Inclusive AI for Group Interactions: Predicting Gaze-Direction Behaviors in People with Intellectual and Developmental Disabilities
यह शोध पत्र MIDD डेटासेट को पेश करके, न्यूरोटिपिकल आबादी की तुलना में दृष्टि व्यवहार (gaze behavior) के अंतरों का विश्लेषण करके, और अधिक प्रभावी, मानव-केंद्रित उपकरणों के विकास के मार्गदर्शन के लिए थेरेपिस्ट के अंतर्दृष्टि के साथ मशीन लर्निंग मॉडल का मूल्यांकन करके, बौद्धिक और विकासात्मक विकलांगताओं वाले लोगों से जुड़ी समूह अंतःक्रियाओं के लिए समावेशी एआई को आगे बढ़ाता 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 एक रोबोट को दोस्तों के एक समूह के साथ "हॉट पोटैटो" (गर्म आलू) का खेल खेलना सिखाने की कोशिश कर रहे हैं। रोबोट को वर्षों तक सामान्य, न्यूरोटिपिकल (neurotypical) लोगों के समूहों को देखते हुए प्रशिक्षित किया गया है। वह नियम जानता है: यदि कोई आपकी ओर देखता है, तो वे बात कर रहे हैं। यदि वे दूसरी ओर देखते हैं, तो वे सुन रहे हैं।
अब, आप उसे दोस्तों का एक नया समूह पेश करते हैं: बौद्धिक और विकासात्मक अक्षमताओं (IDD) वाले लोग। अचानक, रोबोट भ्रमित हो जाता है। उसे लगता है कि कोई भी बात नहीं कर रहा है क्योंकि कोई भी "परफेक्ट" आई कॉन्टैक्ट (नजरें मिलाना) नहीं बना रहा है। वह बारी (turns) चूक जाता है, बीच में टोक देता है, और बातचीत को समझने में विफल रहता है।
यह शोध पत्र इस रोबोट को ठीक करने के बारे में है ताकि वह केवल "औसत" व्यक्ति के साथ ही नहीं, बल्कि सभी के साथ निष्पक्षता से खेल सके।
उनकी यात्रा की कहानी यहाँ दी गई है, जिसे सरल भागों में विभाजित किया गया है:
1. समस्या: रोबोट की "नियम पुस्तिका" (Rulebook) पुरानी हो गई है
लेखक बताते हैं कि आज के अधिकांश AI सिस्टम उन छात्रों की तरह हैं जिन्होंने केवल एक विशिष्ट पाठ्यपुस्तक का अध्ययन किया है। वह पाठ्यपुस्तक न्यूरोटिपिकल लोगों द्वारा और उनके लिए लिखी गई थी।
- समस्या: सामान्य समूहों में, लोग बात करते समय एक-दूसरे की ओर देखते हैं। IDD वाले समूहों में, लोग फर्श की ओर देख सकते हैं, दीवार की ओर देख सकते हैं, या संचार के लिए आंखों के बजाय इशारों का उपयोग कर सकते हैं।
- परिणाम: AI, अपनी पुरानी पाठ्यपुस्तक पर भरोसा करते हुए, सोचता है, "ओह, कोई नहीं देख रहा है, इसलिए कोई बात नहीं कर रहा है!" यह उन लोगों को शामिल करने में विफल रहता है जो अलग तरह से संवाद करते हैं।
2. समाधान: एक नई "फील्ड गाइड" (The MIDD Dataset)
इसे ठीक करने के लिए, शोधकर्ताओं ने वास्तविक बातचीत के वीडियो बनाए जिनमें IDD वाले 13 वयस्कों को शामिल किया गया था। उन्होंने इस नए डेटा संग्रह को MIDD (Multi-party Interaction with Intellectual and Developmental Disabilities) नाम दिया।
इसे ऐसे समझें कि रोबोट को अंततः एक नई फील्ड गाइड मिल रही है जो दिखाती है कि इन विशिष्ट दोस्तों का व्यवहार वास्तव में कैसा होता है।
- उन्होंने उन्हें एक घेरे में फिल्माया, ठीक वैसे ही जैसे पुराने टेक्स्टबुक में किया गया था, ताकि वे सेब की तुलना सेब से (apples to apples) कर सकें।
- उन्होंने पाया कि इन समूहों में, लोग बहुत अधिक बार दूसरी ओर देखते हैं (सामान्य समूहों में 34% के मुकाबले 66% समय)।
- उन्होंने पाया कि रोशनी अक्सर कम थी और कैमरा एंगल भी चुनौतीपूर्ण थे।
3. प्रयोग: रोबोट की आँखों का परीक्षण
शोधकर्ताओं ने तीन अलग-अलग प्रकार के "रोबोटों" (AI मॉडल्स) को लिया और उनका परीक्षण किया:
- पुराना स्कूल वाला रोबोट (SVC & XGBoost): ये कैलकुलेटर की तरह हैं। ये नंबरों (सिर की स्थिति, आंखों की दिशा) को देखते हैं और एक अनुमान लगाते हैं।
- सुपर-ब्रेन रोबोट (FSFNet): यह एक डीप लर्निंग मॉडल है, एक ऐसे छात्र की तरह जिसने लाखों किताबें पढ़ी हैं और चेहरों के पैटर्न को "देख" सकता है।
क्या हुआ?
