Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity

वित्त की दुनिया में, कंपनियों के लिए अपने धन, अपने ऋण और अपनी भविष्य की योजनाओं के बारे में विस्तृत रिपोर्ट प्रकाशित करना अनिवार्य है। दशकों तक, यह धारणा थी कि इन रिपोर्टों को समझने की कठिनाई पूरी तरह से दस्तावेज़ पर निर्भर करती है। यदि कोई रिपोर्ट लंबी थी, जटिल वाक्यों से भरी थी, या सघन तालिकाओं से युक्त थी, तो उसे "पढ़ने में कठिन" माना जाता था, और यह कठिनाई उस कागज़ का एक स्थिर गुण मानी जाती थी। इस विचार ने शोधकर्ताओं के निवेशक व्यवहार के अध्ययन के तरीके को आकार दिया, यह मानते हुए कि एक जटिल रिपोर्ट सभी को समान रूप से भ्रमित करेगी, चाहे वह पाठक कोई भी हो या वे किन उपकरणों का उपयोग कर रहे हों। हालाँकि, सूचना देने का तरीका बदल गया है। कंपनियाँ अब इन रिपोर्टों को एक साथ दो रूपों में प्रस्तुत करती हैं: एक पारंपरिक दस्तावेज़ जो मानवीय आँखों के लिए है, और एक संरचित डिजिटल फ़ाइल जिसे कंप्यूटर द्वारा तुरंत पढ़ने के लिए डिज़ाइन किया गया है। यह बदलाव एक नया प्रश्न खड़ा करता है: क्या एक रिपोर्ट की कठिनाई वही रहती है जब एक मनुष्य उसे पढ़ता है बनाम जब एक मशीन उसे प्रोसेस करती है?

शोधकर्ताओं की एक टीम ने इसे हल करने के लिए हाथ लगाया कि वित्तीय रिपोर्ट की कठिनाई को एक एकल संख्या के रूप में नहीं, बल्कि तीन चीजों के मिलकर काम करने के परिणाम के रूप में देखा जाए: पाठक, कार्य और इंटरफ़ेस। वे देखना चाहते थे कि क्या पुराने नियम अभी भी लागू होते हैं जहाँ कृत्रिम बुद्धिमत्ता (AI) और स्वचालित सॉफ़्टवेयर तेजी से उन दस्तावेजों को पढ़ने वाले बन रहे हैं। ऐसा करने के लिए, उन्होंने अमेरिकी प्रतिभूति और विनिमय आयोग (SEC) के ऐतिहासिक डेटा को देखा, हजारों आधुनिक फाइलिंग का विश्लेषण किया, और एक व्यापक प्रयोग चलाया जहाँ उन्होंने कंप्यूटर मॉडल को विभिन्न तरीकों का उपयोग करके कंपनी की रिपोर्टों के बारे में प्रश्न पूछने के लिए कहा। उनका कार्य प्रकट करता है कि एक वित्तीय रिपोर्ट की जटिलता दस्तावेज़ का एक स्थिर गुण नहीं है। इसके बजाय, यह इस पर निर्भर करता है कि प्रश्न कौन पूछ रहा है और वह इसे कैसे पूछ रहा है।

शोधकर्ताओं ने शुरुआत में इतिहास के एक विशिष्ट क्षण को देखने से की जब फाइलिंग के नियम बदल गए थे। लगभग 2009 के आसपास, बड़ी कंपनियों के लिए आवश्यक बनाया गया कि वे अपने मानक रिपोर्टों के साथ-साथ XBRL नामक एक विशेष, मशीन-पठनीय प्रारूप में अपना वित्तीय डेटा प्रस्तुत करें। टीम ने सरकारी वेबसाइट के ट्रैफ़िक लॉग का पुनर्निर्माण किया ताकि यह देख सकें कि लोगों और कंप्यूटरों ने इस परिवर्तन के प्रति कैसी प्रतिक्रिया दी। उन्होंने पाया कि यह नियम एक साधारण 'ऑन-ऑफ' स्विच की तरह काम नहीं करता था। जबकि इस आवश्यकता ने मशीन-पठनीय फ़ाइलों के उपयोग को बढ़ाया, इसने मानक दस्तावेज़ों को पढ़ने वाले लोगों की संख्या में भारी गिरावट नहीं की। अधिक महत्वपूर्ण बात यह है कि डेटा ने सुझाव दिया कि दोनों प्रारूप अलग-अलग उद्देश्यों की पूर्ति करते थे। मशीन-पठनीय फ़ाइलों का उपयोग अधिक अक्सर स्वचालित प्रणालियों द्वारा किया जाता था, जबकि मानव-पठनीय दस्तावेज़ सीधे पढ़ने के लिए प्राथमिक स्रोत बने रहे। यह संकेत देता था कि रिपोर्ट पढ़ने का "बोझ" बदल रहा था। एक मनुष्य के लिए, बोझ अभी भी लंबे टेक्स्ट के पन्नों को पढ़ने के बारे में था। एक मशीन के लिए, बोझ एक संरचित फ़ाइल के भीतर सही नंबरों को खोजना था।

