Causal Inference with Generative Artificial Intelligence: Application to Texts as Treatments
यह शोध पत्र एक जेनेरेटिव एआई-पावर्ड इन्फरेंस (GPI) पद्धति प्रस्तावित करता है जो अनस्ट्रक्चर्ड टेक्स्ट से अधिक सटीक और कुशल कारण प्रभाव अनुमान (causal effect estimation) के लिए उपचार (treatments) उत्पन्न करने और उनके आंतरिक निरूपणों (internal representations) का उपयोग करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे डेटा से सीधे कॉज़ल रिप्रेजेंटेशन सीखने की आवश्यकता समाप्त हो जाती है और कन्फाउंडिंग (confounding) एवं ओवरलैप उल्लंघन (overlap violations) जैसी सामान्य चुनौतियों पर विजय 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 एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या कहानी का कोई विशिष्ट विवरण लोगों की किसी पात्र के प्रति भावनाओं को बदल देता है। मान लीजिए कि आप जानना चाहते हैं: क्या सैन्य पृष्ठभूमि होने से मतदाता किसी राजनेता को अधिक पसंद करते हैं?
समस्या यह है कि वास्तविक जीवन की कहानियाँ बहुत उलझी हुई होती हैं। सैन्य पृष्ठभूमि वाला एक राजनेता उम्र में बड़ा हो सकता है, उसका शिक्षा स्तर अलग हो सकता है, या उसने अपनी जीवनी अधिक भावनात्मक लहजे में लिखी हो सकती है। यदि आप बस दो यादृच्छिक (random) जीवनियों की तुलना करते हैं, तो आप यह नहीं बता पाएंगे कि मतदाताओं ने उम्मीदवार को सैन्य भाग के कारण पसंद किया या शिक्षा के भाग के कारण। विज्ञान में, हम इन उलझे हुए अतिरिक्त विवरणों को "कन्फाउंडर्स" (confounders) कहते हैं।
पारंपरिक रूप से, शोधकर्ता कंप्यूटर का उपयोग करके टेक्स्ट को "पढ़ने" और कन्फाउंडर्स का अनुमान लगाने की कोशिश करते हैं। लेकिन यह एक गंदी खिड़की को यह अनुमान लगाकर साफ करने जैसा है कि गंदगी कहाँ है; यह कठिन, धीमा और अक्सर गलत होता है।
यह पेपर एक नया टूल पेश करता है जिसे GPI (Generative-AI Powered Inference) कहा जाता है। यह कैसे काम करता है, इसके लिए एक सरल उपमा (analogy) यहाँ दी गई है:
जादुई फोटोकॉपी मशीन (The GenAI)
मौजूदा कहानियों को केवल पढ़ने के बजाय, शोधकर्ता एक "जादुई फोटोकॉपी मशीन" (एक लार्ज लैंग्वेज मॉडल, या LLM) का उपयोग उनके लिए कहानियाँ लिखने के लिए करते हैं।
- प्रॉम्प्ट (The Prompt): शोधकर्ता मशीन को निर्देश देते हैं: "एक ऐसे राजनेता की जीवनी लिखें जिसकी सैन्य पृष्ठभूमि है।" फिर, वे उसे कहते हैं: "एक ऐसे राजनेता की जीवनी लिखें जिसकी सैन्य पृष्ठभूमि नहीं है।"
- गुप्त ब्लूप्रिंट (The Secret Blueprint): यही इसकी सुपरपावर है। जब यह AI कहानी लिखता है, तो यह केवल शब्द नहीं उगल देता; यह अपने भीतर एक छिपा हुआ, आंतरिक "ब्लूप्रिंट" (एक गणितीय प्रतिनिधित्व) भी बनाता है कि उसने वास्तव में क्या लिखा है।
- चाल (The Trick): क्योंकि AI ने कहानी लिखी है, शोधकर्ताओं के पास यह पूर्ण, छिपा हुआ ब्लूप्रिंट उपलब्ध है। वे ठीक से जानते हैं कि AI ने सैन्य विषय के लिए क्या डाला है, और वह अन्य चीजों (जैसे शिक्षा या लहजे) के लिए क्या डाला है।
"डी-कन्फाउंडर" (The Deconfounder - द फिल्टर)
शोधकर्ता इस पूर्ण ब्लूप्रिंट का उपयोग एक विशेष फ़िल्टर बनाने के लिए करते हैं जिसे डी-कन्फाउंडर कहा जाता है।
- पुराना तरीका: कल्पना कीजिए कि आप लाल और नीले कंचों को अलग करने की कोशिश कर रहे हैं जो आपस में चिपके हुए हैं। आपको अंदाज़ा लगाना होगा कि उन्हें कैसे अलग किया जाए।
- GPI तरीका: क्योंकि AI ने कहानी लिखी है, शोधकर्ताओं के पास "निर्देश पुस्तिका" (instruction manual) है। वे ब्लूप्रिंट को देख सकते हैं और कह सकते हैं, "ठीक है, ब्लूप्रिंट का यह हिस्सा 'सैन्य' सामग्री है, और यह दूसरा हिस्सा 'शिक्षा' सामग्री है।" वे शिक्षा के हिस्से को खराब किए बिना सैन्य भाग को गणितीय रूप से अलग कर सकते हैं।
यह उन्हें यह पूछने की अनुमति देता है: "यदि हम शिक्षा और लहजे को बिल्कुल समान रखें, लेकिन केवल सैन्य भाग को बदल दें, तो मतदाता का स्कोर कैसे बदलता है?"
