Using large language models for sensitivity analysis in causal inference: cases studies on Cornfield inequality and E-value
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models), जब संरचित प्रॉम्प्ट्स द्वारा निर्देशित होते हैं, तो वे सटीक रूप से E-वैल्यू की गणना कर सकते हैं, अनपेक्षित कन्फाउंडिंग (unmeasured confounding) के प्रति मजबूती की व्याख्या कर सकते हैं, और संभावित कन्फाउंडर्स का सुझाव दे सकते हैं, जिससे वे नैदानिक शोधकर्ताओं और चिकित्सकों को अवलोकन संबंधी अध्ययनों (observational studies) के लिए संवेदनशीलता विश्लेषण (sensitivity analyses) करने में सहायता करने के लिए प्रभावी उपकरण के रूप में कार्य कर सकते 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 एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या धूम्रपान के कारण फेफड़ों का कैंसर हुआ, या यह केवल किसी ऐसी चीज़ के कारण एक संयोग था जिसे हमने ध्यान नहीं दिया?
विज्ञान की दुनिया में, इसे एक अवलोकन संबंधी अध्ययन (observational study) कहा जाता है। शोधकर्ता वास्तविक दुनिया में लोगों को देखते हैं (वे प्रयोगशाला प्रयोग की तरह लोगों को धूम्रपान करने या न करने के लिए मजबूर नहीं कर सकते) और पैटर्न देखते हैं। लेकिन यहाँ एक पेंच है: कमरे में एक "भूत" हो सकता है—एक अनकहा कन्फाउंडर (unmeasured confounder)। यह एक छिपा हुआ कारक (जैसे आनुवंशिकी, प्रदूषण, या तनाव) है जो दोनों चीजों को प्रभावित करता है—कारण (धूम्रपान) और प्रभाव (कैंसर), जिससे ऐसा लगता है कि धूम्रपान ही अपराधी है जबकि शायद वह नहीं है।
इस "भूत" को पकड़ने के लिए, वैज्ञानिक एक विशेष उपकरण का उपयोग करते हैं जिसे सेंसिटिविटी एनालिसिस (Sensitivity Analysis) कहा जाता है। इसे अपने निष्कर्षों के लिए एक तनाव परीक्षण (stress test) के रूप में समझें। वे पूछते हैं: "हमारे निष्कर्ष को पूरी तरह से बर्बाद करने के लिए इस छिपे हुए भूत को कितना शक्तिशाली होना पड़ेगा?"
इन निष्कर्षों के लिए दो प्रसिद्ध उपकरण हैं: कॉर्नफील्ड इनइक्वैलिटी (Cornfield Inequality) और ई-वैल्यू (E-value)।
- ई-वैल्यू (E-value) एक "मॉन्स्टर स्ट्रेंथ मीटर" (दानव की शक्ति मापने वाला यंत्र) की तरह है। यदि ई-वैल्यू अधिक है (मान लीजिए 10), तो इसका मतलब है कि छिपे हुए भूत को हमारे परिणामों को खारिज करने के लिए 10 फुट लंबा, आग उगलने वाला ड्रैगन बनना होगा। चूंकि 10 फुट लंबे ड्रैगन अस्तित्व में नहीं होते, इसलिए वैज्ञानिक आश्वस्त हो सकते हैं कि धूम्रपान वास्तव में कैंसर का कारण बनता है। यदि ई-वैल्यू कम है (मान लीजिए 1.2), तो भूत को निष्कर्ष को बर्बाद करने के लिए केवल एक छोटे, अदृश्य चूहे की आवश्यकता है, इसलिए वैज्ञानिकों को बहुत संदिग्ध होना चाहिए।
समस्या
इन नंबरों की गणना करना और उनका अर्थ निकालना जटिल बीजगणित के समीकरण को हल करने जैसा है जबकि आप करतब (juggling) दिखा रहे हों। यह उन डॉक्टरों और शोधकर्ताओं के लिए कठिन है जो गणित के जादूगर नहीं हैं। उन्हें एक सहायक की आवश्यकता है।
नया सहायक: एआई डिटेक्टिव (AI Detective)
यह शोध एक बड़ा सवाल पूछता है: क्या आर्टिफिशियल इंटेलिजेंस (विशेष रूप से ChatGPT, Claude और Gemini जैसे लार्ज लैंग्वेज मॉडल्स) उस सहायक के रूप में कार्य कर सकता है?
शोधकर्ताओं ने चार अलग-अलग एआई मॉडल्स को नए इंटर्न की तरह माना। उन्होंने उन्हें चार वास्तविक जीवन के रहस्यमय मामले (धूम्रपान, पीठ दर्द, अल्जाइमर और पर्यावरणीय प्रदूषण) दिए और कहा:
- गणित करें: हमारे लिए "मॉन्स्टर स्ट्रेंथ मीटर" (ई-वैल्यू) की गणना करें।
- राय दें: उस नंबर के आधार पर, क्या परिणाम छिपे हुए भूतों से सुरक्षित है, या यह डगमगा रहा है?
