← नवीनतम पेपर
💬 NLP

From Prediction to Justification: Aligning Sentiment Reasoning with Human Rationale via Reinforcement Learning

यह शोध पत्र ABSA-R1 प्रस्तुत करता है, जो एक लार्ज लैंग्वेज मॉडल फ्रेमवर्क है जो एक "अनुमान लगाने से पहले तर्क देने" (reason-before-predict) की प्रक्रिया को लागू करने के लिए सुदृढीकरण शिक्षण (reinforcement learning) और एक संज्ञानात्मक-संरेखित पुरस्कार तंत्र (cognition-aligned reward mechanism) का उपयोग करता है, जिससे मानव-समान औचित्य उत्पन्न होते हैं जो पहलू-आधारित भावना विश्लेषण (Aspect-based Sentiment Analysis) की व्याख्यात्मकता और सटीकता दोनों में सुधार करते हैं।

मूल लेखक: Shihao Zhang, Ziwei Wang, Jie Zhou, Yulan Wu, Qin Chen, Zhikai Lei, Liyang Yu, Liang Dou, Liang He

प्रकाशित 2026-04-16
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Shihao Zhang, Ziwei Wang, Jie Zhou, Yulan Wu, Qin Chen, Zhikai Lei, Liyang Yu, Liang Dou, Liang He

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 रेस्टोरेंट में जाते हैं और अपने दोस्त से कहते हैं, "स्टाफ बहुत मिलनसार था, लेकिन खाना ठंडा था।"

पुराने AI सिस्टम एक रोबोट वेटर की तरह हैं जो बस आपके शब्दों को सुनता है और तुरंत चिल्ला उठता है, "स्टाफ: खुश! खाना: दुखी!" यह उत्तर तो सही देता है, लेकिन यह एक ब्लैक बॉक्स (black box) है। आपको पता ही नहीं चलता कि इसने कैसे निर्णय लिया। यह बस एक लेबल थोंप देता है। यदि आप पूछें, "आपको क्यों लगा कि खाना दुखी था?", तो रोबोट बस खाली नजरों से देखता रहता है।

नया सिस्टम (ABSA-R1) एक विचारशील फूड क्रिटिक (खाद्य समीक्षक) की तरह है। अपना फैसला सुनाने से पहले, यह ज़ोर से सोचने का नाटक करता है। यह कहता है:

"हम्म, 'फ्रेंडली' शब्द का मतलब आमतौर पर लोग खुश होते हैं। इसलिए, स्टाफ को थम्स अप मिलता है। लेकिन खाने के लिए 'कोल्ड'? यह आमतौर पर एक शिकायत होती है। रुकिए, मुझे दोबारा जांच लेने दें... क्या कोई और शब्द है जो इसे बदल सकता है? नहीं। ठीक है, मैं आश्वस्त हूँ। स्टाफ पॉजिटिव है, खाना नेगेटिव है।"

यह पेपर ABSA-R1 को पेश करता है, जो एक नया AI है जो केवल अनुमान नहीं लगाता; यह बोलने से पहले सोचता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "सोचकर बोलना" वाली ट्रेनिंग (अनुमान लगाने से पहले तर्क देना)

अधिकांश AI मॉडल सीधे उत्तर पर कूदने के लिए प्रशिक्षित होते हैं। ABSA-R1 को पहले अपनी तर्क प्रक्रिया समझाने के लिए प्रशिक्षित किया जाता है।

  • उपमा: इसे एक गणित की परीक्षा देने वाले छात्र की तरह समझें। पुराना AI बस अंतिम संख्या लिख देता है। ABSA-R1 को पहले रफ पेपर पर अपना सारा काम दिखाने के लिए मजबूर किया जाता है। यदि रफ पेपर पर तर्क गलत है, तो उत्तर भी गलत होगा, भले ही अंतिम संख्या सही दिख रही हो।

2. सख्त शिक्षक (रिवॉर्ड मॉडल)

आप एक AI को सही ढंग से सोचना कैसे सिखाते हैं? आपको एक ऐसे शिक्षक की आवश्यकता है जो न केवल उत्तर को, बल्कि सोचने की प्रक्रिया को भी ग्रेड दे।