- जब उन्होंने इन रोबोटों का परीक्षण पुराने टेक्स्टबुक डेटा (न्यूरोटिपिकल लोग) पर किया, तो सुपर-ब्रेन अद्भुत था।
- जब उन्होंने इसे नई फील्ड गाइड (MIDD) पर टेस्ट किया, तो रोबोट लड़खड़ा गए। वे "परफेक्ट" आई कॉन्टैक्ट देखने के इतने आदी थे कि जब लोगों ने दूसरी ओर देखा, तो वे खो गए।
- समाधान: उन्होंने रोबोट को "फाइन-ट्यूनिंग" (fine-tuning) करने की कोशिश की। यह सुपर-ब्रेन को नई फील्ड गाइड पर एक क्रैश कोर्स देने जैसा है। इससे मदद मिली, लेकिन रोबोट अभी भी भारी असंतुलन (इतने सारे लोगों का दूसरी ओर देखना) के कारण संघर्ष कर रहे थे।
4. "टीम-अप" रणनीति
शोधकर्ताओं को एहसास हुआ कि एक रोबोट काफी नहीं है। इसलिए, उन्होंने एक ड्रीम टीम बनाई।
- उन्होंने "सुपर-ब्रेन" (जो चेहरे देखने में माहिर है) को "कैलकुलेटर" (जो यह ट्रैक करने में अच्छा है कि कौन बोल रहा है) के साथ जोड़ा।
- उपमा: एक जासूस (सुपर-ब्रेन) की कल्पना करें जो संदिग्ध के चेहरे को देखता है, जो एक गवाह (कैलकुलेटर) के साथ मिलकर काम करता है जो जानता है कि कौन बोल रहा था। साथ मिलकर, वे अकेले काम करने की तुलना में रहस्य सुलझाने में बहुत बेहतर हैं।
- परिणाम: इस टीम-अप ने सटीकता में काफी सुधार किया, जिससे AI यह अनुमान लगाने में बहुत बेहतर हो गया कि कौन बोल रहा था, भले ही आई कॉन्टैक्ट अव्यवस्थित क्यों न हो।
5. मानवीय तत्व: थेरेपिस्ट से बातचीत
यहाँ सबसे महत्वपूर्ण हिस्सा है। शोधकर्ताओं ने केवल आंकड़ों पर भरोसा नहीं किया; वे छह थेरेपिस्ट्स (विशेषज्ञ जो इन व्यक्तियों के साथ काम करते हैं) के पास बैठे और पूछा, "इस डेटा का वास्तव में क्या अर्थ है?"
थेरेपिस्ट्स ने एक "बल्ब जलने वाला क्षण" (lightbulb moment) प्रदान किया:
- "स्टिमिंग" (Stimming) की गलतफहमी: AI ने एक व्यक्ति को आगे-पीछे झूमते हुए या फर्श की ओर देखते हुए देखा और सोचा, "वे अन engagaged (जुड़े हुए नहीं) हैं।" थेरेपिस्ट ने कहा, "नहीं! यह उनकी भावनाओं को नियंत्रित करने का तरीका है। वे अभी भी सुन रहे हैं।"
- शिक्षक की भूमिका: इन समूहों में, एक शिक्षक अक्सर एक "सामाजिक सेतु" (social bridge) के रूप में कार्य करता है, जो एक नज़र या स्पर्श के माध्यम से बातचीत का मार्गदर्शन करता है। AI यह नहीं जान पाया कि शिक्षक की मदद को कैसे देखना है।
- मौन का महत्व: कभी-कभी, मौन के साथ एक सूक्ष्म दृष्टि यह कहने का एक जानबूझकर किया गया तरीका है कि, "मैं सोच रहा हूँ।" AI अक्सर इसे मिस कर देता है।
मुख्य निष्कर्ष
यह शोध पत्र हमें सिखाता है कि AI "एक ही आकार सबके लिए फिट" (one size fits all) नहीं हो सकता।
यदि आप लोगों के बीच बातचीत में मदद करने के लिए कोई उपकरण बनाते हैं, तो आपको इसे सभी लोगों की विशिष्ट आवश्यकताओं को ध्यान में रखकर बनाना होगा। आप इसे केवल "औसत" व्यक्ति पर प्रशिक्षित नहीं कर सकते। आपको चाहिए:
- नया डेटा: विविध समूहों के वास्तविक रिकॉर्डिंग।
- नए उपकरण: ऐसे रोबोट जो केवल आंखों को ही नहीं, बल्कि अन्य चीजों (जैसे सिर की स्थिति और कौन बोल रहा है) को भी देखते हैं।
- मानवीय बुद्धिमत्ता: यह समझने के लिए विशेषज्ञों को सुनना कि लोग व्यवहार क्यों करते हैं, न कि केवल वे क्या कर रहे हैं।
संक्षेप में: रोबोट की "नियम पुस्तिका" को अपडेट करके और मानवीय विशेषज्ञों की बात सुनकर, हम ऐसा AI बना सकते हैं जो केवल लोगों को देखता ही नहीं, बल्कि उन्हें वास्तव में समझता भी है, जिससे समूह की बातचीत सभी के लिए निष्पक्ष और समावेशी बन जाती 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।