WELD: The First Naturalistic Long-Period Small-Team Workplace Emotion Dataset for Ubiquitous Affective Computing
यह शोध पत्र WELD को प्रस्तुत करता है, जो कि 49 कर्मचारियों के 30.1 महीनों के पैसिव फेशियल-एक्सप्रेशन डेटा से बना पहला प्राकृतिक, बहु-वर्षीय कार्यस्थल भावना डेटासेट है, जो स्थापित भावनात्मक घटनाओं की पुष्टि करता है और भावनात्मक भिन्नता, शासन गतिशीलता (रेजीम डायनेमिक्स), टर्नओवर भविष्यवाणी मेट्रिक्स और एल्गोरिद्मिक निष्पक्षता पूर्वाग्रहों में नवीन अंतर्दृष्टि प्रकट 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
कल्पना कीजिए कि आप किसी कार्यस्थल के "मिजाज" (mood) को समझना चाहते हैं। आमतौर पर, वैज्ञानिक इसे करने के लिए लोगों से सर्वेक्षण भरने के लिए कहते हैं या उन्हें लैब में कुछ मिनटों के लिए भावनाएं व्यक्त करते हुए देखते हैं। यह एक जोड़े को दस सेकंड के लिए फोटो पोज देने के लिए कहने जैसा है और फिर उनके वैवाहिक जीवन को समझने की कोशिश करने जैसा है।
यह शोध पत्र WELD पेश करता है, जो इससे अलग है। एक त्वरित स्नैपशॉट के बजाय, WELD एक टीम की भावनाओं की एक 30 महीने लंबी डायरी की तरह है, जिसे कर्मचारियों ने नहीं, बल्कि उन कैमरों ने लिखा है जिन्होंने हर दिन उन्हें काम करते हुए चुपचाप देखा।
यहाँ WELD क्या है, यह कैसे काम करता है, और इसने क्या पाया, इसका विवरण सरल हिंदी में दिया गया है।
1. मुख्य विचार: एक "प्राकृतिक" भावनात्मक डायरी
अधिकांश इमोशन डेटासेट स्टॉक फोटोज़ की तरह होते हैं: लोगों को आदेश दिया जाता है कि वे मुस्कुराएं या मुंह बनाएं। WELD कैंडिड फोटोग्राफी की तरह है।
- सेटिंग: यह चीन की एक वास्तविक सॉफ्टवेयर कंपनी में हुआ।
- लोग: 49 कर्मचारी।
- समय: 2.5 वर्षों से अधिक (नवंबर 2021 से मई 2024 तक)।
- तरीका: कार्यालय में पहले से ही सुरक्षा कैमरे मौजूद थे। शोधकर्ताओं ने इन मौजूदा कैमरों का उपयोग स्वाभाविक रूप से चेहरे के भावों को ट्रैक करने के लिए किया। किसी को स्मार्टवॉच पहनने, सर्वेक्षण भरने या बटन दबाने की आवश्यकता नहीं थी। सिस्टम ने बस बैकग्राउंड में डेटा रिकॉर्ड किया और देखा।
यह विशेष क्यों है?
यह पहला डेटासेट है जो चार दुर्लभ चीजों को जोड़ता है:
- लंबी अवधि: महीनों से लेकर वर्षों तक (केवल सेकंडों तक नहीं)।
- वास्तविक जीवन: वास्तविक कार्य परिवेश (लैब नहीं)।
- स्थिर टीम: एक साथ काम करने वाले लोगों का एक ही समूह (अजनबियों का नहीं)।
- पैसिव (निष्क्रिय): कर्मचारियों से किसी प्रयास की आवश्यकता नहीं।
2. गोपनीयता: "चार-परत वाला प्याज"
वर्षों तक कर्मचारियों को देखने से गोपनीयता की बड़ी चिंताएं पैदा होती हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक चार-परत वाला गोपनीयता कवच बनाया:
- लेयर 0 (रॉ वीडियो): कंपनी के निजी सर्वर पर रहता है। कभी बाहर नहीं जाता।
- लेयर 1 (फेस क्रॉप्स): चेहरों की डिजिटल तस्वीरें। निजी सर्वर पर रहती हैं।
- लेयर 2 (फ्रेम-दर-फ्रेम डेटा): हर सेकंड का विस्तृत इमोशन डेटा। केवल सख्त अनुबंधों के तहत स्वीकृत शोधकर्ताओं के लिए उपलब्ध है।
- लेयर 3 (सार्वजनिक रिलीज): यह वह है जो जनता को मिलता है। यह एग्रीगेटेड (एकत्रित) डेटा है। यह देखने के बजाय कि "जॉन सुबह 9:05 बजे मुस्कुराया," आप देखेंगे कि "व्यक्ति P-01 का 9:00 बजे के घंटे के दौरान खुशी की संभावना 60% थी।" नाम, चेहरे और पहचान पूरी तरह से हटा दी गई है। यह किसी शहर के लिए मौसम की रिपोर्ट देने जैसा है बिना यह बताए कि वहां कौन रहता है।
3. उन्होंने क्या पाया? ("भावनात्मक मौसम" के पैटर्न)
इस विशाल डेटासेट का विश्लेषण करके, शोधकर्ताओं ने पाया कि कार्यस्थल में भावनाएं कैसे व्यवहार करती हैं।
A. "वीकेंड बूस्ट" और "लंच डिप"
- वीकेंड: लोग सप्ताहांत (weekends) पर काफी खुश थे। उनकी भावनात्मक "वैलेंस" (सकारात्मकता) कार्यदिवसों की तुलना में लगभग 43% बढ़ गई।
