UKP_Psycontrol at SemEval-2026 Task 2: Modeling Valence and Arousal Dynamics from Text
UKP_Psycontrol प्रणाली, जो LLM प्रॉम्प्टिंग, एक पेयरवाइज़ मैक्सिमम एंट्रॉपी मॉडल और यूजर एम्बेडिंग्स के साथ एक न्यूरल रिग्रेशन दृष्टिकोण को जोड़ती है, ने स्थिर भावनात्मक संकेतों को प्रभावी ढंग से मॉडल करते हुए और यह प्रदर्शित करते हुए कि अल्पकालिक भावनात्मक परिवर्तनों की भविष्यवाणी पाठ्य अर्थों (textual semantics) की तुलना में हालिया संख्यात्मक अवस्था प्रक्षेपवक्रों (numeric state trajectories) द्वारा बेहतर तरीके से की जाती है, SemEval-2026 टास्क 2 में प्रथम स्थान प्राप्त किया।
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 साल के दौरान अपने एक दोस्त के मूड (मनोदशा) को समझने की कोशिश कर रहे हैं। वे आपको रोज़ाना एक टेक्स्ट मैसेज भेजते हैं जैसे, "मैं ठीक महसूस कर रहा हूँ," या "मैं बहुत थका हुआ हूँ," या "मैं दुनिया के शिखर पर हूँ!"
आपका लक्ष्य हर दिन उनके मूड के बारे में दो चीज़ों का अनुमान लगाना है:
- वेलेंस (Valence): क्या वे खुश (सकारात्मक) हैं या उदास (नकारात्मक)? इसे उनके मूड के तापमान के रूप में सोचें (गर्म बनाम ठंडा)।
- एरोसल (Arousal): क्या वे ऊर्जावान और उत्साहित हैं, या शांत और सुस्त? इसे उनके मूड के वॉल्यूम के रूप में सोचें (तेज़ बनाम धीमा)।
यह शोध पत्र बताता है कि कैसे एक टीम (UKP_Psycontrol) ने SemEval-2026 नामक एक प्रतियोगिता के लिए एक कंप्यूटर सिस्टम बनाया। उन्हें वास्तविक लोगों के हज़ारों डायरी प्रविष्टियों (entries) का विश्लेषण करना था और यह अनुमान लगाना था कि उनकी मनोदशा एक दिन से दूसरे दिन कैसे बदलती है।
यहाँ इसे सरल उपमाओं (analogies) के साथ समझाया गया है:
वे तीन "जासूस" जिनका उन्होंने उपयोग किया
टीम ने केवल एक तरीके पर भरोसा नहीं किया। उन्होंने केस सुलझाने के लिए तीन अलग-अलग शैलियों वाले तीन "जासूसों" को बुलाया।
1. "सुपर-रीडर" (LLM प्रॉम्प्टिंग)
- उपमा: एक बहुत ही विद्वान लाइब्रेरियन की कल्पना करें जिसने लाखों किताबें पढ़ी हैं और जानता है कि "घबराहट" या "संतुष्ट" जैसे शब्द भावनाओं में कैसे बदलते हैं।
- यह कैसे काम करता था: उन्होंने एक शक्तिशाली AI (एक लार्ज लैंग्वेज मॉडल) का उपयोग किया और उसे डायरी की प्रविष्टियाँ पढ़ने के लिए कहा।
- "यूज़र-अवेयर" रणनीति: उन्होंने AI को पहले उस विशिष्ट व्यक्ति की कुछ पिछली प्रविष्टियाँ दिखाईं। यह ऐसा है जैसे कहना, "हे AI, यह व्यक्ति वास्तव में उदास होने पर भी 'मैं ठीक हूँ' लिखता है। इसे ध्यान में रखना।"
- "यूज़र-एग्नोस्टिक" रणनीति: उन्होंने बस AI को अलग-अलग लोगों के रैंडम उदाहरण दिखाए, जैसे कि हर कोई एक अजनबी हो।
- परिणाम: यह "सुपर-रीडर" शब्दों को पढ़कर वर्तमान मूड (वेलेंस और एरोसल) को समझने में अद्भुत था। यह बिल्कुल वैसा ही था जैसे कोई इंसान डायरी पढ़ रहा हो और तुरंत उस "वाइब" को समझ जाए।
2. "वेदर फोरकास्टर" (मैक्सेंट मॉडल)
- उपमा: एक मौसम केंद्र की कल्पना करें जो देखता है कि हवा, दबाव और तापमान कैसे परस्पर क्रिया करते हैं। यह केवल आकाश को नहीं देखता; यह जानता है कि यदि दबाव गिरता है और हवा बदलती है, तो बारिश आने की संभावना है।
