💬 NLP

Reason2Decide: Rationale-Driven Multi-Task Learning

Reason2Decide एक दो-चरणीय, तर्क-संचालित मल्टी-टास्क लर्निंग फ्रेमवर्क है जो क्लिनिकल निर्णय सहायता में एक्सपोज़र बायस को प्रभावी ढंग से कम करता है और स्पष्टीकरणों को भविष्यवाणियों के साथ संरेखित करता है, जो समकालीन फाउंडेशन मॉडल्स की तुलना में 40 गुना छोटे मॉडल्स का उपयोग करके मेडिकल डेटासेट्स पर बेहतर सटीकता और फिडेलिटी प्राप्त करता है।

मूल लेखक: H M Quamran Hasan, Housam Khalifa Bashier, Jiayi Dai, Mi-Young Kim, Randy Goebel

प्रकाशित 2026-03-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: H M Quamran Hasan, Housam Khalifa Bashier, Jiayi Dai, Mi-Young Kim, Randy Goebel

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 एक व्यस्त इमरजेंसी रूम (ER) में निर्णय लेने के लिए एक जूनियर डॉक्टर को प्रशिक्षित कर रहे हैं।

समस्या:
आमतौर पर, जब हम किसी कंप्यूटर (एक AI) को चिकित्सा निर्णय लेने के लिए सिखाते हैं, तो हम उसे रोगी के नोट्स और "सही" उत्तर (जैसे, "ER भेजें") दिखाते हैं। हम उसे उस उत्तर के लिए "सही" स्पष्टीकरण भी दिखाते हैं।

जाल (The Trap): AI सही उत्तर और सही स्पष्टीकरण को अलग-अलग याद करना सीख जाता है।
वास्तविकता: बाद में जब AI अकेला ER में होता है, तो उसे पहले उत्तर का अनुमान लगाना पड़ता है। यदि वह गलत अनुमान लगाता है, तो उसे अपने गलत अनुमान के लिए स्पष्टीकरण भी लिखना होगा। लेकिन उसे यह करने के लिए कभी प्रशिक्षित नहीं किया गया! यह एक ऐसे छात्र की तरह है जिसने केवल सही इतिहास के बारे में निबंध लिखने का अभ्यास किया है, लेकिन जब उससे किसी परीक्षा में लिखे गए गलत दिनांक के बारे में स्पष्टीकरण पूछा जाता है, तो वह सुन्न हो जाता है या बेतुकी बातें बनाने लगता है। इसे एक्सपोज़र बायस (Exposure Bias) कहा जाता है।

समाधान: "Reason2Decide"
लेखकों ने एक नया प्रशिक्षण तरीका बनाया है जिसे Reason2Decide कहा जाता है। हमारे AI छात्र के लिए इसे एक दो-सेमेस्टर वाले कोर्स के रूप में समझें।

🎓 दो-चरणीय प्रशिक्षण योजना (The Two-Stage Training Plan)

चरण 1: "एक्सप्लेनेशन बूटकैंप" (The "Explanation Bootcamp")
AI को कोई निदान (diagnosis) करने की अनुमति देने से पहले, वह पहला सेमेस्टर केवल अच्छे चिकित्सा स्पष्टीकरण लिखना सीखने में बिताता है।

उपमा (The Analogy): कल्पना कीजिए कि एक मेडिकल छात्र जो पूरे एक महीने तक केवल केस स्टडीज को पढ़ता और फिर से लिखता है, यह सीखते हुए कि किसी बात का तर्क कैसे दिया जाता है, बिना अभी निदान सही करने की चिंता किए। वे चिकित्सा तर्क की "भाषा" सीखते हैं।
ट्विस्ट: AI यह सीखता है कि अन्य AI मॉडलों (LLMs) द्वारा लिखे गए स्पष्टीकरणों का उपयोग करके, न कि केवल मानव-लिखित नोट्स का। यह एक बड़ी बात है क्योंकि मानव-लिखित नोट्स महंगे और दुर्लभ होते हैं। पेपर दिखाता है कि AI-लिखित नोट्स बुनियादी बातें सिखाने के लिए पर्याप्त अच्छे हैं।

चरण 2: "रियल-वर्ल्ड सिमुलेशन" (The "Real-World Simulation")
अब, छात्र दूसरे सेमेस्टर में प्रवेश करता है। उन्हें अब एक साथ दो काम करने होंगे: निदान करना (Diagnose) और स्पष्टीकरण देना (Explain)।

