A Bayesian latent class reinforcement learning framework to capture adaptive, feedback-driven travel behaviour
यह शोध पत्र ड्राइविंग सिम्युलेटर डेटा के विश्लेषण के माध्यम से, अद्वितीय प्राथमिकता विकास और अन्वेषण-शोषण (exploration-exploitation) रणनीतियों वाले तीन विशिष्ट यात्री वर्गों की पहचान करते हुए, विषम, अनुकूलन योग्य यात्रा व्यवहारों को मॉडल करने के लिए एक बेयसियन लेटेंट क्लास सुदृढीकरण शिक्षण (Bayesian Latent Class Reinforcement Learning) ढांचे का प्रस्ताव 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 स्कूल जाने का सबसे अच्छा तरीका सीखने की कोशिश कर रहे हैं। कभी-कभी आप हर दिन एक ही रास्ते पर चलते हैं क्योंकि वह तेज़ और भरोसेमंद है। दूसरी बार, आप यह देखने के लिए एक नई सड़क आज़माते हैं कि क्या वह तेज़ है, भले ही इसमें आपको देर से पहुँचना पड़े। यही वह मूल बात है कि कैसे इंसान निर्णय लेते हैं: हम जो जानते हैं उस पर टिके रहने (एक्सप्लोइटेशन/शोषण) और अधिक जानने के लिए नई चीज़ों को आज़माने (एक्सप्लोरेशन/अन्वेषण) के बीच संतुलन बनाते हैं। लंबे समय तक, वैज्ञानिकों ने, जो लोगों के यात्रा करने के तरीकों का अध्ययन करते हैं, ऐसे मॉडल का उपयोग किया है जो यह मान लेते हैं कि सभी एक ही तरह से सीखते हैं या हमारी पसंद पत्थर की तरह स्थिर है। लेकिन असल ज़िंदगी में, लोग उलझे हुए और जटिल होते हैं। हम अलग-अलग गति से सीखते हैं, हम नई जानकारी से भ्रमित हो जाते हैं, और हम तब पूरी तरह से अलग व्यवहार कर सकते हैं जब हम वास्तव में गाड़ी चला रहे होते हैं बनाम जब हम केवल एक काल्पनिक यात्रा की कल्पना कर रहे होते हैं। यह शोध पत्र उस जटिल वास्तविकता में गहराई से उतरता है, जो मनोविज्ञान और गणित के मिश्रण का उपयोग करके न केवल यह पता लगाता है कि लोग क्या चुनते हैं, बल्कि यह भी कि वे समय के साथ अपने विकल्पों को चुनने के लिए कैसे सीखते हैं।
इस अध्ययन के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व जॉर्ज एसफ़ेयर और सहयोगियों ने किया, एक नया प्रकार का "ट्रैवल ब्रेन" मॉडल बनाया जिसे 'लेटेंट क्लास रीइन्फोर्समेंट लर्निंग' (LCRL) फ्रेमवर्क कहा जाता है। इसे एक जासूसी कहानी की तरह समझें जहाँ जासूस यह पता लगाने की कोशिश कर रहे हैं कि अलग-अलग ड्राइवर अलग तरह से व्यवहार क्यों करते हैं। यह मानने के बजाय कि सभी एक जैसे हैं, उन्होंने एक ड्राइविंग सिम्युलेटर का उपयोग किया और 83 लोगों को 20 रूट विकल्प चुनते हुए देखा। आधे समय, प्रतिभागियों ने वास्तव में उन रास्तों को चलाया और समय बीतते हुए महसूस किया (अनुभवी फीडबैक); आधे समय, उन्होंने स्क्रीन पर काल्पनिक समय के साथ बटन क्लिक किए (कथित प्राथमिकता)। टीम ने फिर इस डेटा को अपने फैंसी नए मॉडल में डाला, जो एक छँटाई करने वाली मशीन की तरह काम करता है। यह केवल यह नहीं कहता कि "इस व्यक्ति को तेज़ रास्ते पसंद हैं"; यह पूछता है, "क्या यह व्यक्ति एक धीमा सीखने वाला है जो पुरानी आदतों पर टिका रहता है? एक जोखिम लेने वाला जो सब कुछ आज़माता है? या कोई ऐसा जो अपना मन बदल लेता है कि वह वास्तव में गाड़ी चला रहा है या केवल एक यात्रा की कल्पना कर रहा है?"