- यह कैसे काम करता था: इस मॉडल ने भावनाओं को एक जटिल भौतिक प्रणाली (physics system) की तरह माना। इसने माना कि मूड एक ऐसे "लैंडस्केप" का पालन करते हैं जहाँ कुछ भावनाएँ स्वाभाविक रूप से दूसरी भावनाओं की ओर ले जाती हैं। इसने शब्दों और भावनाओं के बीच के संबंध को ऐसे देखा जैसे वे चुंबक हों जो एक-दूसरे को आकर्षित या प्रतिकर्षित करते हैं।
- परिणाम: यह एक अच्छा, तार्किक दृष्टिकोण था, लेकिन यह मानवीय भाषा की बारीकियों (nuance) को समझने में उतना अच्छा नहीं था जितना कि "सुपर-रीडर"। यह थोड़ा बहुत कठोर था, जैसे एक मौसम मॉडल जो अचानक आए स्थानीय तूफान को नज़रअंदाज़ कर देता है।
3. "ट्रेंड ट्रैकर" (न्यूरल रिग्रेशन)
- उपमा: एक स्टॉक मार्केट विश्लेषक की कल्पना करें। उन्हें इस बात से ज़्यादा फर्क नहीं पड़ता कि स्टॉक क्यों बढ़ा (खबरें क्या थीं); उन्हें मुख्य रूप से पिछले कुछ दिनों के पैटर्न से मतलब है। यदि स्टॉक ऊपर, ऊपर, ऊपर गया है, तो वे भविष्यवाणी करते हैं कि यह फिर से ऊपर जाएगा।
- यह कैसे काम करता था: भविष्य के मूड परिवर्तन की भविष्यवाणी करने के लिए, इस मॉडल ने डायरी के वास्तविक शब्दों को अनदेखा कर दिया। इसके बजाय, इसने संख्याओं को देखा: "कल का मूड 2/5 था, आज यह 3/5 है। कल यह क्या होगा?" इसने प्रत्येक उपयोगकर्ता के लिए एक "फिंगरप्रिंट" भी सीखा ताकि उनकी व्यक्तिगत आदतों को समझा जा सके।
- परिणाम: यह मूड के बदलावों को बताने के लिए चैंपियन था। शोधकर्ताओं ने पाया कि अल्पकालिक मूड के उतार-चढ़ाव के लिए, पिछले कुछ दिनों की संख्याएँ वास्तविक शब्दों की तुलना में कहीं बेहतर भविष्यवक्ता थीं। यह जानने जैसा है कि यदि आप तीन दिनों से चिड़चिड़े रहे हैं, तो आप कल भी चिड़चिड़े ही रहेंगे, चाहे आपने अपनी डायरी में कुछ भी लिखा हो।
बड़ी खोज: शब्द बनाम संख्याएँ
इस शोध पत्र की सबसे दिलचस्प खोज एक नया मोड़ है:
- यह समझने के लिए कि कोई अभी क्या महसूस कर रहा है: शब्दों को पढ़ना सबसे अच्छा है। AI यह समझने में माहिर है कि "मैं सुस्त महसूस कर रहा हूँ" का अर्थ कम ऊर्जा है।
- यह भविष्यवाणी करने के लिए कि कल किसी का मूड कैसे बदलेगा: संख्याओं (हालिया इतिहास) को देखना सबसे अच्छा है। वास्तविक शब्द पिछले कुछ दिनों के पैटर्न की तुलना में कम महत्वपूर्ण हैं।
अंतिम स्कोरकार्ड
टीम ने इन तरीकों को मिलाकर प्रतियोगिता जीती:
- वर्तमान मूड का अनुमान लगाने के लिए: उन्होंने "सुपर-रीडर" (AI) का उपयोग किया और एक विशेष ट्रिक के रूप में उसे उपयोगकर्ता की पिछली प्रविष्टियाँ दिखाईं।
- अगले मूड की भविष्यवाणी करने के लिए: उन्होंने "ट्रेंड ट्रैकर" (गणितीय मॉडल) का उपयोग किया जो हालिया संख्यात्मक पैटर्न पर केंद्रित था।
संक्षेप में: उन्होंने यह समझकर जीत हासिल की कि हालांकि AI डायरी के बीच की बातों को पढ़ने में माहिर है, लेकिन कल के मूड की भविष्यवाणी करने का सबसे अच्छा तरीका बीते हुए कल की संख्याओं के ट्रेंड को देखना है। उन्होंने दोनों श्रेणियों में प्रथम स्थान प्राप्त किया!
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।