Leveraging Large Language Models for Generating Research Topic Ontologies: A Multi-Disciplinary Study
यह अध्ययन PEM-Rel-8K डेटासेट प्रस्तुत करता है और प्रदर्शित करता है कि इस बहु-विषयक संसाधन पर बड़े भाषा मॉडलों को फाइन-ट्यून करने से बायोमेडिसिन, भौतिकी और इंजीनियरिंग में अनुसंधान विषय ऑन्टोलॉजी उत्पन्न करने की उनकी क्षमता में महत्वपूर्ण सुधार होता है, जो ज़ीरो-शॉट और चेन-ऑफ-थॉट प्रॉम्प्टिंग दृष्टिकोणों से बेहतर प्रदर्शन 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
वैज्ञानिक अनुसंधान की दुनिया की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें जिसमें अरबों किताबें, लेख और डेटा सेट हैं। कुछ भी उपयोगी खोजने के लिए, आपको इन विषयों को तार्किक रूप से व्यवस्थित करने वाले एक मानचित्र (map) या फाइलिंग सिस्टम की आवश्यकता होगी। शैक्षणिक दुनिया में, इन मानचित्रों को ऑन्टोलॉजी (ontologies) कहा जाता है। वे आपको बताते हैं कि "जेनेटिक्स" (Genetics) "बायोलॉजी" (Biology) का एक प्रकार है, या "5G" "मोबाइल कम्युनिकेशन" (Mobile Communication) का एक विशिष्ट प्रकार है।
समस्या यह है कि इन मानचित्रों को हाथ से बनाना अविश्वसनीय रूप से कठिन, धीमा और महंगा है। इसके लिए विशेषज्ञों की टीमों को बैठने और मैन्युअल रूप से यह तय करने की आवश्यकता होती है कि प्रत्येक विषय दूसरे विषय से कैसे संबंधित है। इस कारण से, कई मानचित्र अधूरे, पुराने या केवल विशिष्ट विषयों (जैसे चिकित्सा) तक सीमित हैं जबकि अन्य (जैसे भौतिकी) को अनदेखा कर दिया गया है।
यह शोध पत्र एक सरल प्रश्न पूछता है: क्या आधुनिक AI (विशेष रूप से लार्ज लैंग्वेज मॉडल्स, या LLMs) हमारे लिए ये मानचित्र बना सकते हैं?
यहाँ शोधकर्ताओं द्वारा किए गए कार्यों और उनकी खोजों का विवरण दिया गया, जिसे रोजमर्रा के उदाहरणों के माध्यम से समझाया गया है:
1. चुनौती: AI को एक लाइब्रेरियन बनाना सिखाना
शोधकर्ता यह देखना चाहते थे कि क्या AI दो अनुसंधान विषयों (जैसे, "डेटाबेस" और "डिस्ट्रीब्यूटेड डेटाबेस") को देख सकता है और उनके बीच के संबंध को सही ढंग से पहचान सकता है। उन्होंने तीन मुख्य प्रकार के संबंधों पर ध्यान केंद्रित किया:
- ब्रॉडर (Broader - व्यापक): एक विषय बड़ा छाता है (जैसे, "बायोलॉजी" में "जेनेटिक्स" शामिल है)।
- नैरोअर (Narrower - विशिष्ट):в): एक विषय छाते के नीचे एक विशिष्ट विवरण है (जैसे, "जेनेटिक्स" "बायोलॉजी" का एक प्रकार है)।
- सेम-एज़ (Same-as - समान-जैसा): एक ही चीज़ के दो अलग-अलग नाम (जैसे, कुछ संदर्भों में "ऑन्टोलॉजी" और "नॉलेज ग्राफ" को पर्यायवाची माना जा सकता है)।
- अदर (Other - अन्य): उनका आपस में कोई संबंध नहीं है।
2. नया टूल: PEM-Rel-8K
AI का परीक्षण करने के लिए, शोधकर्ताओं को केवल अनुमान लगाने की आवश्यकता नहीं थी; उन्हें एक "प्रशिक्षण मैदान" की आवश्यकता थी। उन्होंने PEM-Rel-8K नामक एक नया डेटासेट बनाया।
- इसे 8,000 से अधिक प्रश्नों वाला एक विशाल अभ्यास परीक्षा (practice exam) समझें।
- प्रश्न तीन प्रसिद्ध, वास्तविक दुनिया की लाइब्रेरी से लिए गए थे: MeSH (चिकित्सा के लिए), IEEE (इंजीनियरिंग के लिए), और PhySH (भौतिकी के लिए)।
- इसने उन्हें यह परीक्षण करने की अनुमति दी कि क्या AI एक विषय (जैसे चिकित्सा) से सीख सकता है और उस तर्क को दूसरे विषय (जैसे भौतिकी) पर लागू कर सकता है।
3. प्रयोग: AI को सिखाने के तीन तरीके
शोधकर्ताओं ने यह देखने के लिए तीन अलग-अलग तरीकों का परीक्षण किया कि कौन सा सबसे अच्छा काम करता है:
विधि A: "ज़ीरो-शॉट" (अनुमान लगाने का खेल)