- भूत को पहचानें: क्या आप उन छिपे हुए कारकों का अनुमान लगा सकते हैं जिन्हें हमने शायद छोड़ दिया हो?
परिणाम: कौन पास हुआ?
शोधकर्ताओं ने अपने एआई इंटर्न की कड़ी परीक्षा ली, और जो हुआ वह यहाँ है:
1. गणित के माहिर (ChatGPT, Claude, Gemini)
ये तीन एआई अति-सटीक कैलकुलेटर की तरह थे। उन्होंने डेटा को देखा और "मॉन्स्टर स्ट्रेंथ मीटर" की गणना बिल्कुल सही तरीके से की, जो मूल मानव वैज्ञानिकों द्वारा पाए गए नंबरों से मेल खाता था। उन्हें फॉर्मूला लिखे जाने की आवश्यकता नहीं थी; वे बस जानते थे कि इसे कैसे करना है।
2. "एक ही आकार सबके लिए" वाला इंटर्न (DeepSeek)
यह मॉडल थोड़ा अलग था। इसने गणित करने की कोशिश की लेकिन इसमें छोटी गलतियाँ हुईं, जैसे किसी चिपचिपे बटन वाला कैलकुलेटर। यह बुरा नहीं था, लेकिन यह भी एकदम सटीक नहीं था।
3. कहानीकार (व्याख्या/Interpretation)
जब नंबरों का अर्थ समझाने की बात आई, तो शीर्ष तीन एआई बेहतरीन थे।
- यदि "मॉन्स्टर स्ट्रेंथ" की आवश्यकता बहुत बड़ी थी, तो उन्होंने कहा, "चिंता न करें, यह परिणाम ठोस है।"
- यदि आवश्यक शक्ति बहुत कम थी, तो उन्होंने कहा, "सावधान रहें, एक छोटा भूत इसे बर्बाद कर सकता है।"
- बारीकी (Nuance): दिलचस्प बात यह है कि मूल शोध पत्रों ने अक्सर अपने सभी डेटा के लिए एक ही अस्पष्ट उत्तर दिया। हालाँकि, एआई अधिक लचीले थे। उन्होंने कहा, "खैर, इस विशिष्ट मामले के लिए, यह ठोस है, लेकिन उस दूसरे मामले के लिए, यह डगमगा रहा है।" वे वास्तव में मनुष्यों की तुलना में अधिक सावधान थे!
4. विचार मंथन करने वाले (Brainstormers)
एआई से उन छिपे हुए कारकों का अनुमान लगाने के लिए कहा गया जो छिपकर घात लगाए बैठे हो सकते हैं। उन्होंने आश्चर्यजनक रूप से अच्छा प्रदर्शन किया।
- धूम्रपान के अध्ययन के लिए, उन्होंने "आनुवंशिकी" या "कार्यस्थल की धूल" जैसी चीजें सुझाईं।
- पीठ दर्द के अध्ययन के लिए, उन्होंने "नींद की गुणवत्ता" या "नौकरी का तनाव" सुझाया।
- ये केवल रैंडम अनुमान नहीं थे; ये तार्किक, वैज्ञानिक रूप से सुदृढ़ विचार थे जिन्हें वास्तविक शोधकर्ता शायद भूल गए हों।
मुख्य निष्कर्ष
यह शोध पत्र वैज्ञानिक दुनिया में एआई के लिए एक रिपोर्ट कार्ड की तरह है। यह दिखाता है कि यदि आप एआई को स्पष्ट निर्देश (एक "स्ट्रक्चर्ड प्रॉम्प्ट") देते हैं, तो वह:
- भारी गणितीय काम कर सकता है।
- परिणामों को सरल अंग्रेजी (साधारण भाषा) में समझा सकता है।
- शोधकर्ताओं को उन "भूतों" (छिपे हुए कारकों) को पहचानने में मदद कर सकता है जिन्हें वे शायद भूल गए हों।
संक्षेप में: एआई अभी तक जासूस की जगह नहीं ले रहा है, लेकिन यह एक उत्कृष्ट साइडकिक (सहायक) बन रहा है। यह वैज्ञानिकों को उनके काम को दोबारा जांचने में मदद करता है, यह सुनिश्चित करता है कि जब वे कहते हैं कि "A के कारण B होता है," तो वे केवल एक छिपे हुए चर (variable) से मूर्ख नहीं बन रहे हैं। यह वैज्ञानिक खोज की पूरी प्रक्रिया को थोड़ा कम डरावना और बहुत अधिक विश्वसनीय बनाता 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।