चुनौती: वास्तविक दुनिया में, AI का निदान गलत हो सकता है। यदि वह कहता है "घर जाओ" जबकि उसे कहना चाहिए था "ER जाओ," तो उसे यह समझाने की आवश्यकता है कि उसने क्यों सोचा कि "घर जाओ" सही था।
सीक्रेट सॉस (Scheduled Sampling): यह पेपर का चतुर तरीका है।
- सेमेस्टर की शुरुआत में, शिक्षक (कंप्यूटर) छात्र की मदद करता है यह कहकर, "यहाँ सही निदान है, अब इसकी व्याख्या करें।"
- जैसे-जैसे सेमेस्टर आगे बढ़ता है, शिक्षक धीरे-धीरे मदद करना बंद कर देता है। वे कहना शुरू करते हैं, "यहाँ आपका निदान है (भले ही वह गलत हो), अब उसका स्पष्टीकरण दें।"
- अंत तक, छात्र अपने गलत निर्णयों और भविष्यवाणियों को, न कि केवल पूर्ण (perfect) निर्णयों को समझाने के लिए अभ्यस्त हो जाता है। यह प्रशिक्षण और वास्तविक दुनिया के बीच के अंतर को पाटता है।

🏥 परिणाम: यह क्यों मायने रखता है

शोधकर्ताओं ने तीन अलग-अलग चिकित्सा कार्यों पर इसका परीक्षण किया:

ट्राइएज (Triage): यह तय करना कि क्या रोगी को घर जाने की आवश्यकता है, 24 घंटे में डॉक्टर को दिखाने की आवश्यकता है, या तुरंत ER जाने की आवश्यकता है।
मेडिकल Q&A: जटिल जीव विज्ञान संबंधी प्रश्नों के उत्तर देना।

जीत (The Wins):

बेहतर सटीकता: AI ने अन्य तरीकों की तुलना में कम गलतियाँ कीं।
बेहतर स्पष्टीकरण: जब AI ने निर्णय लिया, तो उसका स्पष्टीकरण वास्तव में उस निर्णय से मेल खाता था। ऐसा नहीं हुआ कि उसने कहा "घर जाओ" और फिर "ER जाओ" के लिए स्पष्टीकरण लिखा।
छोटा लेकिन शक्तिशाली: जिस AI मॉडल का उपयोग किया गया था, वह उन विशाल, प्रसिद्ध AI मॉडलों की तुलना में 40 गुना छोटा था जिनके बारे में हर कोई बात करता है। यह एक काम करने के लिए विशाल, ईंधन की खपत करने वाले ट्रक के बजाय एक स्मार्ट, कॉम्पैक्ट सेडान का उपयोग करने जैसा है। यह इसे अस्पतालों में सीमित कंप्यूटरों के साथ चलाना सस्ता और आसान बनाता है।
मजबूती (Robustness): यहाँ तक कि जब उन्होंने इसे AI-जनित नोट्स (मानव नोट्स के बजाय) के साथ प्रशिक्षित किया, तब भी इसने अविश्वसनीय रूप से अच्छा प्रदर्शन किया। इसका मतलब है कि हमें इन प्रणालियों को प्रशिक्षित करने के लिए हजारों स्पष्टीकरण लिखने के लिए मनुष्यों को भुगतान करने की आवश्यकता नहीं हो सकती है।

🌟 बड़ी तस्वीर (The Big Picture)

Reason2Decide एक छात्र को पहले पार्किंग लॉट में स्टीयरिंग चलाने का अभ्यास करने के लिए देकर, और फिर धीरे-धीरे उन्हें ट्रैफिक में नेविगेट करते हुए हाईवे पर चलाने के लिए देकर कार चलाना सिखाने जैसा है।

केवल मानचित्र (map) को याद करने के बजाय, AI अपने स्वयं के निर्णयों के बारे में सोचना सीखता है। यह इसे डॉक्टरों के लिए एक सुरक्षित, अधिक भरोसेमंद उपकरण बनाता है, क्योंकि जब यह कहता है, "मुझे लगता है कि इस रोगी को एम्बुलेंस की आवश्यकता है," तो यह वास्तव में आपको बता सकता है कि अपने स्वयं के तर्क के आधार पर उसे ऐसा क्यों लगता है।