मॉडल ने पाया कि ड्राइवरों का समूह लोगों का एक एकल समूह नहीं था, बल्कि तीन अलग-अलग "प्रकार" के शिक्षार्थी थे, जिनमें से प्रत्येक का अपना व्यक्तित्व था। लगभग 22% लोग "कॉन्टेक्स्ट कैमलियन" (संदर्भ बदलने वाले गिरगिट) थे। ये लोग एक तरह से व्यवहार करते थे जब वे कंप्यूटर स्क्रीन पर केवल एक यात्रा की कल्पना कर रहे होते थे (सुरक्षित, भरोसेमंद मार्ग को पसंद करते थे), लेकिन जब वे वास्तव में सिम्युलेटर में स्टीयरिंग के पीछे होते थे, तो उनका व्यवहार पूरी तरह से बदल जाता था, अचानक जोखिम भरे, अप्रत्याशित मार्ग की चाह रखने लगते थे। वे धीरे-कदम से सीखते थे, अपने विश्वासों को नए अनुभवों के आधार पर अपडेट करने में समय लेते थे।
फिर दूसरा सबसे बड़ा समूह था, जो लगभग आधे प्रतिभागियों (49%) का प्रतिनिधित्व करता था, जो "परसिस्टेंट एक्सप्लॉयटर्स" (दृढ़ता से पुराने ढर्रे पर चलने वाले) थे। ये वे ड्राइवर थे जो जोखिम भरे, अनिश्चित मार्ग को चाहे जो भी हो, पसंद करते थे। चाहे वे गाड़ी चला रहे हों या केवल बटन दबा रहे हों, वे अनिश्चित पथ को ही चुनते रहे, भले ही कभी-कभी इसमें उन्हें अधिक समय लगता था। वे सबसे जिद्दी एक्सप्लॉयटर थे, अपने जोखिम भरे चुनाव पर टिके रहे और फीडबैक के प्रति थोड़ा तेज़ी से अनुकूलित हुए, हालांकि वे अभी भी पिछले अनुभवों पर काफी निर्भर थे।
अंत में, तीसरा समूह था, जो नमूने का लगभग 29% था, जो "एडेप्टिव स्विचर्स" (अनुकूलनशील रूप से बदलने वाले) थे। ये ड्राइवर अधिक महिला और उच्च आय वाले होने की संभावना रखते थे। वे वास्तव में गाड़ी चलाते समय सुरक्षित मार्ग को पसंद करते थे, लेकिन जब वे केवल स्क्रीन पर सवालों के जवाब दे रहे होते थे, तो वे अचानक अधिक साहसी हो जाते थे और जोखिम भरा मार्ग चुनते थे। वे सबसे अधिक अन्वेषण करने की प्रवृत्ति प्रदर्शित करते थे, सुरक्षित और जोखिम भरे विकल्पों के बीच बार-बार बदलते रहते थे। जबकि उनके पास तीनों समूहों में से उच्चतम लर्निंग रेट अनुमान था, यह सांख्यिकीय रूप से महत्वहीन था, जो बताता है कि वे स्थिर अपेक्षाओं को बनाए रखते थे जो तीव्र, अस्थिर बदलावों के बजाय समय के साथ धीरे-धीरे विकसित होती थीं।
शोध पत्र सुझाव देता है कि इन विभिन्न "सीखने के व्यक्तित्वों" को अनदेखा करके, हम यातायात प्रणालियों को डिज़ाइन करने या नए सड़कों के प्रति लोगों की प्रतिक्रिया का अनुमान लगाने में गलतियाँ कर सकते हैं। यदि आप एक "कॉन्टेक्स कैमलियन" के साथ "परसिस्टेंट एक्सप्लॉयटर" जैसा व्यवहार करते हैं, तो आपकी यातायात सलाह पूरी तरह से विफल हो सकती है। शोधकर्ताओं ने केवल यह अनुमान नहीं लगाया कि ये समूह मौजूद हैं; उन्होंने 'वेरिएशनल बेयस' नामक एक परिष्कृत गणितीय तकनीक का उपयोग करके यह सिद्ध किया कि लोगों को इन तीन वर्गों में विभाजित करना, सभी को एक ही तरह से सीखने वाला मानने की तुलना में डेटा के साथ बेहतर मेल खाता है। उन्होंने सिमुलेशन भी चलाए जिससे यह दिखाया जा सके कि यदि वे बार-बार एक ही खराब ट्रैफ़िक या एक ही अच्छे ट्रैफ़िक का सामना करते हैं तो प्रत्येक समूह कैसे प्रतिक्रिया देगा, जिससे पुष्टि हुई कि उनके "व्यक्तित्वों" ने वास्तव में उनके सीखने के तरीके को बदल दिया।
संक्षेप में, यह शोध पत्र तर्क देता है कि यात्रा को समझने के लिए, हम केवल मानचित्र को नहीं देख सकते; हमें ड्राइवर के दिमाग को देखना होगा। हमें यह जानने की आवश्यकता है कि वे परिचित पर टिके रहने वाले प्रकार के हैं, नए के पीछे भागने वाले प्रकार के हैं, या वे ऐसे प्रकार के हैं जो स्थिति के आधार पर अपना मन बदल लेते हैं। इस अंतर को पकड़ने वाले मॉडल का निर्माण करके, लेखक उम्मीद करते हैं कि वे शहरों और योजनाकारों को बेहतर सिस्टम डिज़ाइन करने में मदद कर पाएंगे जो सभी प्रकार के शिक्षार्थियों के लिए काम करें, न कि केवल औसत व्यक्ति के लिए।
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।