From Word Sequences to Behavioral Sequences: Adapting Modeling and Evaluation Paradigms for Longitudinal NLP
यह शोध पत्र एनएलपी (NLP) के लिए एक अनुदैर्ध्य मॉडलिंग और मूल्यांकन प्रतिमान प्रस्तावित करता है जो दस्तावेजों को स्वतंत्र नमूनों के बजाय समय-क्रमबद्ध व्यवहारिक अनुक्रमों के रूप में मानता है, और एक पीटीएसडी (PTSD) डायरी अध्ययन के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण पारिस्थितिक रूप से वैध अंतर्दृष्टि प्रदान करता है जो अक्सर पारंपरिक दस्तावेज़-स्तरीय विधियों द्वारा छूट जाती हैं या उलट दी जाती हैं।
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 मौसम की भविष्यवाणी करना सीख रहे हैं।
पुराना तरीका (पारंपरिक NLP)
अधिकांश कंप्यूटर प्रोग्राम जो भाषा का विश्लेषण करते हैं (NLP), वे हर वाक्य या डायरी प्रविष्टि को एक अलग, अलग-थलग मौसम रिपोर्ट की तरह मानते हैं। वे शायद 1,000 अलग-अलग दिनों की 1,000 रैंडम रिपोर्ट उठा सकते हैं, उन्हें आपस में मिला सकते हैं, और कह सकते हैं, "ठीक है, यह हमारा ट्रेनिंग डेटा है, और यह हमारा टेस्ट डेटा है।"
यह लेख तर्क देता है कि यह मौसम के बारे में सीखने के लिए एक बादल के एक अकेले स्नैपशॉट (झलक) को देखने जैसा है, और फिर खुद का परीक्षण एक पूरी तरह से अलग तूफान के दूसरे स्नैपशॉट पर करना, बिना यह महसूस किए कि वे एक ही तूफान प्रणाली से आए थे। यह मानता है कि भाषा का हर टुकड़ा स्वतंत्र है, जैसे कि एक सिक्के का उछाल।
नया तरीका (अनुदैर्ध्य/Longitudinal NLP)
लेखक कहते हैं: "ठहरिए। ये शब्द लोगों द्वारा लिखे गए थे, और लोग समय के साथ बदलते हैं। सोमवार को किसी व्यक्ति का लेखन मंगलवार के लेखन से जुड़ा होता है, और उनकी लेखन शैली अनूठी होती है, न कि केवल रैंडम शोर (noise)।"
वे भाषा को शब्दों के ढेर के रूप में नहीं, बल्कि एक व्यक्ति के जीवन की एक फिल्म के रूप में देखने का प्रस्ताव देते हैं, जहाँ हर फ्रेम (डायरी प्रविष्टि) पिछले फ्रेम पर निर्भर करता है।
यहाँ उनके निष्कर्षों का सरल उपमाओं का उपयोग करके विवरण दिया गया है:
1. "लीकी बकेट" (रिसाव वाली बाल्टी) की समस्या (मूल्यांकन विभाजन)
पुराने तरीके में, यदि आप किसी व्यक्ति की 70% डायरी प्रविष्टियों पर कंप्यूटर को प्रशिक्षित करते हैं और शेष 30% पर उसका परीक्षण करते हैं, तो कंप्यूटर धोखाधड़ी कर रहा है। यह एक छात्र को अभ्यास परीक्षा देने जैसा है जिसमें उत्तर शामिल हैं क्योंकि वह उसी व्यक्ति के नोट्स से पढ़ रहा है।
- लेख का समाधान: वे कंप्यूटर का परीक्षण करने के दो नए तरीके सुझाते हैं:
- "अजनबी" परीक्षण (क्रॉस-सेक्शनल): व्यक्ति A, B और C पर प्रशिक्षित करें। व्यक्ति D (एक ऐसा व्यक्ति जिसे कंप्यूटर ने कभी नहीं देखा) पर परीक्षण करें। क्या वह व्यक्ति D के शब्दों को पढ़कर उसकी भावनाओं का अनुमान लगा सकता है?
- "भविष्य" परीक्षण (प्रोस्पेक्टिव): व्यक्ति A के पहले महीने पर प्रशिक्षित करें। व्यक्ति A के अगले महीने पर परीक्षण करें। क्या यह अनुमान लगा सकता है कि आगे क्या होगा?