यहाँ शोध पत्र "Reason2Decide: Rationale-Driven Multi-Task Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करने वाले क्लिनिकल डिसीजन सपोर्ट सिस्टम्स (CDSS) में एक महत्वपूर्ण अंतराल को संबोधित करता है: भविष्यवाणी सटीकता (predictive accuracy) और व्याख्या निष्ठा (explanation fidelity) के बीच का असंतुलन।

एक्सपोज़र बायस (Exposure Bias): वर्तमान सेल्फ-रेशनलाइजेशन मॉडल गोल्ड-स्टैंडर्ड (ग्राउंड ट्रुथ) लेबल्स पर आधारित होकर स्पष्टीकरण (explanations) उत्पन्न करने के लिए प्रशिक्षित किए जाते हैं। हालाँकि, इन्फरेंस (inference) के दौरान, उन्हें अपने स्वयं के भविष्यवाणियों की व्याख्या करनी होती है, जो गलत हो सकती हैं। यह प्रशिक्षण-परीक्षण विसंगति (train-test discrepancy) मॉडल्स को अपनी गलतियों के लिए तर्कसंगत दिखने वाले लेकिन तार्किक रूप से असंगत स्पष्टीकरण उत्पन्न करने की ओर ले जाती है।
कार्य पृथक्करण (Task Separation): कई मौजूदा दृष्टिकोण भविष्यवाणी और स्पष्टीकरण को अलग-अलग कार्यों या माध्यमिक आउटपुट के रूप में मानते हैं, जिससे एक गहरा जुड़ाव (tight coupling) स्थापित करने में विफलता होती है जहाँ स्पष्टीकरण विशिष्ट भविष्यवाणी के लिए तर्क प्रक्रिया का एक अभिन्न अंग हो।
संसाधन बाधाएं (Resource Constraints): उच्च-प्रदर्शन वाले फाउंडेशन मॉडल्स अक्सर संसाधन-बाधित क्लिनिकल डिप्लॉयमेंट के लिए बहुत बड़े होते हैं, फिर भी छोटे मॉडल्स सटीक भविष्यवाणियों और उच्च-गुणवत्ता वाले, संरेखित स्पष्टीकरणों दोनों को प्रदान करने में संघर्ष करते हैं।

2. कार्यप्रणाली: Reason2Decide (Methodology)

लेखक Reason2Decide का प्रस्ताव करते हैं, जो एक दो-चरणीय प्रशिक्षण ढांचा (two-stage training framework) है जिसे एक एकल एनकोडर-डिकोडर मॉडल (T5 वेरिएंट्स) को लेबल की भविष्यवाणी करने और स्व-सुसंगत रेशनल्स (self-consistent rationales) उत्पन्न करने के लिए संयुक्त रूपв से प्रशिक्षित करने के लिए डिज़ाइन किया गया है।

मुख्य आर्किटेक्चर (Core Architecture)

मॉडल: बिना किसी आर्किटेक्चरल संशोधन के मानक T5 (Small, Base, Large) का उपयोग करता है। यह डिस्क्रीट लेबल प्रेडिक्शन (जैसे, "Go to ED Now") और फ्री-टेक्स्ट रेशनल जनरेशन दोनों को एक ही ऑब्जेक्टिव के तहत संभालने के लिए टेक्स्ट-टू-टेक्स्ट फॉर्मूलेशन का लाभ उठाता है।
इनपुट/आउटपुट: मॉडल एक क्लिनिकल नोट या प्रश्न ( $x$ ) लेता है और एक अनुमानित लेबल ( $\hat{y}$ ) और एक रेशनल ( $\hat{r}$ ) आउटपुट देता है।

चरण 1: रेशनल फाउंडेशन ट्रेनिंग (Rationale Foundation Training)

लक्ष्य: मॉडल को स्पष्टीकरण जनरेशन के बुनियादी सिद्धांतों को सिखाना।
प्रक्रिया: मॉडल को केवल गोल्ड लेबल ( $y^*$ ) पर आधारित रेशनल्स उत्पन्न करने के लिए प्रशिक्षित किया जाता है।
लॉस फंक्शन: $L_{stage1} = -\log P_\theta(r^* | \text{explain: } x)$
परिणाम: मॉडल अपनी भविष्यवाणियाँ करने के कार्य को संभालने से पहले सुसंगत मेडिकल स्पष्टीकरण उत्पन्न करना सीख जाता है।

