Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media
यह शोध पत्र 'डायरेक्टेड सोशल रिगार्ड' (DSR) को प्रस्तुत करता है, जो एक नवीन बहु-आयामी सेंटीमेंट विश्लेषण ढांचा है, जो ऑनलाइन मीडिया में प्रो- और एंटी-सोशल भावनाओं के सह-अस्तित्व को पकड़ने के लिए ट्रांसफार्मर-आधारित मॉडलों का उपयोग करता है जिसे पारंपरिक उपकरण नहीं पकड़ पाते, और यह साथ ही साथ सेंटीमेंट लक्ष्यों की पहचान करने और उन्हें तीन सामाजिक-दृष्टि (सोशल-रिगार्ड) अक्षों पर स्कोर करने का कार्य 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 एक भीड़भाड़ वाले, शोर-शराबे वाले शहर के चौक से गुजर रहे हैं। इस चौक में, लोग एक-दूसरे को संदेश चिल्लाकर सुना रहे हैं। कभी-कभी, कोई व्यक्ति एक ऐसा वाक्य चिल्लाता है जो एक साथ प्यार, नफरत, क्रोध और दया का मिश्रण होता है।
उदाहरण के लिए, कोई चिल्ला सकता है: "वे बच्चों के साथ ऐसा कैसे कर सकते हैं??"
भाषा का विश्लेषण करने वाले पुराने उपकरण (जैसे बुनियादी सेंटीमेंट एनालाइजर) एक साधारण थर्मामीटर की तरह हैं। वे उस पूरे वाक्य को देखते हैं और कहते हैं, "यह नकारात्मक (Negative) है।" बस इतना ही। वे बारीकियों को समझने में चूक जाते हैं। वे आपको यह नहीं बताते कि किसे नफरत दी जा रही है, किसे दया दी जा रही है, या किस कार्य की निंदा की जा रही है।
यह शोध पत्र एक नया, बहुत अधिक स्मार्ट टूल पेश करता है जिसे डायरेक्टेड सोशल रिगार्ड (Directed Social Regress - DSR) कहा जाता है। सोचिए कि DSR एक थर्मामीटर नहीं, बल्कि तीन अलग-अलग रंग के लेंसों वाला एक हाई-टेक स्पॉटलाइट है।
स्पॉटलाइट के तीन लेंस
सिर्फ "अच्छा" या "बुरा" कहने के बजाय, DSR स्पॉटलाइट वाक्य के विशिष्ट शब्दों (या "स्पैन") पर रोशनी डालती है और प्रत्येक के लिए तीन विशिष्ट प्रश्न पूछती है:
- "विरोध बनाम समर्थन" (Oppose vs. Advocate) का लेंस: क्या वक्ता इस व्यक्ति/चीज को रोकने की कोशिश कर रहा है, या वह उनका उत्साहवर्धन कर रहा है?
- हमारे उदाहरण में: वक्ता "वे" (them) का विरोध (Opposing) कर रहा है और "बच्चों" (the children) का समर्थन (Advocating) कर रहा है।
- "हानिकारक बनाम सहायक" (Harmful vs. Helpful) का लेंस: क्या वक्ता को लगता है कि यह व्यक्ति/चीज नुकसान पहुँचा रही है या मदद प्रदान कर रही है?
- हमारे उदाहरण में: "वे" (them) और क्रिया "ऐसा करना" (do this) को हानिकारक (Harmful) माना गया है।
- "पीड़ित बनाम सहायता प्राप्त" (Victimized vs. Aided) का लेंस: क्या वक्ता इस व्यक्ति/चीज को एक पीड़ित के रूप में देख रहा है जिसे बचाने की जरूरत है, या ऐसे व्यक्ति के रूप में जिसे मदद मिल रही है?
