Graph-Augmented LLMs for Swiss MP Ideology Prediction
यह शोध पत्र PG-RAG प्रस्तुत करता है, जो एक रिट्रीवल-ऑगमेंटेड जनरेशन फ्रेमवर्क है जो टेक्स्टुअल सिमेंटिक्स और इंटर-एक्टर संबंधों दोनों का लाभ उठाकर स्विस संसद सदस्यों की वैचारिक स्थितियों के पूर्वानुमान की सटीकता में महत्वपूर्ण सुधार करने के लिए लार्ज लैंग्वेज मॉडल्स के साथ राजनीतिक नॉलेज ग्राफ्स को एकीकृत 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 केवल भाषणों को पढ़कर किसी राजनेता के वास्तविक राजनीतिक "स्वाद" (चाहे वे वामपंथी हों, दक्षिणपंथी हों, या बीच के कहीं हों) का अनुमान लगाने की कोशिश कर रहे हैं। यह किसी व्यक्ति की डायरी के लेखों को पढ़कर उसके व्यक्तित्व को समझने की कोशिश करने जैसा है। आपको कुछ सुराग तो मिलते हैं, लेकिन आप बड़ी तस्वीर को छोड़ देते हैं: वे किन लोगों के साथ घूमते हैं, किन क्लबों में शामिल होते हैं, या वे वास्तव में किन परियोजनाओं पर काम करते हैं।
यह शोध पत्र एक नया टूल पेश करता है जिसे PG-RAG कहा जाता है, जो एक सुपर-स्मार्ट जासूस की तरह काम करता है। केवल राजनेता की डायरी (उनके भाषणों) को पढ़ने के बजाय, यह एक विशाल डिजिटल मानचित्र जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है, उसमें उनके "सामाजिक नेटवर्क" और "रिज्यूमे" की भी जाँच करता है।
यहाँ बताया गया है कि यह शोध पत्र इसे सरल उपमाओं का उपयोग करके कैसे समझाता है:
1. समस्या: केवल स्क्रिप्ट पढ़ना
पारंपरिक रूप से, शोधकर्ता किसी राजनेता की विचारधारा का अनुमान लगाने के लिए उनके भाषणों को AI मॉडल्स (लार्ज लैंग्वेज मॉडल्स) में फीड करते थे।
- दोष: यह एक छात्र के होमवर्क को पढ़कर उसके ग्रेड समझने की कोशिश करने जैसा है, जबकि इस बात को नजरअंदाज कर दिया जाता है कि उसके दोस्त कौन हैं, वह किन खेल टीमों में खेलता है, या वह किन शिक्षकों के साथ काम करता है।
- वास्तविकता: संसद में, राजनेता अकेले काम नहीं करते हैं। वे समूह बनाते हैं, समितियों में शामिल होते हैं, और कानूनों का सह-प्रायोजन (co-sponsor) करते हैं। शोध पत्र का तर्क है कि इन संबंधों को अनदेखा करने से AI का अनुमान कम सटीक हो जाता है।
2. समाधान: "डिजिटल मानचित्र" (PG-RAG)
लेखकों ने एक ऐसी प्रणाली बनाई है जो संसद को एक विशाल, परस्पर जुड़े हुए जाल की तरह देखती है। उन्होंने एक नॉलेज ग्राफ बनाया है—इसे एक विशाल फैमिली ट्री और सबवे मैप के मिश्रण के रूप में सोचें।
- नोड्स (स्टॉप्स): ये राजनेता, पार्टियाँ, समितियाँ और कानून हैं।
- एजेस (ट्रैक्स): ये संबंध हैं, जैसे "समिति X का सदस्य," "कानून Y का सह-प्रायोजक," या "पार्टी Z का मित्र।"
जब AI को किसी राजनेता की विचारधारा का अनुमान लगाने की आवश्यकता होती है, तो वह केवल उस व्यक्ति को अलग से नहीं देखता। वह इस मानचित्र से उस विशिष्ट व्यक्ति के आसपास का एक "सबग्राफ" (मानचित्र का एक छोटा, प्रासंगिक हिस्सा) निकालने के लिए क्वेरी करता है।
3. मानचित्र को देखने के तीन तरीके