चरण 2: टास्क-लेवल शेड्यूल्ड सैंपलिंग के साथ संयुक्त अनुकूलन (Joint Optimization with Task-Level Scheduled Sampling)

लक्ष्य: एक्सपोज़र बायस को कम करते हुए भविष्यवाणी और स्पष्टीकरण को संयुक्त रूप से अनुकूलित करना।
तंत्र: मॉडल एक लेबल ( $\hat{y}$ ) की भविष्यवाणी करता है और फिर उस भविष्यवाणी पर आधारित एक रेशनल उत्पन्न करता है।
टास्क-लेवल शेड्यूल्ड सैंपलिंग: पारंपरिक टोकन-लेवल शेड्यूल्ड सैंपलिंग के विपरीत, यह विधि कंडीशनिंग कॉन्टेक्स्ट को गोल्ड लेबल से बदलकर मॉडल के अनुमानित लेबल में बदल देती है।
- प्रत्येक प्रशिक्षण चरण $t$ $t$ के लिए, कंडीशनिंग लेबल $\tilde{y}$ $\tilde{y}$ को चुना जाता है:
  - प्रायिकता $1 - \pi_t$ के साथ गोल्ड लेबल ( $y^*$ )
  - प्रायिकता $\pi_t$ के साथ अनुमानित लेबल ( $\hat{y}$ )
- शेड्यूल: $\pi_t$ एक वार्म-अप चरण ( $w=0.05T$ ) और एक ट्रांज़िशन चरण ( $m=0.60T$ ) के साथ एक लीनियर शेड्यूल का पालन करता है, जो प्रशिक्षण के दौरान संभावित रूप से त्रुटिपूर्ण स्व-भविष्यवाणियों पर पूर्ण निर्भरता को रोकने के लिए 0.9 पर सीमित होता है।
लॉस फंक्शन: प्रेडिक्शन लॉस और एक्सप्लेनेशन लॉस का भारित योग (weighted sum):
- $L_{total} = \alpha_t L_{pred} + (1 - \alpha_t) L_{expl}$
- $\alpha_t$ को शुरू में स्पष्टीकरण लॉस को प्राथमिकता देने के लिए समायोजित किया जाता है, और फिर दोनों कार्यों को संतुलित करने के लिए स्थिर किया जाता है।

इन्फरेंस (Inference)

इन्फरेंस के दौरान, मॉडल पहले लेबल $\hat{y}$ को ग्रीडीली डिकोड करता है, फिर $\hat{y}$ पर आधारित रेशनल $\hat{r}$ उत्पन्न करता है (सेल्फ-कंडीशनिंग), यह सुनिश्चित करते हुए कि स्पष्टीकरण वास्तव में की गई भविष्यवाणी का औचित्य सिद्ध करे।

3. मुख्य योगदान (Key Contributions)

दो-चरणीय ढांचा: एक नवीन करिकुलम लर्निंग दृष्टिकोण जो रेशनल लर्निंग को संयुक्त अनुकूलन से अलग करता है, जिससे मॉडल को कठिन स्व-रेशनलाइजेशन कार्य को संभालने से पहले स्पष्टीकरण के बुनियादी सिद्धांतों में महारत हासिल करने की अनुमति मिलती है।
टास्क-लेवल शेड्यूल्ड सैंपलिंग: शेड्यूल्ड सैंपलिंग का एक विशिष्ट अनुकूलन जो कंडीशनिंग कॉन्टेक्स्ट को गोल्ड लेबल्स से अनुमानित लेबल्स में बदल देता है, जो सीधे एक्सपोज़र बायस की समस्या को संबोधित करता है।
सिंथेटिक रेशनल प्रीट्रेनिंग: यह प्रदर्शित किया गया कि LLM-जनरेटेड रेशनल्स स्टेज 1 में गोल्ड-स्टैंडर्ड रेशनल्स के प्रभावी विकल्प हो सकते हैं, जिससे महंगी मानव-लिखित एनोटेशन पर निर्भरता काफी कम हो जाती है।
दक्षता (Efficiency): यह समकालीन फाउंडेशन मॉडल्स (जैसे, Qwen-3-32B) की तुलना में 40× छोटे मॉडल्स (जैसे, 800M पैरामीटर्स वाला T5-Large) का उपयोग करके अत्याधुनिक प्रदर्शन प्राप्त करता है, जिससे क्लिनिकल रीजनिंग सुलभ हो जाती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन तीन डेटासेट्स पर किया गया:

क्लिनिकल ट्राइएज (Proprietary): नर्स ट्राइएज नोट्स जिसमें 12 डिस्पोजिशन क्लासेस हैं।
PubMedQA: बायोमेडिकल QA (हाँ/नहीं/शायद)।
BioASQ: बायोमेडिकल QA (हाँ/नहीं)।

मुख्य निष्कर्ष:

भविष्यवाणी प्रदर्शन (Predictive Performance): Reason2Decide ने सभी डेटासेट्स और मॉडल साइज में स्टैंडर्ड फाइन-ट्यूनिंग (SFT), डिस्टिलिंग स्टेप-बाय-स्टेप (DSS), और ज़ीरो-शॉट LLMs को मैक्रो-F1 और एक्यूरेसी के मामले में पछाड़ दिया।
- उदाहरण: क्लिनिकल ट्राइएज (T5-Small) पर, Reason2Decide ने 55.88 F1 प्राप्त किया, जो DSS-F1 (52.09) और SFT (52.69) से बेहतर था।
रेशनल फिडेलिटी (Rationale Fidelity): मॉडल ने गोल्ड रेशनल्स की तुलना में उच्च सिमेंटिक समानता (BERTScore) और सरफेस ओवरलैप (BLEU) के साथ स्पष्टीकरण उत्पन्न किए।
LLM-एज़-अ-जज (LLM-as-a-Judge): एक विशेषज्ञ LLM (Qwen-3-8B) द्वारा सत्यता (Correctness), कवरेज (Coverage), और ओवरलैप (Overlap) पर मूल्यांकन किया गया। Reason2Decide ने लगातार उच्चतम स्कोर किया, विशेष रूप से सत्यता (रेशनल और अनुमानित डिस्पोजिशन के बीच संरेखण) में।
स्रोत मजबूती (Source Robustness): जब स्टेज 1 में LLM-जनरेटेड रेशनल्स पर प्रशिक्षित किया गया, तो मॉडल ने स्टेज 2 में विभिन्न रेशनल स्टाइल (नर्स-लिखित, पोस्ट-प्रोसेस्ड, LLM-जनरेटेड) के बावजूद मजबूत प्रदर्शन बनाए रखा, जो बेसलाइन्स की तुलना में न्यूनतम F1 भिन्नता दिखाता है।
दक्षता: T5-Large (800M) ने तीनों डेटासेट्स पर Qwen-3-32B (32B) को पछाड़ दिया, जिससे छोटे और बड़े मॉडल्स के बीच का अंतर कम हो गया।

5. महत्व और प्रभाव (Significance and Impact)

विश्वास और अपनाना (Trust and Adoption): यह सुनिश्चित करके कि स्पष्टीकरण मॉडल की अपनी भविष्यवाणियों के साथ तार्किक रूप से सुसंगत हैं, यह प्रणाली AI-संचालित क्लिनिकल निर्णयों में विश्वास बढ़ाता है, जो वास्तविक दुनिया में अपनाने के लिए एक पूर्व शर्त है।
लागत में कमी: प्रीट्रेनिंग के लिए LLM-जनरेटेड रेशनल्स का उपयोग करने की क्षमता महंगी और समय लेने वाली मानव विशेषज्ञ एनोटेशन पर निर्भरता को कम करती है।
सुलभता (Accessibility): यह ढांचा सिद्ध करता है कि उच्च-गुणवत्ता वाले, व्याख्या योग्य क्लिनिकल निर्णय समर्थन के लिए विशाल फाउंडेशन मॉडल्स की आवश्यकता नहीं है, जिससे सीमित कंप्यूटेशनल संसाधनों वाले सेटिंग्स में तैनाती संभव होती है।
सामान्यीकरण (Generalizability): यह दृष्टिकोण केवल इन्फरेंस-टाइम रणनीतियों के बजाय मौलिक प्रशिक्षण गतिशीलता (एक्सपोज़र बायस) को संबोधित करता है, जो कि किसी भी ऐसे डोमेन के लिए एक मजबूत समाधान प्रदान करता है जिसमें व्याख्या योग्य भविष्यवाणियों की आवश्यकता होती है।