What makes an Expert? Comparing Problem-solving Practices in Data Science Notebooks
बहु-स्तरीय अनुक्रम विश्लेषण के माध्यम से 440 जुपिटर नोटबुक का विश्लेषण करके, यह अध्ययन प्रकट करता है कि डेटा विज्ञान विशेषज्ञता नवागंतुक और विशेषज्ञों के बीच विभिन्न चरण संक्रमणों द्वारा नहीं, बल्कि विशेषज्ञों द्वारा नवागंतुकों की रैखिक प्रक्रियाओं की तुलना में छोटी, अधिक पुनरावृत्तिपूर्ण और संदर्भ-विशिष्ट क्रिया अनुक्रमों को अपनाने द्वारा विशिष्ट होती 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
मुख्य प्रश्न: एक डेटा साइंटिस्ट को "विशेषज्ञ" (Expert) क्या बनाता है?
कल्पना कीजिए कि आप दो लोगों को एक जटिल केक बनाना सिखा रहे हैं।
- नौसिखिया (The Novice): वह रेसिपी का हुबहू पालन करता है: सामग्री मिलाएं, बेक करें, फ्रॉस्टिंग लगाएं और परोसें। यदि केक सूखा रह जाए, तो वह उसे छिपाने के लिए बस और अधिक फ्रॉस्टिंग लगा सकता है। वह रेसिपी को सख्त आदेशों की एक सीधी रेखा की तरह मानता है।
- विशेषज्ञ (The Expert): वह भी रेसिपी जानता है, लेकिन वह बैटर (घोल) को चखता है, चीनी को एडजस्ट करता है, यह महसूस करता है कि ओवन बहुत गर्म है, तापमान कम करता है, और शायद बीच में ही स्पंज केक से बदलकर चीज़केक बनाने का फैसला कर लेता है क्योंकि उसे दिखता है कि सामग्रियां आपस में सही से काम नहीं कर रही हैं। वह रेसिपी को एक ट्रेन की पटरी की तरह नहीं, बल्कि एक नक्शे की तरह मानता है।
यह पेपर पूछता है: जब वे डेटा साइंस की किसी समस्या पर काम कर रहे हों, तो हम वास्तव में नौसिखिए और विशेषज्ञ के बीच के अंतर को कैसे देख सकते हैं?
डेटा साइंस में, लोग जुपिटर नोटबुक (Jupyter Notebooks) नामक टूल्स का उपयोग करते हैं। इन्हें अपने डिजिटल नोटबुक के रूप में समझें जहाँ आप कोड लिखते हैं, उसे चलाते हैं, परिणाम देखते हैं और फिर से कोड लिखते हैं। यह एक शेफ की डायरी की तरह है जहाँ वे लिखते हैं कि उन्होंने कौन सी सामग्री आजमाई और हर बार स्वाद लेने के लिए क्या किया।
शोधकर्ताओं ने इन 440 नोटबुक (कुछ शुरुआती लोगों की, कुछ उस्तादों की) का अध्ययन किया ताकि यह पता लगाया जा सके कि "विशेषज्ञ" के सोचने का तरीका वास्तव में कैसा दिखता है।
जांच के तीन स्तर
शोधकर्ताओं ने केवल अंतिम केक को नहीं देखा; उन्होंने कैमरे को ज़ूम करने की तरह, तीन अलग-अलग स्तरों पर खाना बनाने की प्रक्रिया को देखा।
1. "बड़ी तस्वीर" वाला दृश्य (पूरी यात्रा)
उपमा: एक रोड ट्रिप के नक्शे को देखने की कल्पना करें।
- नौसिखिए का नक्शा: वे बिंदु A से बिंदु B तक एक सीधी रेखा में चलते हैं। वे क्रमवार तरीके से हर गैस स्टेशन और विश्राम स्थल पर रुकते हैं, भले ही उन्हें उनकी आवश्यकता न हो। यह एक लंबी, रैखिक, "एकतरफा सड़क" वाली यात्रा है।
- विशेषज्ञ का नक्शा: वे एक छोटा, घुमावदार रास्ता लेते हैं। वे A से B तक जा सकते हैं, महसूस कर सकते हैं कि उन्होंने एक मोड़ छोड़ दिया है, वापस A पर लौट सकते हैं, एक अलग रास्ता ले सकते हैं, और फिर B की ओर तेजी से बढ़ सकते हैं। यह छोटे, त्वरित लूप्स (loops) की एक श्रृंखला है।
निष्कर्ष: विशेषज्ञ अनिवार्य रूप से उन "शहरों" (डेटा साइंस के चरणों) पर नहीं जाते जो नौसिखिए जाते हैं। वे उन्हीं जगहों पर जाते हैं (डेटा इम्पोर्ट करना, एक्सप्लोर करना, मॉडल ट्रेनिंग, विज़ुअलाइज़ेशन)। लेकिन, वे इसे एक छोटे, अधिक लूपिंग (घुमावदार) तरीके से करते हैं। वे जल्दी से आगे-पीछे जाने के लिए तैयार रहते हैं। नौसिखिए एक लंबी, सीधी रेखा में आगे बढ़ते रहते हैं, इस उम्मीद में कि वे पहली बार में ही सही हो जाएंगे।
2. "ट्रैफिक फ्लो" वाला दृश्य (चरणों के बीच आवाजाही)
उपमा: एक चौराहे पर ट्रैफिक लाइट को देखने की कल्पना करें।
