Identifying nonlinear relations among random variables: A network analytic approach
यह शोध पत्र अवशेषीकरण (residualization) के साथ दूरी सहसंबंधों (distance correlations) का उपयोग करते हुए एक नवीन गैर-प्राचलीय (nonparametric) दृष्टिकोण प्रस्तुत करता है जो साइकोमेट्रिक नेटवर्क में गैर-रेखीय संबंधों को प्रभावी ढंग से पहचानने के लिए, मानक गॉसियन ग्राफिकल मॉडल की रैखिकता सीमाओं और मौजूदा गैर-रेखीय विधियों की कार्यात्मक रूप विनिर्देश आवश्यकताओं को पार करता 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
मानव मन की कल्पना एक हलचल भरे शहर के रूप में करें जहाँ हर विचार, भावना और व्यवहार एक इमारत है। एक सदी से अधिक समय से, वैज्ञानिक इन इमारतों को आपस में कैसे जोड़ा जाता है, इसका मानचित्र बनाने के लिए एक बहुत ही सरल उपकरण का उपयोग कर रहे हैं: एक ऐसा पैमाना जो केवल सीधी रेखाओं को मापता है। वे यह मान लेते हैं कि यदि एक इमारत (जैसे "दुखी महसूस करना") ऊँची होती है, तो दूसरी इमारत (जैसे "नींद में समस्या") या तो ऊँची होगी या छोटी, बिल्कुल एक सीधी और अनुमानित तरह से। यह "सीधी-रेखा" वाली सोच मनोविज्ञान को समझने के लिए स्वर्ण मानक रही है, चाहे वह अवसाद का अध्ययन हो या सामाजिक अंतःक्रियाओं का विश्लेषण। लेकिन क्या होगा अगर वास्तविक संबंध सीधे नहीं हैं? क्या होगा अगर दो भावनाओं के बीच का संबंध एक रोलरकोस्टर, एक U-आकार, या एक जटिल नृत्य की तरह है जहाँ कदम संगीत के साथ बदलते हैं? लंबे समय से, वैज्ञानिक इन टेढ़े-मेढ़े, घुमावदार या मुड़े हुए संबंधों को खोजने के लिए संघर्ष करते रहे हैं क्योंकि उनके मानक पैमाने झुक नहीं सकते। यदि वे इन घुमावों को मिस कर देते हैं, तो वे मन के शहर के काम करने के तरीके को गलत समझ सकते हैं, जिससे इस बात के बारे में गलत निष्कर्ष निकल सकते हैं कि लोग कैसा महसूस करते हैं।
यह शोध पत्र एक ऐसी टीम के बारे में है जिन्होंने एक नया प्रकार का मानचित्र बनाने वाला उपकरण बनाने का निर्णय लिया जो बिना यह अनुमान लगाए कि उनका आकार क्या होगा, इन पेचीदा, गैर-सीधी कड़ियों को पहचान सके। वे अपने इस नए उपकरण को "डिस्टेंस कोरिलेशन" (दूरी सहसंबंध) विधि कहते हैं, और उन्होंने इसे कंप्यूटर सिमुलेशन में नकली मनोवैज्ञानिक नेटवर्क बनाकर परखा। इसे एक ऐसे जासूस की तरह समझें जो पहले अपराध स्थल से सभी स्पष्ट, सीधी-रेखा वाले सुरागों को हटा देता है ताकि वे पूरी तरह से उन अजीब, छिपे हुए पैटर्न पर ध्यान केंद्रित कर सकें जो शेष रह जाते हैं। शोधकर्ताओं ने पाया कि उनका नया तरीका इन छिपे हुए, घुमावदार संबंधों को पहचानने में अविश्वसनीय रूप से अच्छा है, और अक्सर पुराने पैमानों (जैसे पियर्सन या स्पीयरमैन सहसंबंध) या अन्य जटिल उपकरणों की तुलना