आज इन दोनों दुनियाओं के बीच कैसे परस्पर क्रिया होती है, इसे समझने के लिए शोधकर्ताओं ने 2,00,000 से अधिक आधुनिक फाइलिंग का परीक्षण किया। उन्होंने एक आश्चर्यजनक पैटर्न पाया: जिन कंपनियों ने मनुष्यों के लिए सबसे लंबे, सबसे जटिल रिपोर्ट तैयार किए, वे अक्सर वही कंपनियाँ थीं जिन्होंने मशीनों के लिए सबसे समृद्ध, सबसे विस्तृत डेटा प्रदान किया। अतीत में, शोधकर्ता यह मान सकते थे कि एक लंबी रिपोर्ट सभी के लिए बस "कठिन" होती है। नए डेटा ने दिखाया कि एक रिपोर्ट एक व्यक्ति के लिए उसकी लंबाई और शब्दावली के कारण बहुत कठिन हो सकती है, फिर भी एक कंप्यूटर के लिए विशिष्ट तथ्यों को निकालने के लिए अत्यंत आसान हो सकती है। इसका अर्थ है कि जटिलता को मापने का पुराना तरीका—शब्दों या वाक्य की लंबाई गिनना—अब पूरी कहानी नहीं बताता। एक रिपोर्ट एक ही समय में मनुष्य के लिए "कठिन" और मशीन के लिए "आसान" हो सकती है। शोधकर्ताओं ने यह भी पाया कि बड़ी कंपनियाँ, जिनके पास अधिक जटिल व्यवसाय होते हैं, उनमें उच्च मानव पठन भार और उच्च मशीन सुलभता दोनों होने की प्रवृत्ति होती है। यह सुझाव देता है कि जो एक व्यक्ति के लिए आसान है और जो एक कंप्यूटर के लिए आसान है, उनके बीच का अंतर यादृच्छिक (रैंडम) नहीं है; यह आधुनिक वित्तीय प्रणाली की एक संरचनात्मक विशेषता है।

अध्ययन का सबसे खुलासा करने वाला हिस्सा एक नियंत्रित प्रयोग था जहाँ शोधकर्ताओं ने परीक्षण किया कि कृत्रिम बुद्धिमत्ता इन रिपोर्टों के बारे में प्रश्नों के उत्तर देने में कितनी सक्षम है। उन्होंने कंपनी की वित्त व्यवस्था के बारे में 432 विशिष्ट प्रश्न लिए, जैसे कि "शुद्ध आय क्या थी?" या "वर्तमान अनुपात क्या है?" और छह अलग-अलग AI मॉडल से उन्हें उत्तर देने के लिए कहा। उन्होंने इन प्रश्नों का बारह अलग-अलग स्थितियों के तहत परीक्षण किया। कुछ मामलों में, AI को पूरा, अव्यवस्थित मानवीय दस्तावेज़ दिया गया था। अन्य मामलों में, इसे केवल उन तथ्यों की एक पूरी तरह से व्यवस्थित सूची दी गई थी जिनकी इसे आवश्यकता थी। कुछ मामलों में, AI को तथ्य स्वयं खोजने थे, जबकि अन्य मामलों में, तथ्य इसे सीधे सौंप दिए गए थे।