उन्होंने AI को बिना किसी पूर्व प्रशिक्षण के, केवल निर्देशों को पढ़कर समस्याओं को हल करने के लिए कहा। यह एक छात्र से गणित का टेस्ट लेने जैसा है जिसने कभी विषय का अध्ययन ही नहीं किया हो।- परिणाम: AI ठीक-ठाक था, लेकिन बहुत अच्छा नहीं। इसने गलतियाँ कीं क्योंकि इसके पास सीखने के लिए विशिष्ट उदाहरण नहीं थे।
विधि B: चेन-ऑफ-थॉट ( "सोच को स्पष्ट करने" की रणनीति)
उन्होंने AI से उत्तर देने से पहले अपने तर्क को चरण-दर-चरण समझाने के लिए कहा। यह एक छात्र से गणित के सवाल पर अपना काम दिखाने के लिए कहने जैसा है।- परिणाम: इससे थोड़ी मदद मिली, लेकिन यह अभी भी सबसे अच्छा दृष्टिकोण नहीं था।
विधि C: फाइन-ट्यूनिंग ( "विशेषीकृत प्रशिक्षण शिविर")
यह सबसे बड़ा विजेता रहा। उन्होंने AI को लिया और उसे PEM-Rel-8K डेटासेट के 8,000 अभ्यास प्रश्नों के साथ "खिलाया", जिससे वह अनुसंधान विषयों के जुड़ने के पैटर्न को सीख सके।- परिणाम: यह अविश्वसनीय रूप से अच्छा रहा। AI एक मास्टर लाइब्रेरियन बन गया।
4. बड़ी जीत
अध्ययन में कुछ आश्चर्यजनक और उत्साहजनक परिणाम मिले:
- विजेता: एक विशिष्ट AI मॉडल जिसे gemma-2-27b (एक 27-बिलियन-पैरामीटर मॉडल) कहा जाता है, सबसे अच्छा प्रदर्शन करने वाला रहा। प्रशिक्षण के बाद, इसने 93.5% बार सही उत्तर दिया।
- "एक आकार सभी के लिए उपयुक्त" (One Size Fits All) चमत्कार: आमतौर पर, आप सोचेंगे कि आपको केवल चिकित्सा के लिए प्रशिक्षित एक अलग AI, इंजीनियरिंग के लिए दूसरा, और भौतिकी के लिए तीसरा चाहिए। लेकिन इस अध्ययन ने दिखाया कि यदि आप AI को तीनों (संयोजित PEM-Rel-8K डेटासेट) के मिश्रण पर प्रशिक्षित करते हैं, तो यह विशेषज्ञों के लगभग बराबर हो जाता है।
- उपमा: यह एक सामान्य डॉक्टर को कार्डियोलॉजी, न्यूरोलॉजी और ऑर्थोपेडिक्स के मामलों पर प्रशिक्षित करने जैसा है। तीन अलग-अलग विशेषज्ञों की आवश्यकता होने के बजाय, यह "सुपर-डॉक्टर" उन विशेषज्ञों के समान कौशल स्तर के साथ तीनों क्षेत्रों को संभाल सकता है जिन्होंने केवल एक ही विषय का अध्ययन किया है।
- क्रॉस-डिसिप्लिन सुपरपावर्स: यहाँ तक कि जब उन्होंने AI को केवल भौतिकी (Physics) के डेटा पर प्रशिक्षित किया और फिर चिकित्सा (Medicine) पर परीक्षण किया, तब भी इसने बहुत अच्छा प्रदर्शन किया। यह सुझाव देता है कि AI विषयों को जोड़ने के तर्क को सीखता है, न कि केवल विशिष्ट शब्दों को।
5. जहाँ AI लड़खड़ाता है
AI पूर्ण नहीं था। इसकी सबसे बड़ी समस्या उन चीजों के बीच अंतर करना था जो बिल्कुल एक ही हैं (Same-as) और जो बहुत समान हैं लेकिन पदानुक्रमित (hierarchical) हैं (Broader/Narrower)।
- उदाहरण: AI कभी-कभी "माइक्रोस्पोरिया" (एक विशिष्ट प्रकार का कवक) और "माइक्रोस्पोरिडियन" (वह समूह जिससे वे संबंधित हैं) के बीच भ्रमित हो गया, उन्हें पर्यायवाची मान लिया जबकि वे वास्तव में 'पैरेंट' और 'चाइल्ड' (जनक और संतान) हैं।
- ऐसा इसलिए होता है क्योंकि विभिन्न लाइब्रेरी कभी-कभी शब्दों का असंगत उपयोग करती हैं, जिससे AI भ्रमित हो जाता है।
सारांश
शोध पत्र निष्कर्ष निकालता है कि AI वैज्ञानिक ज्ञान के मानचित्र बनाने में मदद करने के लिए तैयार है। इन मॉडल्स को वास्तविक दुनिया के विविध डेटा (PEM-Rel-8K) के मिश्रण पर प्रशिक्षित करके, हम शक्तिशाली उपकरण बना सकते हैं जो हर विषय के लिए मानव विशेषज्ञों की एक विशाल सेना की आवश्यकता के बिना, विभिन्न क्षेत्रों के अनुसंधान विषयों को व्यवस्थित कर सकते हैं।
शोधकर्ता इस सफलता का उपयोग अंततः विज्ञान के लिए एक एकल, विशाल, एकीकृत मानचित्र बनाने के लिए करने की योजना बना रहे हैं, जो इंजीनियरिंग से लेकर मानविकी तक सब कुछ कवर करेगा, जिससे मनुष्यों के लिए वैज्ञानिक खोजों को खोजना और जोड़ना बहुत आसान हो जाएगा।
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।