Multiperspectivity as a Resource for Narrative Similarity Prediction
यह शोध पत्र नैरेटिव मल्टीपर्सपेक्टिविटी (कथात्मक बहु-परिप्रेक्ष्यता) को एक चुनौती के रूप में मानने के बजाय उसे अपनाने के लिए 31 विविध LLM व्यक्तित्वों (पर्सोना) के एक समूह (एन्सेम्बल) का लाभ उठाने का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि ऐसा दृष्टिकोण SemEval-2026 टास्क 4 डेटासेट पर समानता भविष्यवाणी की सटीकता में सुधार करता है और वर्तमान एकल-सत्य (सिंगल-ग्राउंड-ट्रुथ) मूल्यांकन ढाँचों की सीमाओं को उजागर करता 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 यह तय करने की कोशिश कर रहे हैं कि दो में से कौन सी कहानी तीसरी "मूल" कहानी के अधिक समान है। कंप्यूटर की दुनिया में, इसे आमतौर पर एक गणितीय समस्या की तरह माना जाता है: एक सही उत्तर है, और कंप्यूटर को बस उसे ढूंढना है।
लेकिन यह शोध पत्र तर्क देता है कि कहानी कहना गणित नहीं है; यह कला है। और कला में, कोई एक "सही" उत्तर नहीं होता। एक साहित्यिक आलोचक एक महिला के बारे में लिखी गई कहानी को महिला सशक्तिकरण की गाथा के रूप में देख सकता है, जबकि एक इतिहासकार इसे 19वीं सदी के समाज की आलोचना के रूप में देख सकता है। दोनों ही वैध हैं, लेकिन वे इस बारे में अलग-अलग निष्कर्षों की ओर ले जाते हैं कि कहानी का "अर्थ" क्या है।
इस शोध पत्र के लेखकों ने पूछा: क्या होगा अगर हम कंप्यूटर को "एक एकमात्र सत्य उत्तर" खोजने के लिए मजबूर करना बंद कर दें और इसके बजाय उन्हें विविध विशेषज्ञों के एक पैनल की तरह बहस करने दें?
यहाँ उनके प्रयोग का विवरण दिया गया, जिसे कुछ रोजमर्रा के उपमाओं के साथ समझाया गया है।
1. सेटअप: 31 पात्रों का "सुपर-पैनल"
एक एकल AI मॉडल से निर्णय लेने के लिए कहने के बजाय, शोधकर्ताओं ने 31 अलग-अलग AI "पर्सोना" (पात्रों) की एक टीम बनाई।
इसे एक मुकदमे के लिए जूरी नियुक्त करने जैसा समझें, लेकिन साधारण लोगों के बजाय, आप नियुक्त करते हैं:
- विशेषज्ञ (अभ्यासकर्ता): एक नारीवादी साहित्यिक आलोचक, एक उत्तर-औपनिवेशिक सिद्धांतकार, एक डेटा वैज्ञानिक, एक मनोवैज्ञानिक। ये विशिष्ट नियमों के साथ पाठ (text) का विश्लेषण करने वाले "गंभीर" विचारक हैं।
- आम लोग (Lay People): एक हाई स्कूल का छात्र, एक फुटबॉल खिलाड़ी, एक समुद्री डाकू, एक टैक्सी ड्राइवर। ये "साधारण" लोग हैं जो केवल अपनी अंतरात्मा या सहज ज्ञान (gut feeling) का उपयोग करते हैं।
उन्होंने इन 31 पात्रों में से प्रत्येक को वोट देने के लिए कहा कि कौन सी कहानी अधिक समान है। फिर, अंतिम उत्तर प्राप्त करने के लिए उन्होंने बहुमत से मतदान (एक लोकतांत्रिक चुनाव की तरह) किया।
2. आश्चर्य: "अनजान" भीड़ बनाम "अति-विचार करने वाले"
शोधकर्ता उम्मीद कर रहे थे कि "विशेषज्ञ" जीतेंगे। आखिर, उनके पास शानदार डिग्रियाँ और पाठ का विश्लेषण करने के लिए विशिष्ट ढांचे हैं, है ना?