में बहुत बेहतर प्रदर्शन करता है। उन्होंने दिखाया कि जबकि पुराने तरीके या तो इस वक्र (curve) को मिस कर देते हैं या इससे भ्रमित हो जाते हैं, उनका नया दृष्टिकोण कह सकता है, "हे, यहाँ निश्चित रूप से एक संबंध है, और यह एक सीधी रेखा नहीं है!" हालाँकि, उन्होंने यह भी पाया कि जबकि यह उपकरण छिपे हुए वक्रों को खोजने में बहुत अच्छा है, यह आपको यह नहीं बताता कि उस वक्र का सटीक आकार क्या है। यह एक मेटल डिटेक्टर की तरह है जो खजाना मिलने पर बीप तो करता है लेकिन यह नहीं बताता कि वह सोने का सिक्का है या चांदी की अंगूठी। शोधकर्ता इस नए तरीके को दिलचस्प संबंधों को चिह्नित करने के लिए एक पहले चरण के रूप में उपयोग करने का सुझाव देते हैं, और फिर संबंध के सटीक आकार को समझने के लिए अन्य, अधिक विशिष्ट उपकरणों का उपयोग करने का सुझाव देते हैं।
घुमावदार संबंध की कहानी
मनोविज्ञान की दुनिया में, शोधकर्ता मानसिक स्वास्थ्य को समझने के लिए अक्सर "नेटवर्क मॉडल" का उपयोग करते हैं। किसी विकार को किसी व्यक्ति के भीतर एक छिपी हुई "बीमारी" के कारण मानने के बजाय, वे इसे आपस में बात करते लक्षणों के एक जाल के रूप में देखते हैं। उदाहरण के लिए, अवसाद में, नींद न आना कम ऊर्जा का कारण बन सकता है, जो चिड़चिड़ापन पैदा करता है, जो फिर से नींद लेने में कठिनाई पैदा करता है। इस जाल को खींचने के लिए, वैज्ञानिक आमतौर पर "गौसियन ग्राफिकल मॉडल" नामक विधि का उपयोग करते हैं। यह विधि बेहतरीन है, लेकिन इसमें एक बड़ी कमी है: यह केवल सीधी रेखाओं को देखती है। यह मानती है कि यदि एक लक्षण बढ़ता है, तो दूसरा भी एक सीधी, अनुमानित तरह से ऊपर या नीचे जाता है।
लेकिन जीवन—और मानव मन—शायद ही कभी इतना सरल होता है। कभी-कभी, दो चीजों के बीच का संबंध एक वक्र होता है। शायद थोड़ा सा तनाव आपको अच्छा प्रदर्शन करने में मदद करता है, लेकिन बहुत अधिक तनाव आपको तोड़ देता है (एक U-आकार)। शायद सामाजिक अंतःक्रियाएं एक बिंदु तक अच्छी होती हैं, लेकिन उसके बाद, वे आपको थकाने लगती हैं (एक ऐसा वक्र जो ऊपर जाता है और फिर समतल हो जाता है)। समस्या यह है कि इन जालों को खींचने के लिए उपयोग किए जाने वाले मानक उपकरण इन वक्रों को नहीं देख पाते। वे एक U-आकार के संबंध को देखकर कह सकते हैं, "यहाँ कोई संबंध नहीं है," क्योंकि रेखा ऊपर जाती है और फिर नीचे आती है, जिससे वे एक-दूसरे को काट देती हैं।
नया जासूसी उपकरण
इस शोध पत्र के लेखकों ने इस कमी को ठीक करना चाहा। उन्होंने पूछा: "हम इन घुमावदार, गैर-रेखीय संबंधों को बिना यह अनुमान लगाए कैसे खोज सकते हैं कि वक्र कैसा दिखेगा?" इसे करने के लिए, उन्होंने एक चतुर दो-चरणीय प्रक्रिया विकसित की।