परिणाम स्पष्ट और विशिष्ट थे। जब AI को पूर्ण मानवीय दस्तावेज़ दिया गया और उसे स्वयं नंबर खोजने थे, तो वह केवल लगभग 47 प्रतिशत बार ही सही उत्तर दे पाया। हालाँकि, जब शोधकर्ताओं ने AI को बिल्कुल वही टेक्स्ट दिया लेकिन इसे इस तरह व्यवस्थित किया कि प्रासंगिक तथ्य आसानी से मिल सकें, तो सटीकता उछलकर लगभग 100 प्रतिशत हो गई। इसने सिद्ध कर दिया कि AI के लिए मुख्य समस्या भाषा या गणित को न समझ पाना नहीं थी। समस्या यह थी कि वह हजारों शब्दों के बीच सही नंबरों को नहीं ढूंढ पा रहा था। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या विशेष मशीन-पठनीय प्रारूप (XBRL) प्लेन टेक्स्ट की तुलना में स्वाभाविक रूप से बेहतर है। उन्होंने पाया कि एक बार जब AI को दोनों प्रारूपों में बिल्कुल समान तथ्य दिए गए, तो सटीकता में अंतर लगभग शून्य था। मशीन-पठनीय प्रारूप का लाभ स्वयं प्रारूप से नहीं, बल्कि इस तथ्य से आया कि इसने आवश्यक विशिष्ट नंबरों को खोजने में आसानी प्रदान की।

यह निष्कर्ष इस विचार को चुनौती देता है कि केवल मशीन-पठनीय प्रारूप में स्विच करने से सभी समस्याएँ हल हो जाती हैं। शोधकर्ताओं ने दिखाया कि वास्तविक बाधा "साक्ष्य स्थानीयकरण" (एविडेंस लोकलाइजेशन) है—एक बड़े दस्तावेज़ में सही जानकारी को खोजने की क्षमता। यदि कंप्यूटर नंबर ढूंढ सकता है, तो वह सही उत्तर की गणना कर सकता है, चाहे वह नंबर एक संरचित फ़ाइल से आया हो या एक साधारण टेक्स्ट दस्तावेज़ से। अध्ययन ने यह भी परीक्षण किया कि क्या AI अपने प्रशिक्षण डेटा से उत्तरों को याद कर रहा था। उन्होंने रिपोर्टों में नंबरों को बदलकर नए, काल्पनिक मान रखे और फिर से AI से उत्तर देने को कहा। AI ने अभी भी सही उत्तर दिए, जिससे सिद्ध हुआ कि वह वास्तव में दस्तावेज़ को पढ़ रहा था और काम कर रहा था, न कि केवल पुराने तथ्यों को याद कर रहा था।

अध्ययन निष्कर्ष निकालता है कि हम अब एक वित्तीय रिपोर्ट की जटिलता को एक एकल, स्थिर स्कोर के रूप में नहीं मान सकते। एक रिपोर्ट की कठिनाई पाठक, कार्य और सूचना तक पहुँचने के लिए उपयोग किए जाने वाले उपकरणों पर निर्भर करती है। एक मानव निवेशक के लिए, लंबे टेक्स्ट और जटिल भाषा वाली रिपोर्ट एक भारी बोझ है। एक मशीन के लिए, बोझ टेक्स्ट के समुद्र में सही डेटा पॉइंट को खोजना है। शोधकर्ताओं ने पाया कि मानव कठिनाई और मशीन सुगमता के बीच का अंतर बढ़ रहा है, और सूचना तक पहुँचने के लिए हमारे द्वारा उपयोग किए जाने वाले उपकरण दस्तावेज़ से अधिक महत्वपूर्ण हैं। इसका अर्थ यह है कि जैसे-जैसे हम उस युग में आगे बढ़ रहे हैं जहाँ कृत्रिम बुद्धिमत्ता हमें वित्तीय निर्णय लेने में मदद करती है, हमें रिपोर्टों को स्थिर वस्तुओं के रूप में सोचना बंद करना होगा और उन्हें गतिशील इनपुट के रूप में देखना शुरू करना होगा जो इस आधार पर बदलते हैं कि उन्हें कैसे प्रोसेस किया जाता है। कठिनाई कागज़ में नहीं है; यह कागज़ और उसे समझने की कोशिश करने वाले व्यक्ति या मशीन के बीच के मार्ग में है।