तकनीकी सारांश: पूर्व में दैहिक (Somatic), पश्चिम में मनोवैज्ञानिक?

समस्या विवरण

मानसिक स्वास्थ्य अनुप्रयोगों (स्क्रीनिंग, संवादात्मक सहायता और नैदानिक निर्णय सहायता सहित) में लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग तेजी से बढ़ रहा है। हालाँकि, क्लिनिकल साइकोलॉजी ने लंबे समय से यह स्थापित किया है कि अवसाद (depression) विभिन्न संस्कृतियों में अलग-अलग तरह से प्रकट होता है: पश्चिमी आबादी आमतौर पर मनोवैज्ञानिक लक्षणों (जैसे उदासी, रुचि की कमी) पर जोर देती है, जबकि कई पूर्वी एशियाई आबादी अधिक दैहिक (somatic) लक्षणों (जैसे थकान, शारीरिक दर्द) की रिपोर्ट करती है। इन अंतरों का श्रेय भावनात्मक अभिव्यक्ति के सांस्कृतिक रूप से आकार लिए हुए मानदंडों और कलंक (stigma) को दिया जाता है।

यह अध्ययन इस केंद्रीय समस्या को संबोधित करता है कि क्या सामान्य-उद्देश्य वाले LLMs इन नैदानिक रूप से स्थापित क्रॉस-सांस्कृतिक पैटर्न को दोहराते हैं। यदि LLMs अनजाने में प्रभावी (पश्चिमी) सांस्कृतिक दृष्टिकोणों को अत्यधिक दर्शाते हैं या अवसाद के लक्षणों की सूक्ष्म सांस्कृतिक विविधताओं को पकड़ने में विफल रहते हैं, तो उन पर आधारित सिस्टम लक्षणों की गलत व्याख्या कर सकते हैं या सांस्कृतिक रूप से विशिष्ट अभिव्यक्तियों को अनदेखा कर सकते हैं, जिससे असुरक्षित या अप्रभावी मानसिक स्वास्थ्य हस्तक्षेप होने की संभावना बढ़ जाती है।

कार्यप्रणाली (Methodology)

लेखक दो परिकल्पनाओं (hypotheses) का परीक्षण करने के लिए एक नैदानिक रूप से आधारित मूल्यांकन ढांचा पेश करते हैं:

• H1: LLMs पश्चिमी सांस्कृतिक व्यक्तित्वों (personas) के लिए मनोवैज्ञानिक लक्षणों को अधिक बार और पूर्वी सांस्कृतिक व्यक्तित्वों के लिए दैहिक लक्षणों को अधिक बार चुनेंगे।
• H2: किसी देश की स्थानीय भाषा में लिखे गए प्रॉम्प्ट्स, अंग्रेजी प्रॉम्प्ट्स की तुलना में लक्षण चयन में सांस्कृतिक संरेखण (cultural alignment) को बढ़ाएंगे।

प्रायोगिक डिजाइन:

• मॉडेल्स: छह LLMs का मूल्यांकन किया गया: Llama-3.1-8B-it, Gemma-7B-it, Qwen-2.5-7B-it, DeepSeek-R1-Distill-Qwen-7B, GPT-4o, और MentaLLaMA-chat-7B (एक फाइन-ट्यून्ड मेंटल हेल्थ मॉडल)।
• पर्सोना (Personas): सांस्कृतिक व्यक्तित्वों को देश के स्तर पर संचालित किया गया। पश्चिमी समूहों में अमेरिकी, कनाडाई और ऑस्ट्रेलियाई शामिल थे; पूर्वी समूहों में जापानी, चीनी और भारतीय शामिल थे।
• कार्य: मॉडल्स को 14 DSM-5 आधारित लक्षणों (जो दैहिक या मनोवैज्ञानिक के रूप में वर्गीकृत हैं) की एक पूर्व-निर्धारित सूची से अवसाद के लक्षणों को चुनने के लिए प्रॉम्प्ट किया गया। यह कार्य तीन स्थितियों के तहत चलाया गया: प्रति इटरेशन 1, 3, या 5 लक्षण चुनना।
• प्रॉम्प्ट विविधताएं:
  • भाषा: अंग्रेजी प्रॉम्प्ट्स (ENG-P) बनाम स्थानीय भाषा के प्रॉम्प्ट्स (LOC-P) (जापानी, चीनी, हिंदी)।
  • निर्देश प्रकार: इमप्लिसिट कल्चर प्रॉम्प्ट (ICP) जो सामान्य संदर्भ प्रदान करता है बनाम एक्सप्लिसिट कल्चर प्रॉम्प्ट (ECP) जो सीधे मॉडल को सांस्कृतिक पृष्ठभूमि पर विचार करने का निर्देश देता है।
• मेट्रिक्स:
  • सांस्कृतिक संरेखण ($\Delta A_x$): पूर्वी और पश्चिमी व्यक्तित्वों के बीच दैहिक लक्षणों के चयन की प्रायिकता के अंतर के रूप में परिभाषित किया गया ($P(somatic | P_{Eastern}) - P(somatic | P_{Western})$)। एक सकारात्मक मान नैदानिक निष्कर्षों के साथ संरेखण को दर्शाता है।
  • पर्सोना संवेदनशीलता (Persona Sensitivity): पश्चिमी और पूर्वी व्यक्तित्वों के बीच लक्षण चयन वितरण के बीच कोसाइन सिमिलरिटी (cosine similarity) के माध्यम से मापा गया। कम समानता उच्च संवेदनशीलता को दर्शाती है।
  • निश्चयात्मकता (Determinism): लक्षण चयन के संकेंद्रण को मापने के लिए गिनी गुणांक (Gini coefficients) का उपयोग करके आकलित किया गया।