सबसे पहले, उन्होंने रेसिडुअलाइजेशन (अवशेष निकालना) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास ऊन का एक उलझा हुआ गोला है जहाँ कुछ धागे सीधे हैं और कुछ घुमावदार। पहला चरण सभी सीधे धागों को बाहर निकालना और उन्हें फेंक देना है। अपने गणित में, उन्होंने एक विशेष मॉडल (जिसे जनरललाइज्ड एडिटिव मॉडल कहा जाता है) का उपयोग करके चरों के बीच के किसी भी सीधे-रेखा वाले संबंधों को हटा दिया। इससे केवल "बचे हुए" हिस्से—यानी उलझे हुए, घुमावदार, गैर-रेखीय हिस्से—पीछे रह गए।
दूसरे, उन्होंने डिस्टेंस कोरिलेशन (दूरी सहसंबंध) नामक एक नया मापने वाला पैमाना लागू किया। पारंपरिक पैमानों के विपरीत जो यह मापते हैं कि दो चीजें सीधी रेखा में कितनी साथ चलती हैं, डिस्टेंस कोरिलेशन यह मापता है कि डेटा बिंदुओं के बीच की दूरियां कितनी समान हैं। यदि दो चर किसी भी तरह से संबंधित हैं—चाहे वह सीधी रेखा हो, U-आकार हो, या सर्पिल (spiral) हो—तो उनके बिंदुओं के बीच की दूरियां भी एक साथ चलती हैं। यह वैसा ही है जैसे यह नोटिस करना कि जब भी दो दोस्त एक कमरे में एक-दूसरे से दूर होते हैं, तो वे दोनों दरवाजे की ओर बढ़ने लगते हैं, भले ही वे सीधी रेखा में न चल रहे हों।
सिमुलेशन ने क्या दिखाया
यह देखने के लिए कि क्या उनका नया उपकरण काम करता है, शोधकर्ताओं ने एक कंप्यूटर सिमुलेशन बनाया। उन्होंने तीन और चार "नोड्स" (या चर) वाले नकली नेटवर्क बनाए और उन्हें विशिष्ट संबंध रखने के लिए प्रोग्राम किया: कुछ सीधे, कुछ घुमावदार (जैसे वर्ग या लॉग), और कुछ जटिल अंतःक्रियाएं। फिर उन्होंने अपने नए तरीके का परीक्षण पुराने मानकों (पियर्सन और स्पीयरमैन सहसंबंध) और "कंडीशनल म्यूचुअल इंफॉर्मेशन" नामक एक अन्य उन्नत उपकरण के विरुद्ध किया।
परिणाम स्पष्ट थे: डिस्टेंस कोरिलेशन वक्रों को खोजने में चैंपियन था।
- इसने वह देखा जो दूसरे चूक गए: जब शोधकर्ताओं ने डेटा में एक घुमावदार संबंध को छिपाया, तो पुराने सीधी-रेखा वाले उपकरण अक्सर इसे देखने में विफल रहे, और शून्य संबंध रिपोर्ट किया। हालांकि, डिस्टेंस कोरिलेशन पद्धति ने लगभग हर बार संबंध को सफलतापूर्वक चिह्नित किया, विशेष रूप से जब उन्होंने सीधी रेखाओं को हटाने के लिए "रेसिडुअलाइजेशन" चरण का उपयोग किया।
- इसने अव्यवस्था को संभाला: सिमुलेशन में "कन्फाउंडर्स" (भ्रमित करने वाले कारक) शामिल थे—अतिरिक्त चर जो परिणामों को बिगाड़ सकते थे। भले ही अन्य चर हस्तक्षेप कर रहे थे, डिस्टेंस कोरिलेशन पद्धति वास्तविक गैर-रेखीय लिंक को पहचानने में बहुत अच्छी रही।
- "इंटरेक्शन" की चुनौती: एक पेचीदा मामला था। जब संबंध एक विशिष्ट प्रकार की जटिल अंतःक्रिया (जहाँ एक चर यह बदल देता है कि अन्य दो कैसे संबंधित हैं) थी, तो डिस्टेंस कोरिलेशन पद्धति "कंडीशनल म्यूचुअल इंफॉर्मेशन" टूल की तुलना में थोड़ी कम संवेदनशील थी यदि शुरुआत में कोई सीधी-रेखा वाला संबंध नहीं था। हालांकि, लेखकों ने उल्लेख किया कि वास्तविक जीवन में, बिना किसी सीधी-रेखा घटक के शुद्ध अंतःक्रियाएं दुर्लभ हैं। जब सीधी रेखाएं मौजूद थीं, तो डिस्टेंस कोरिलेशन ने बेहतर प्रदर्शन किया।