चौंकाने वाला परिणाम: जब उन्होंने पुराने "रैंडम शफल" तरीके का उपयोग किया, तो कंप्यूटर एक जीनियस की तरह दिखा। लेकिन जब उन्होंने "अजनबी" और "भविष्य" परीक्षणों का उपयोग किया, तो कंप्यूटर अक्सर बुरी तरह विफल रहा। कुछ मामलों में, पुराने तरीके ने कंप्यूटर को वास्तविक अनुमान लगाने से भी बेहतर दिखाया, जबकि नए तरीके ने दिखाया कि वह वास्तव में एक साधारण अनुमान से भी बदतर था। पुराना तरीका झूठ बोल रहा था कि कंप्यूटर वास्तव में कितना स्मार्ट था।
2. "औसत बनाम प्रवाह" की समस्या (मेट्रिक्स)
लेख कहता है कि मानक स्कोर (जैसे "औसत सटीकता") एक फिल्म को केवल उसके हर फ्रेम की औसत चमक देखकर आंकने जैसा है। आप कहानी को मिस कर देते हैं।
- व्यक्ति-के-बीच का स्कोर (Between-Person Score): क्या कंप्यूटर ने सीखा कि व्यक्ति A आमतौर पर चिड़चिड़ा है और व्यक्ति B आमतौर पर खुश है? (यह आसान है; यह बस याद रखता है कि कौन कौन है)।
- व्यक्ति-के-भीतर का स्कोर (Within-Person Score): क्या कंप्यूटर ने सीखा कि व्यक्ति A सोमवार की तुलना में मंगलवार को अधिक चिड़चिड़ा हो गया था? (यह कठिन है; इसके लिए समय के प्रवाह को समझने की आवश्यकता होती है)।
चौंकाने वाला परिणाम: कंप्यूटर यह याद रखने में बहुत अच्छा था कि कौन चिड़चिड़ा है (व्यक्ति-के-बीच), लेकिन यह भविष्यवाणी करने में बहुत खराब था कि वे कब चिड़चिड़े होंगे (व्यक्ति-के-भीतर)। पुराने "औसत स्कोर" ने इस विफलता को छिपा दिया, जिससे यह दिखने लगा कि कंप्यूटर पूरी तस्वीर समझता है, जबकि वह केवल स्थिर हिस्सों को समझता था।
3. "स्मृति" की समस्या (मॉडलिंग)
यदि आप मौसम की भविष्यवाणी करना चाहते हैं, तो केवल अभी आसमान को देखना पर्याप्त नहीं है; आपको यह जानने की आवश्यकता है कि पिछले एक घंटे से बारिश हो रही है या नहीं।
- पुराना तरीका: कंप्यूटर एक डायरी प्रविष्टि को अलग थलग देखता है, जैसे कि एक अकेला फोटो।
- नया तरीका: कंप्यूटर पिछली 30 दिनों की प्रविष्टियों को एक अनुक्रम (सीक्वेंस) के रूप में देखता है, जैसे कि एक वीडियो।
चौंकाने वाला परिणाम: जब कंप्यूटर को "वीडियो देखने" (इतिहास देखने) की अनुमति दी गई, तो वह भविष्य की भविष्यवाणी करने में बहुत बेहतर हो गया, विशेष रूप से उन लोगों के लिए जिन्हें उसने पहले कभी नहीं देखा था। हालाँकि, उसे किस प्रकार की स्मृति की आवश्यकता थी, यह परीक्षण पर निर्भर करता था:
- एक नए व्यक्ति की भविष्यवाणी करने के लिए, उसे उनके अतीत का एक "सारांश" (एक मोटा, नियमित दृश्य) चाहिए था।
- उसी व्यक्ति के भविष्य की भविष्यवाणी करने के लिए, उसे विस्तृत अंतःक्रियाओं और समय के साथ होने वाले परिवर्तनों को देखने की आवश्यकता थी (एक जटिल, संवादात्मक दृश्य)।
मुख्य निष्कर्ष
लेख यह निष्कर्ष निकालता है कि हमें भाषा को केवल शब्दों के अनुक्रम के रूप में नहीं, बल्कि मानव व्यवहार के अनुक्रम के रूप में देखना शुरू करना चाहिए।
यदि आप वास्तविक दुनिया में काम करने वाला AI बनाना चाहते हैं (जहाँ यह नए लोगों से मिलता है और भविष्य की घटनाओं की भविष्यवाणी करता है), तो आप डेटा को यादृच्छिक रूप से (randomly) शफल नहीं कर सकते। आपको करना होगा:
- इसे नए लोगों और भविष्य के समय पर टेस्ट करें, न कि केवल बिखरे हुए रैंडम टुकड़ों पर।
- दो स्कोर रिपोर्ट करें: एक यह कि "यह व्यक्ति कौन है?" और दूसरा यह कि "इसके साथ अभी क्या हो रहा है?"
- कंप्यूटर को एक स्मृति दें ताकि वह केवल एक स्नैपशॉट नहीं, बल्कि कहानी देख सके।
ऐसा करके, हम ऐसे मॉडल बनाना बंद करते हैं जो केवल एक परीक्षा देने में अच्छे होते हैं, और ऐसे मॉडल बनाना शुरू करते हैं जो वास्तव में मानव व्यवहार को समझते हैं।
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।