मुख्य परिणाम

1. नैदानिक पैटर्न को दोहराने में विफलता (H1)
अंग्रेजी प्रॉम्प्ट्स (ENG-P) के तहत, अधिकांश LLMs अपेक्षित सांस्कृतिक पैटर्न को दोहराने में विफल रहे। 30 परीक्षण किए गए सेटिंग्स (5 मॉडल × 3 विकल्प स्थितियां × 2 प्रॉम्प्ट प्रकार) में से केवल तीन कॉन्फ़िगरेशन नैदानिक निष्कर्षों के अनुरूप पैटर्न दिखाते हैं।

• अधिकांश मॉडल्स ने सांस्कृतिक संरेखण ($\Delta A_x$) के छोटे पूर्ण मान प्रदर्शित किए, विशेष रूप से मल्टी-चॉइस स्थितियों (3 और 5 विकल्प) में, जहाँ अंतर मामूली (0.03–0.05) था।
• मॉडल्स ने लक्षण प्राथमिकता के मजबूत, संस्कृति-अपरिवर्तनीय पदानुक्रम प्रदर्शित किए। उदाहरण के लिए, "ऊर्जा में कमी/थकान" (दैहिक) और "अवसादग्रस्त मनोदशा" (मनोवैज्ञानिक) लगातार सबसे अधिक चुने जाने वाले लक्षण थे, जो सांस्कृतिक व्यक्तित्व के बावजूद सांस्कृतिक संकेतों को दरकिनार कर देते थे।
• MentaLLaMA, जो एक मानसिक स्वास्थ्य-विशिष्ट मॉडल है, सुरक्षा संरेखण बाधाओं के कारण वैध आउटपुट उत्पन्न करने में विफल रहा।

2. स्थानीय भाषाओं का सीमित प्रभाव (H2)
स्थानीय भाषा के प्रॉम्प्ट्स (LOC-P) ने कुछ कॉन्फ़िगरेशन में संरेखण में सुधार किया लेकिन सार्वभौमिक रूप से H2 का समर्थन नहीं किया।

• 30 में से 15 सेटिंग्स में LOC-P के तहत संरेखण में वृद्धि देखी गई।
• DeepSeek ने स्थानीय भाषा के प्रॉम्प्ट्स के साथ संरेखण में सांख्यिकीय रूप से महत्वपूर्ण वृद्धि दिखाई, जबकि GPT में संरेखण में कमी आई।
• सांख्यिकीय विश्लेषण (पेयर्ड टी-टेस्ट) ने संकेत दिया कि हालांकि संरेखण में समग्र रूप से थोड़ी वृद्धि हुई, लेकिन परिणाम सांख्यिकीय रूप से महत्वपूर्ण नहीं था ($p=0.90$)। संरेखण की प्रभावशीलता मॉडल, चयन स्थिति और प्रॉम्प्ट प्रकार पर बहुत अधिक निर्भर थी।