- लंचटाइम: दोपहर के भोजन के ठीक बाद (लगभग 1:00 बजे) मूड में एक अनुमानित गिरावट आती है, जिसके बाद दोपहर के समय एक उछाल आता है। यह भोजन के बाद सुस्ती महसूस करने की सामान्य भावना की पुष्टि करता है।
B. "गुस्से" का पूर्वाग्रह (एक तकनीकी गड़बड़ी)
चेहरों को पढ़ने वाला AI एक कमी रखता था। यह लगातार तटस्थ (neutral) एशियाई चेहरों को "क्रोधित" समझता था।
- रूपक: एक अनुवादक की कल्पना करें जो हमेशा सोचता है कि कंधे उचकाना "मैं बहुत गुस्से में हूँ" का संकेत है।
- तथ्य: AI ने वास्तव में तटस्थ चेहरों को "क्रोध" की 19.4% संभावना दी। पश्चिमी डेटासेट में, यह संख्या आमतौर पर 5% के आसपास होती है। यह दर्शाता है कि पश्चिमी चेहरों पर प्रशिक्षित AI मॉडल एशियाई चेहरों पर ठीक से काम नहीं करते हैं, जिससे गलत "क्रोध" की रीडिंग मिलती है।
C. शंघाई लॉकडाउन (2022)
जब कोविड-19 के कारण शंघाई में लॉकडाउन लगा, तो आप उम्मीद कर सकते हैं कि सभी का मूड गिर जाएगा।
- नादान दृष्टिकोण: एक साधारण तुलना ने खुशी में गिरावट दिखाई।
- गहन दृष्टिकोण: जब शोधकर्ताओं ने गहराई से देखा, तो उन्हें एहसास हुआ कि लॉकडाउन शुरू होने से पहले ही टीम का मूड गिरना शुरू हो गया था। लॉकडाउन ने गिरावट नहीं की; यह पहले से चल रहे नीचे की ओर रुझान के निचले स्तर पर हुआ। यह दिखाता है कि दीर्घकालिक डेटा क्यों महत्वपूर्ण है: अल्पकालिक स्नैपशॉट भ्रामक हो सकते हैं।
D. भावनात्मक "रेजीम" (मूड अवस्थाएं)
टीम ने छह अलग-अलग "मूड स्टेट्स" या रेजीम की पहचान की।
- निष्कर्ष: नकारात्मक मूड (जैसे शत्रुता या उदासी) चिपचिपे (sticky) होते हैं। एक बार जब टीम नकारात्मक अवस्था में चली जाती है, तो वे 16-18 दिनों तक वहीं रहने की प्रवृत्ति रखती है।
- सकारात्मक मूड क्षणिक होते हैं। वे केवल लगभग 3 दिन तक चलते हैं।
- रूपक: एक बुरे मूड के गड्ढे में गिरना और वहां बने रहना, एक अच्छे मूड में चढ़ने और वहां टिके रहने की तुलना में आसान है।
E. क्या हम भविष्यवाणी कर सकते हैं कि कौन नौकरी छोड़ देगा?
शोधकर्ताओं ने शुरुआती भावनात्मक पैटर्न के आधार पर यह भविष्यवाणी करने की कोशिश की कि कौन से कर्मचारी कंपनी छोड़ देंगे।
- परिणाम: एक साधारण मॉडल ने 0.79 का सटीकता स्कोर (AUC) प्राप्त किया। यह अच्छा लगता है!
- पेंच: जब उन्होंने अधिक कठोर सांख्यिकीय पद्धति (सर्वाइवल एनालिसिस) का उपयोग किया, तो स्कोर गिरकर 0.52 हो गया (जो कि लगभग रैंडम चांस है)।
- सबक: पहला मॉडल "चीटिंग" कर रहा था। वह बस यह देख रहा था कि जो लोग जल्दी छोड़ गए उनमें डेटा कम था। वह वास्तव में यह भविष्यवाणी नहीं कर रहा था कि वे क्यों छोड़ रहे हैं, बल्कि केवल यह कि वे वहां कम समय के लिए थे। यह भविष्य के शोधकर्ताओं को चेतावनी देता है कि वे इस क्षेत्र में सरल "हाँ/नहीं" भविष्यवाणियों पर भरोसा न करें।
4. यह क्यों मायने रखता है?
WELD केवल डेटा का ढेर नहीं है; यह एक बेंचमार्क है।
- AI डेवलपर्स के लिए: यह परीक्षण करने में मदद करता है कि क्या उनका इमोशन-रीडिंग AI विभिन्न संस्कृतियों (जैसे "गुस्से" वाले पूर्वाग्रह की खोज) में निष्पक्ष और सटीक है।
- शोधकर्ताओं के लिए: यह प्रदर्शन के लिए एक "सीलिंग" (सीमा) प्रदान करता है। यदि आप एक नया मॉडल बनाते हैं और वह WELD में पाए गए सरल पैटर्न (जैसे वीकेंड बूस्ट) को नहीं हरा सकता, तो वह बहुत उपयोगी नहीं है।
- नैतिकता के लिए: यह दिखाता है कि सख्त डेटा अनामीकरण (anonymization) का उपयोग करके गोपनीयता का उल्लंघन किए बिना दीर्घकालिक कार्यस्थल निगरानी कैसे की जा सकती है।
एक वाक्य में सारांश
WELD कार्यस्थल की भावनाओं की एक 30 महीने लंबी, गोपनीयता-संरक्षित "डायरी" है जो बताती है कि मूड कैसे टिके रहते हैं, वीकेंड हमें कैसे ठीक करते हैं, और कैसे AI गलती से तटस्थ चेहरों को गुस्से में पढ़ सकता है, जो वास्तविक दुनिया में मानव भावना के अध्ययन के लिए एक नया मानक प्रदान करता 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।