- हमारे उदाहरण में: "बच्चों" (the children) को पीड़ित (Victimized) के रूप में देखा गया है।
यह टूल कैसे काम करता है (द "ब्रेन" और द "हैंड्स")
शोधकर्ताओं ने दो-भागों वाली मशीन लर्निंग प्रणाली बनाई है:
- "हाथ्स" (स्पैन रिकग्निशन - Span Recognition): सबसे पहले, सिस्टम टेक्स्ट को पढ़ता है और एक हाइलाइटर की तरह काम करता है। यह महत्वपूर्ण हिस्सों को ढूंढता है। यह "वे" को एक पात्र (character) के रूप में, "बच्चों" को एक पात्र के रूप में, और "ऐसा करना" को एक विषय (topic) के रूप में हाइलाइट करता है। यह जानता है कि एक व्यक्ति और एक घटना के बीच क्या अंतर है।
- "ब्रेन" (रिगार्ड स्कोरिंग - Regard Scoring): एक बार जब हिस्से हाइलाइट हो जाते हैं, तो "ब्रेन" प्रत्येक लेंस के लिए -1 (दृढ़ नकारात्मक) से +1 (दृढ़ सकारात्मक) के पैमाने पर प्रत्येक को एक स्कोर देता है।
यह क्यों महत्वपूर्ण है (द "क्यों")
यह शोध पत्र बताता है कि यह केवल फैंसी गणित नहीं है; यह वास्तविक मानव मनोविज्ञान पर आधारित है।
- नैतिक विसंयोजन (Moral Disengagement): कभी-कभी, लोग दूसरों को नुकसान पहुँचाने को इस तरह उचित ठहराते हैं कि, "वे इसके लायक थे।" DSR टूल इस जटिल मिश्रण को पकड़ सकता है: यह देखता है कि वक्ता एक समूह को "विरोधी" (हम उनसे नफरत करते हैं) और "हानिकारक" (वे बुरे हैं) दोनों के रूप में देखता है, जो कि बुरे व्यवहार को उचित ठहराने का एक तरीका है।
- समूह गतिशीलता (Group Dynamics): यह हमें यह देखने में मदद करता है कि समूह "हम" बनाम "वे" के बारे में कैसे बात करते हैं। उदाहरण के लिए, एक डेटासेट जो उन्होंने अध्ययन किया (एक समूह जिसे "मैनोस्फीयर" कहा जाता है), उसमें टूल ने पाया कि वक्ता अक्सर खुद को पीड़ितों ("मैं/हम") के रूप में देखते थे जबकि महिलाओं को "हानिकारक" के रूप में देखते थे। दूसरे डेटासेट में, जो #MeToo आंदोलन के बारे में था, टूल ने इस स्क्रिप्ट को उलट दिया, जिससे महिलाओं को "पीड़ित" और पुरुषों को "हानिकारक" के रूप में दिखाया गया।
प्रमाण (क्या यह काम कर रहा था?)
शोधकर्ताओं ने अपने टूल का दो तरह से परीक्षण किया:
- टेस्ट ड्राइव: उन्होंने इसमें हजारों सोशल मीडिया पोस्ट डाले जिन्हें मनुष्यों द्वारा मैन्युअल रूप से लेबल किया गया था। टूल की "हाइलाइटिंग" लगभग 90-96% सटीक थी, और इसकी "स्कोरिंग" मानवीय विचारों के बहुत करीब थी।
- रियलिटी चेक: उन्होंने अपने टूल को लिया और इसे अन्य शोधकर्ताओं के मौजूदा डेटासेट्स (जैसे कि घृणा भाषण, राजनीतिक आंदोलनों और ऑनलाइन बहसों के बारे में डेटासेट) पर चलाया।
- परिणाम: टूल के स्कोर अन्य विशेषज्ञों द्वारा पहले से खोजे गए तथ्यों के साथ पूरी तरह मेल खाते थे। उदाहरण के लिए, जब एक डेटासेट को "नैतिक आक्रोश" (Moral Outrage) के रूप में लेबल किया गया था, तो DSR टूल ने उस आक्रोश के लक्ष्यों के प्रति उच्च "विरोध" (Opposition) स्कोर को सही ढंग से दिखाया।
निष्कर्ष
यह शोध पत्र ऑनलाइन बातचीत को सुनने का एक नया तरीका प्रस्तुत करता है। केवल "यह एक बुरा ट्वीट है" सुनने के बजाय, DSR टूल हमें सुनने देता है: "यह ट्वीट समूह A पर हमला कर रहा है क्योंकि उन्होंने समूह B को नुकसान पहुँचाया है, जबकि समूह B के लिए गहरी सहानुभूति व्यक्त कर रहा है।"
यह एक ऐसा टूल है जो हमें यह समझने में मदद करता है कि लोग अपने फोन पर टाइप करते समय कितनी जटिल, स्तरित और अक्सर विरोधाभासी भावनाएं व्यक्त करते हैं। शोधकर्ताओं ने इंजन बना लिया है, इसे 1,800+ पोस्ट के विशाल डेटासेट पर प्रशिक्षित किया है, और यह साबित किया है कि यह पुराने, सरल तरीकों की तुलना में यह पहचानने में बेहतर काम करता है कि किसे दोषी माना जा रहा है, किसे बचाया जा रहा है, और किसे सराहा जा रहा 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।