शोधकर्ताओं ने मूड (क्रोध, अकेलापन, घबराहट, नींद आना और अवसाद) के बारे में एक वास्तविक दुनिया के डेटासेट का भी अध्ययन किया। उन्होंने पाया कि उनके तरीके ने "क्रोधित" और "अकेलेपन" के बीच एक महत्वपूर्ण संबंध को पकड़ा जिसे पिछले सर्वोत्तम तरीके (एक मॉडरेटेड नेटवर्क दृष्टिकोण) ने मिस कर दिया था। यह सुझाव देता है कि उनका उपकरण उन संबंधों को खोज रहा है जिन्हें अन्य तरीके अनदेखा कर रहे हैं।
निष्कर्ष: वक्रों के लिए एक मानचित्र
इस शोध पत्र का मुख्य निष्कर्ष यह है कि डिस्टेंस कोरिलेशन, रेसिडुअलाइजेशन चरण के साथ मिलकर, मनोवैज्ञानिक डेटा में गैर-रेखीय संबंधों को खोजने का एक शक्तिशाली और लचीला तरीका है। इसके लिए शोधकर्ता को पहले से यह अनुमान लगाने की आवश्यकता नहीं है कि वक्र का आकार क्या होगा; यह बस आपको बताता है, "यहाँ एक संबंध है, और यह एक सीधी रेखा नहीं है।"
हालाँकि, लेखक अत्यधिक वादे करने से बचते हैं। वे इस बात पर जोर देते हैं कि यह एक एक्सप्लोरेटरी (अन्वेषणात्मक) उपकरण है। यह एक मेटल डिटेक्टर की तरह है जो आपको खुदाई करने के लिए बताने के लिए बीप करता है, लेकिन यह नहीं बताता कि आपको क्या मिलेगा। एक बार जब यह तरीका किसी संबंध को "गैर-रेखीय" के रूप में चिह्नित कर देता है, तो शोधकर्ताओं को अभी भी यह पता लगाने के लिए अन्य, अधिक विशिष्ट उपकरणों का उपयोग करने की आवश्यकता होती है कि वह वक्र वास्तव में कैसा दिखता है (क्या यह U-आकार है? सर्पिल है? या मॉडरेशन प्रभाव है?)।
लेखक कुछ सीमाओं का भी उल्लेख करते हैं। सिमुलेशन छोटे नेटवर्क (3 से 4 चर) पर किए गए थे, और लेखक स्वीकार करते हैं कि जैसे-जैसे नेटवर्क विशाल होते जाते हैं, गणित बहुत कठिन हो जाता है और "कर्स ऑफ डायमेंशनैलिटी" (जहाँ डेटा दूरियों को सटीक रूप से मापने के लिए बहुत विरल हो जाता है) एक समस्या बन सकती है। उन्होंने एकल समय बिंदु पर लिए गए डेटा पर ध्यान केंद्रित किया, जबकि वास्तविक मानसिक स्वास्थ्य गतिशील होता है और समय के साथ बदलता रहता है।
संक्षेप में, यह शोध पत्र छिपे हुए, घुमावदार कनेक्शनों को स्कैन करने के लिए एक नया, अत्यधिक संवेदनशील तरीका प्रदान करता है। यह सुझाव देता है कि इस पद्धति का उपयोग करके, शोधकर्ता उन जटिल, टेढ़े-मेढ़े संबंधों को मिस करना बंद कर सकते हैं जो मानव मन को इतना आकर्षक बनाते हैं, जिससे हमारे मानसिक जीवन के अधिक सटीक और सूक्ष्म मानचित्र बनाने का मार्ग प्रशस्त होता 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।