यह बेहतर क्यों है
पेपर का दावा है कि यह तरीका हाथ से चलने वाले कैलकुलेटर से सुपरकंप्यूटर में अपग्रेड करने जैसा है, जिसके दो मुख्य कारण हैं:
- सटीकता (Accuracy): क्योंकि वे टेक्स्ट के अर्थ का अनुमान लगाने के बजाय AI के वास्तविक आंतरिक ब्लूप्रिंट का उपयोग करते हैं, उन्हें बहुत स्पष्ट उत्तर मिलता है। उनके परीक्षणों में, उनकी विधि में कम "शोर" (त्रुटि) था और मौजूदा सर्वोत्तम तरीकों की तुलना में अधिक विश्वसनीय परिणाम मिले।
- गति (Speed): पुराने तरीके एक विशाल पहेली को हर एक टुकड़े को एक-एक करके देखने की तरह हैं। नया तरीका बॉक्स पर बनी तस्वीर होने जैसा है; यह समस्या को लगभग 100 गुना तेज़ी से हल करता है।
"टेक्स्ट रियूज" (Text Reuse) ट्विस्ट
शोधकर्ताओं ने एक दिलचस्प शॉर्टकट भी खोजा है। यदि आप एक मौजूदा जीवनी लेते हैं और AI से "इसी सटीक कहानी को फिर से लिखने" के लिए कहते हैं, तो AI उस पुराने टेक्स्ट के लिए एक नया, पूर्ण ब्लूप्रिंट बनाता है। इसका मतलब है कि आपको शून्य से नई कहानियाँ बनाने की भी आवश्यकता नहीं है; आप पुराने डेटा का उपयोग कर सकते हैं, उसे AI में डाल सकते हैं, और वही उच्च-गुणवत्ता वाले परिणाम प्राप्त कर सकते हैं।
निचोड़ (The Bottom Line)
पेपर का तर्क है कि जेनरेटिव AI का उपयोग केवल टेक्स्ट बनाने के लिए ही नहीं, बल्कि उस टेक्स्ट की छिपी हुई संरचना को समझने के लिए करके, हम अंततः सामाजिक विज्ञान में कारण और प्रभाव के उलझे हुए जाल को सुलझा सकते हैं।
- लक्ष्य: किसी एक विशिष्ट चीज़ (जैसे सैन्य सेवा) के प्रभाव को परिणाम (जैसे मतदाता की खुशी) पर मापना।
- समस्या: अन्य चीजें (कन्फाउंडर्स) इसमें मिली हुई हैं।
- समाधान: AI का उपयोग करके कहानी उत्पन्न करें या उसे फिर से लिखें, उसका "गुप्त ब्लूप्रिंट" प्राप्त करें, और शोर से कारण को पूरी तरह से अलग करने के लिए उसका उपयोग करें।
शोधकर्ताओं ने वास्तविक मतदाता सर्वेक्षणों पर इसका परीक्षण किया और पाया कि, हाँ, सैन्य पृष्ठभूमि वास्तव में मतदाताओं को उम्मीदवारों के प्रति अधिक सकारात्मक महसूस कराती है, और वे इसे पहले की तुलना में बहुत अधिक विश्वास और गति के साथ सिद्ध करने में सक्षम थे। वे यह भी नोट करते हैं कि यही तर्क भविष्य में छवियों और वीडियो के लिए भी काम कर सकता है, बशर्ते कि AI समान सटीकता के साथ उन्हें उत्पन्न कर 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।