गलत।
- व्यक्तिगत परिणाम: जब आपने प्रत्येक पात्र को अकेले देखा, तो "आम लोग" (जैसे फुटबॉल खिलाड़ी या टूर गाइड) वास्तव में "विशेषज्ञों" की तुलना में सही उत्तर का अनुमान लगाने में बेहतर थे। विशेषज्ञ अक्सर अपनी जटिल थ्योरीओं में उलझ जाते थे और स्पष्ट समानताओं को छोड़ देते थे।
- टीम का परिणाम: हालाँकि, जब आपने उन सभी को एक समूह वोट में मिला दिया, तो विशेषज्ञों ने स्थिति को संभाल लिया। भले ही वे व्यक्तिगत रूप से खराब थे, लेकिन उनकी गलतियाँ एक-दूसरे से भिन्न थीं। एक फुटबॉल खिलाड़ी एक चीज़ से भ्रमित हो सकता है, जबकि एक नारीवादी आलोचक किसी दूसरी चीज़ से भ्रमित हो सकता है। जब आप उन सभी को एक साथ मिलाते हैं, तो उनकी गलतियाँ एक-दूसरे को काट देती हैं, और समूह अविश्वसनीय रूप से स्मार्ट हो जाता है।
उपमा: कल्पना कीजिए कि आप एक विशाल कद्दू के वजन का अनुमान लगाने की कोशिश कर रहे हैं।
- एक विशेषज्ञ मिट्टी के घनत्व पर बहुत अधिक विचार करके गलत हो सकता है।
- दूसरा डंठल पर ध्यान केंद्रित करके गलत हो सकता है।
- लेकिन यदि आप 30 लोगों को लेते हैं जिनके अनुमान थोड़े गलत हैं और उनका औसत निकालते हैं, तो आप अक्सर वास्तविक वजन के आश्चर्यजनक रूप से करीब पहुँच जाते हैं। इसे "भीड़ की बुद्धिमत्ता" (Wisdom of Crowds) कहा जाता है।
3. ट्विस्ट: "जेंडर" (लिंग) का जाल
यहीं पर यह शोध पत्र वास्तव में दिलचस्प हो जाता है। उन्होंने एक अजीब पैटर्न देखा: जब भी AI पात्रों ने लिंग, नारीवाद या पितृसत्ता से संबंधित शब्दों (जैसे "महिला मुख्य पात्र," "लिंग भूमिकाएं," या "वस्तुकरण") का उपयोग करना शुरू किया, तो उनकी सटीकता गिर गई।
क्यों?
- सिद्धांत A: बेंचमार्क (वह परीक्षण जो वे ले रहे थे) उन लोगों द्वारा बनाया गया था जिन्हें लिंग (gender) की परवाह नहीं थी। इसलिए, जब AI ने लिंग पर ध्यान केंद्रित करना शुरू किया, तो वह इस विशिष्ट परीक्षण के लिए "गलत" सुरागों की ओर देख रहा था।
- सिद्धांत B: AI वास्तव में पाठ के वैध, गहरे अर्थ खोज रहा था जिन्हें टेस्ट निर्माता पूरी तरह से भूल गए थे। टेस्ट ने कहा "गलत," लेकिन AI ने कहा, "वास्तव में, यह कहानी का एक बहुत महत्वपूर्ण हिस्सा है।"
यह सुझाव देता है कि AI के लिए हमारे वर्तमान परीक्षण अनुचित हो सकते हैं। वे AI को बहुत स्मार्ट या सांस्कृतिक रूप से जागरूक होने के लिए दंडित कर सकते हैं, जिससे उसे उच्च स्कोर पाने के लिए वैध व्याख्याओं को अनदेखा करने के लिए मजबूर किया जाता है।
4. निष्कर्ष: विविधता ही असली सफलता का मंत्र है
यह शोध पत्र निष्कर्ष निकालता है कि AI को कहानियों को बेहतर ढंग से समझने के लिए, हमें केवल इसे "अधिक स्मार्ट" बनाने की कोशिश नहीं करनी चाहिए। हमें इसे अधिक विविध बनाना चाहिए।
- केवल एक दिमाग न रखें: अलग-अलग दिमागों से भरा एक कमरा रखें।
- "गलत" दृष्टिकोण से न डरें: भले ही कोई विशिष्ट दृष्टिकोण (जैसे नारीवादी आलोचना) "टेस्ट स्कोर" को गलत कर दे, फिर भी वह समूह में मूल्यवान विविधता जोड़ता है, जो लंबे समय में पूरे समूह को बेहतर निर्णय लेने में मदद करता है।
संक्षेप में:
यदि आप चाहते हैं कि एक कंप्यूटर एक कहानी को समझे, तो उससे एक रोबोट बनने के लिए न कहें। उसे लोगों से भरे एक कमरे की तरह होने के लिए कहें: एक कवि, एक प्लंबर, एक इतिहासकार और एक किशोर। उन्हें बहस करने दें, उन्हें वोट करने दें, और उनके अंतरों को कहानी की अधिक मानवीय समझ बनाने दें।
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।