- निष्कर्ष: जब शोधकर्ताओं ने देखा कि लोग एक चरण से दूसरे चरण में (जैसे, "डेटा क्लीनिंग" से "मॉडल बिल्डिंग" तक) कैसे जाते हैं, तो दोनों समूहों के लिए ट्रैफिक पैटर्न लगभग समान थे।
- मुख्य बात: विशेषज्ञों के पास कोई गुप्त "सीक्रेट सॉस" वाला क्रम नहीं होता। वे चरणों को छोड़ते नहीं हैं या उन्हें किसी जादुई नए क्रम में नहीं करते। यदि आप केवल उनके कदमों के क्रम को देखें, तो आप उन्हें शुरुआती लोगों से अलग नहीं पहचान पाएंगे।
3. "माइक्रो-मूव्स" वाला दृश्य (विशिष्ट क्रियाएं)
उपमा: यह स्लो मोशन में एक शेफ के हाथों को देखने जैसा है।
- नौसिखिया: वह एक प्याज काट सकता है, फिर दोबारा काट सकता है, फिर दोबारा काट सकता है, सिर्फ सुनिश्चित करने के लिए। वह एक फाइल लोड कर सकता है, उसे देख सकता है, फिर से लोड कर सकता है, और फिर से देख सकता है। वे बार-बार एक ही बुनियादी क्रिया दोहराकर "एक्सप्लोर" कर रहे हैं।
- विशेषज्ञ: वे फाइल लोड करते हैं, उसे देखते हैं, तुरंत मॉडल में बदलाव करते हैं, परिणाम देखते हैं, और यदि वह गलत है, तो वे तुरंत फिर से बदलाव करते हैं। उनकी चालें कुशल, विशिष्ट और उद्देश्यपूर्ण होती हैं। वे बिना किसी विशेष कारण के एक ही काम को दोबारा करने में समय बर्बाद नहीं करते।
निष्कर्ष: असली अंतर यहीं है। विशेषज्ञ विशिष्ट क्रियाओं के कुशल, छोटे लूप्स का उपयोग करते हैं। नौसिखिए लंबे, दोहराव वाले, परीक्षण-और-त्रुटि (trial-and-error) वाले लूप्स का उपयोग करते हैं।
यह क्यों मायने रखता है? ("तो क्या?")
यह पेपर तर्क देता है कि हम डेटा साइंस को गलत तरीके से सिखा रहे हैं, खासकर अब जब जेनरेटिव एआई (Generative AI) (जैसे कि वह टूल जिससे आप अभी बात कर रहे हैं) हर जगह मौजूद है।
समस्या:
AI कोड लिखने में बहुत अच्छा है। यदि कोई छात्र AI से पूछता है, "मैं इस डेटा को कैसे साफ करूं?" तो AI उत्तर दे देता है।
- यदि छात्र एक नौसिखिया है, तो वह बस उत्तर को कॉपी करेगा, पेस्ट करेगा और अगले चरण पर चला जाएगा। वह उस लंबी, सीधी रेखा का पालन कर रहा है। वह सोचना नहीं सीख रहा है; वह केवल उत्तर मांगना सीख रहा है।
- यदि छात्र एक विशेषज्ञ है, तो वह AI को एक साथी के रूप में उपयोग करता है। वह पूछता है, "अगर मैं यह कोशिश करूं तो क्या होगा?" और "यह क्यों विफल हुआ?" वह AI का उपयोग अपने लूप्स को तेज करने के लिए करता है, न कि अपनी सोच को बदलने के लिए।
समाधान:
हमें छात्रों को केवल उनके अंतिम केक (अंतिम कोड या मॉडल) के आधार पर ग्रेड देना बंद करना चाहिए। हमें उनके खाना बनाने की प्रक्रिया को ग्रेड देना शुरू करना चाहिए।
- क्या वे एक लंबी, सीधी रेखा में फंसे हुए हैं?
- क्या वे एक अलग दृष्टिकोण आजमाने के लिए वापस लूप करने के लिए तैयार हैं?
- क्या वे AI का उपयोग रणनीतिक रूप से सोचने के लिए कर रहे हैं या केवल कार्य को पूरा करने के लिए?
निचोड़
डेटा साइंस में विशेषज्ञ होना चरणों की एक गुप्त सूची जानने के बारे में नहीं है। यह इस बारे में है कि आप कैसे चलते हैं।
- नौसिखिए एक हाइकर की तरह होते हैं जो एक रास्ते के निशान का पालन करते हैं, एक समय में एक कदम, रास्ते से भटकने के डर के साथ।
- विशेषज्ञ उन पर्वतारोहियों की तरह होते हैं जो इलाके को जानते हैं। वे ऊपर चढ़ सकते हैं, महसूस कर सकते हैं कि रास्ता अवरुद्ध है, नीचे फिसल सकते हैं, एक नया रास्ता ढूंढ सकते हैं और फिर से ऊपर चढ़ सकते हैं। वे लचीले होते हैं, वे वापस लूप करते हैं, और वे कुशलता से चलते हैं।
पेपर सुझाव देता है कि बेहतर विशेषज्ञ (विशेष रूप से AI की दुनिया में) बनाने के लिए, हमें छात्रों को खो जाने, वापस लूप करने और बार-बार प्रयास करने (इटरेशन) में सहज होना सिखाना चाहिए, बजाय इसके कि वे पहली बार में ही "सही उत्तर" पाने की कोशिश करें।
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।