  • उपमा: कल्पना कीजिए कि एक शिक्षक निबंध को ग्रेड दे रहा है।
    • पुराना ग्रेडिंग तरीका: "आपने सही उत्तर दिया। यह लीजिए 'A' ग्रेड।" (भले ही आपने तुक्का मारा हो)।
    • ABSA-R1 ग्रेडिंग तरीका: शिक्षक के पास एक विशेष रूपरेखा (rubric) होती है। वे जाँचते हैं:
      1. क्या आपने सही प्रारूप का उपयोग किया? (क्या आपने "पहले, फिर, इसलिए" कहा?)
      2. क्या आपका तर्क सुसंगत है? (क्या आपका स्पष्टीकरण वास्तव में आपके निष्कर्ष की ओर ले जाता है?)
      3. क्या उत्तर सही है?
        यदि AI सही उत्तर देता है लेकिन उसका स्पष्टीकरण बेतुका है, तो शिक्षक उसे खराब ग्रेड देता है। यह AI को केवल यह नहीं, बल्कि यह सीखने के लिए मजबूर करता है कि अपनी भावनाओं को कैसे उचित ठहराया जाए।

3. "हार्ड मोड" फ़िल्टर (रिजेक्शन सैंपलिंग)

यह सबसे चतुर हिस्सा है। जब AI अभ्यास करता है, तो वह कई अलग-अलग उत्तर उत्पन्न करता है।

  • उपमा: कल्पना कीजिए कि एक छात्र परीक्षा का अभ्यास कर रहा है।
    • यदि छात्र पहली बार में ही प्रश्न सही कर देता है, तो शिक्षक कहता है, "बहुत अच्छे, तुम यह जानते हो। चलो आगे बढ़ते हैं।" (AI इस आसान जीत को अनदेखा कर देता है)।
    • यदि छात्र गलत होता है या भ्रमित होता है, तो शिक्षक कहता है, "रुको! हमें इसे ठीक करने की जरूरत है। चलो इस विशिष्ट गलती का बार-बार अध्ययन करते हैं जब तक कि तुम इसे सही न कर लो।"
    • ABSA-R1 एक फ़िल्टर का उपयोग करता है जो आसान, सही उत्तरों को फेंक देता है और केवल कठिन, भ्रमित करने वाले उत्तरों को रखता है ताकि उनसे सीखा जा सके। यह पूरी तरह से अपनी गलतियों पर ध्यान केंद्रित करता है, जिससे यह बहुत तेजी से सीखता है और पेचीदा स्थितियों में अधिक स्मार्ट बनता है।

यह क्यों मायने रखता है?

  • विश्वास: जब एक AI कहता है, "मुझे लगता है कि यह मूवी रिव्यू नकारात्मक है क्योंकि यूजर ने 'बोरिंग' और 'समय की बर्बादी' जैसे शब्दों का उपयोग किया है," तो आप उस पर भरोसा कर सकते हैं। आप सबूत देख सकते हैं।
  • बेहतर सटीकता: आश्चर्यजनक रूप से, AI को खुद को समझाने के लिए मजबूर करके, यह पुराने "ब्लैक बॉक्स" मॉडलों की तुलना में अंतिम उत्तर अधिक सही देता है। यह वैसा ही है जैसे किसी समस्या पर विचार करने से इंसान मूर्खतापूर्ण गलतियों से बचने में मदद मिलती है।
  • मानवीय: यह इस बात की नकल करता है कि इंसान वास्तव में कैसे महसूस करते हैं। हमारे पास केवल एक सहज अहसास (gut feeling) नहीं होता; हमारे पास कारण होते हैं। इस AI के पास भी आखिरकार कारण हैं।

निष्कर्ष

शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो सेंटीमेंट एनालिसिस (यह समझना कि कोई खुश है या दुखी) को एक अनुमान लगाने वाले खेल के रूप में नहीं, बल्कि एक तार्किक तर्क के रूप में देखता है। AI को अपना काम दिखाने, अपने तर्क की जांच करने और विशेष रूप से अपनी गलतियों से सीखने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा मॉडल बनाया है जो न केवल स्मार्ट है, बल्कि मनुष्यों के लिए समझना और विश्वास करना भी बहुत आसान 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →