.800 बनाम 0.727) में अलग एडेप्टिव मल्टीलीनियर एम्बेडिंग (AME) मॉडल को पछाड़ दिया और नेटवर्क सांख्यिकी (नोड डिग्री, डायडिक डिपेंडेंस) की बेहतर रिकवरी दिखाई।
- आइटम कोवेरिएंस: JNIRM ने अलग मॉडलिंग की तुलना में आइटम कोवेरिएंस की बेहतर रिकवरी दिखाई।
क्रॉस-स्कूल सारांश:
- 14 में से 3 स्कूलों में महत्वपूर्ण संबंध पाए गए।
- सभी स्कूलों में, संतुष्टि (satisfaction) और छात्रों के प्रति धारणा (perceptions of students) सबसे अधिक बार एडवाइजिंग नेटवर्क से संबंधित पाए गए, जबकि नीतियों पर कथित प्रभाव (perceived influence over policies) ने कमजोर या असंगत संबंध दिखाए।
सिमुलेशन अध्ययन:
- सिमुलेशन ने पुष्टि की कि जब सैंपल साइज मध्यम ( $N=100$ ) हो, तो JNIRM मॉडल पैरामीटर्स (बायस, वेरिएंस, MSE) को उचित रूप से रिकवर कर सकता है।
- कम स्पार्स नेटवर्क ( $N=24$ ) में, इंटरसेप्ट और वेरिएंस अनुमान में मामूली बायस देखे गए, लेकिन बड़े सैंपल या कम स्पार्स नेटवर्क के लिए ये नगण्य थे।

5. महत्व (Significance)

सैद्धांतिक प्रगति: JNIRM, सोशल नेटवर्क एनालिसिस (SNA) और साइकोमेट्रिक्स (Item Response Theory) के बीच की खाई को पाटता है, जो एक ऐसा एकीकृत ढांचा प्रदान करता है जहाँ दोनों रिलेशनल और एट्रिब्यूट डेटा लेटेंट और परस्पर निर्भर होते हैं।
व्यावहारिक अनुप्रयोग: निष्कर्ष बताते हैं कि स्कूल क्लोजर हस्तक्षेपों में सलाह लेने की पूरकता (complementarity) पर विचार किया जाना चाहिए; शिक्षकों को उन साथियों के साथ जुड़ने से लाभ हो सकता है जिनके पास स्कूल संतुष्टि पर अलग दृष्टिकोण हैं।
सामान्यीकरण (Generalizability): यह फ्रेमवर्क शिक्षा के अलावा अन्य क्षेत्रों में भी लागू किया जा सकता है, जैसे न्यूरोसाइंस (ब्रेन कनेक्टिविटी बनाम क्षेत्रीय वॉल्यूम), अर्थशास्त्र (सोशल मीडिया नेटवर्क बनाम उपभोक्ता व्यवहार), और सार्वजनिक स्वास्थ्य।
मेथोडोलॉजिकल कठोरता: "दो-चरणीय" त्रुटि से बचकर और स्पष्ट रूप से कोवेरिएंस संरचना को मॉडल करके, JNIRM जटिल, उच्च-आयामी डेटा संरचनाओं के लिए अधिक विश्वसनीय निष्कर्ष प्रदान करता है।