3. निम्न पर्सोना संवेदनशीलता और निश्चयात्मकता

• संवेदनशीलता: ENG-P के तहत मॉडल्स ने निम्न पर्सोना संवेदनशीलता प्रदर्शित की, जिसमें पश्चिमी और पूर्वी वितरण के बीच कोसाइन सिमिलरिटी मान 0.77 से 1.00 के बीच थे। यह सुझाव देता है कि मॉडल के आंतरिक रुझान सांस्कृतिक निर्देशों को दबा देते हैं।
• निश्चयात्मकता: Gemma, Qwen और DeepSeek जैसे मॉडल्स ने उच्च गिनी गुणांक दिखाए, जो यह संकेत देते हैं कि वे बार-बार लक्षणों के एक सीमित सेट को चुनते हैं। यह निश्चयात्मकता अक्सर विशिष्ट लक्षणों (जैसे आत्मघाती विचार) के कम प्रतिनिधित्व का कारण बनती है (संभवतः सुरक्षा फिल्टर के कारण)।

4. लक्षण पदानुक्रम (Symptom Hierarchy)
सभी स्थितियों में, मॉडल्स ने एक विशिष्ट लक्षण पदानुक्रम (जैसे थकान, अवसादग्रस्त मनोदशा, रुचि की कमी) को प्राथमिकता दी जो सांस्कृतिक बारीकियों के बजाय प्रशिक्षण डेटा में इन लक्षणों की आवृत्ति को दर्शाता प्रतीत होता है। यह पदानक्रम अक्सर सांस्कृतिक संकेतों के प्रभाव को दबा देता है।

महत्व और दावे

लेखक दावा करते हैं कि यह अध्ययन पहला है जो यह जांचता है कि क्या सामान्य-उद्देश्य वाले LLMs नैदानिक रूप से स्थापित क्रॉस-सांस्कृतिक अवसाद लक्षणों को दोहराते हैं। इस कार्य का महत्व मानसिक स्वास्थ्य अनुप्रयोगों के लिए वर्तमान LLMs में महत्वपूर्ण सीमाओं की पहचान करने में निहित है:

1. सामान्य प्रशिक्षण डेटा की अपर्याप्तता: वेब कॉर्पोरा पर प्रशिक्षित सामान्य-उद्देश्य वाले मॉडल्स में नैदानिक रूप से आधारित, सांस्कृतिक रूप से संवेदनशील तर्क को दोहराने के लिए आवश्यक आधारभूत ज्ञान की कमी होती है।
2. वर्तमान मूल्यांकन ढांचे की सीमाएं: अध्ययन सुझाव देता है कि केवल व्यापक समाजशास्त्रीय बेंचमार्क (जैसे वर्ल्ड वैल्यूज सर्वे) का उपयोग करने से मानसिक स्वास्थ्य में डोमेन-विशिष्ट विविधताओं को नहीं पकड़ा जा सकता है।
3. मिसअलाइनमेंट (Misalignment) का जोखिम: निष्कर्ष बताते हैं कि वर्तमान LLMs सांस्कृतिक पहचान को केवल प्रॉम्प्ट-आधारित पर्सोना के माध्यम से पेश करने पर आवश्यक सांस्कृतिक अंतर करने में सक्षम नहीं होंगे। यह उन AI-संचालित डायग्नोस्टिक टूल्स या चैटबॉट्स के लिए जोखिम पैदा करता है जो विभिन्न सांस्कृतिक पृष्ठभूमियों के उपयोगकर्ताओं के लिए लक्षणों की गलत व्याख्या कर सकते हैं।
4. मजबूत सांस्कृतिक तर्क की आवश्यकता: पेपर निष्कर्ष निकालता है कि LLM विकास में सांस्कृतिक रूप से संवेदनशील नैदानिक ज्ञान को शामिल करने के लिए मजबूत दृष्टिकोण की आवश्यकता है, क्योंकि वर्तमान मॉडल संस्कृति-अपरिवर्तनीय लक्षण पदानक्रमों द्वारा हावी हैं जो सांस्कृतिक संकेतों को ओवरराइड करते हैं।

लेखक एक मध्यम रुख बनाए रखते हैं, यह स्वीकार करते हुए कि उनका बाइनरी ईस्ट-वेस्ट वर्गीकरण एक सरलीकरण है और यह अध्ययन सांस्कृतिक पूर्वाग्रह वाले मेंटल हेल्थ AI के व्यापक समाधान के बजाय एक आधारभूत बेंचमार्क के रूप में कार्य करता है।