शोधकर्ताओं ने इस मानचित्र से जानकारी एकत्र करने के तीन अलग-अलग तरीकों का परीक्षण किया, जैसे किसी व्यक्ति को अलग-अलग लेंसों के माध्यम से देखना:
- "भाषण" लेंस (SP): यह पुराना तरीका है। यह केवल उस राजनेता द्वारा दिए गए भाषणों के टेक्स्ट को देखता है। यह केवल उनकी डायरी पढ़ने जैसा है।
- "व्यक्ति" लेंस (MP): यह राजनेता के तत्काल परिवेश को देखता है। यह पूछता है: "यह व्यक्ति कौन है? वे किस पार्टी के सदस्य हैं? वे किन समितियों में हैं? वे किस शहर का प्रतिनिधित्व करते हैं?" यह उनके लिंक्डइन प्रोफाइल और उनके हाई स्कूल ईयरबुक को देखने जैसा है।
- "परियोजना" लेंस (PR): यह उन कानूनों को देखता है जो राजनेता ने प्रस्तावित या समर्थित किए हैं। यह पूछता है: "उन्होंने किन विशिष्ट बिलों का नेतृत्व किया?" यह उनके पूरे किए गए प्रोजेक्ट्स के पोर्टफोलियो को देखने जैसा है।
4. AI इस जानकारी का उपयोग कैसे करता है
एक बार जब सिस्टम इस मानचित्र से अतिरिक्त डेटा निकाल लेता है, तो इसे AI को समझाना होता है। उन्होंने दो विधियों का परीक्षण किया:
- "सारांश" विधि (Summary Method): AI मानचित्र डेटा को पढ़ता है और एक संक्षिप्त, प्राकृतिक भाषा वाला जीवन परिचय लिखता है (जैसे, "यह व्यक्ति एक उदारवादी है जो शिक्षा समिति में बैठता है...")।
- "रॉ" विधि (Raw Method): AI को कनेक्शन और तथ्यों की कच्ची सूची दी जाती है, जैसे कि एक अव्यवस्थित स्प्रेडशीट, और उसे स्वयं पैटर्न समझना होता है।
5. उन्हें क्या मिला
शोधकर्ताओं ने वास्तविक मतदान रिकॉर्ड को "ग्राउंड ट्रुथ" (वास्तविक उत्तर कुंजी) के रूप में उपयोग करके स्विस राजनेताओं पर इसका परीक्षण किया।
- बेहतर सटीकता: "मानचित्र" की जानकारी जोड़ने से AI का अनुमान लगाने का कौशल बहुत बेहतर हो गया। यह एक संदिग्ध के दोस्तों का नक्शा देने जैसा था; अनुमान बहुत अधिक सटीक हो गया।
- "छोटे मॉडल" को बढ़ावा: दिलचस्प बात यह है कि छोटे, कम शक्तिशाली AI मॉडल्स को इस अतिरिक्त मानचित्र डेटा से सबसे अधिक लाभ हुआ। यह एक ऐसे छात्र की तरह है जिसे परीक्षा में अच्छा करने के लिए एक स्टडी गाइड की आवश्यकता होती है, जबकि एक प्रतिभाशाली छात्र इसे बिना किसी मदद के भी समझ सकता था।
- "वामपंथी" संघर्ष: AI अभी भी सोशल डेमोक्रेटिक (वामपंथी झुकाव वाले) पार्टियों के राजनेताओं के साथ थोड़ा संघर्ष करता रहा। यह अनुमान लगाने लगा कि वे वास्तव में जितने थे, उससे थोड़े अधिक "दक्षिणपंथी" थे। शोध पत्र का सुझाव है कि ऐसा इसलिए हो सकता है क्योंकि इन राजनेताओं के भीतर जटिल आंतरिक अंतर होते हैं जिन्हें स्पष्ट रूप से पकड़ना कठिन है, या शायद AI में मध्यम मार्ग की ओर एक अंतर्निहित पूर्वाग्रह है।
निष्कर्ष
शोध पत्र का दावा है कि किसी राजनेता की विचारधारा को वास्तव में समझने के लिए, आप केवल यह नहीं सुन सकते कि वे क्या कहते हैं। आपको यह भी देखना होगा कि वे किन लोगों से जुड़े हुए हैं और सिस्टम के भीतर वे क्या करते हैं। इस "संबंधपरक" (relational) डेटा को AI में फीड करके, भविष्यवाणियां काफी सटीक हो जाती हैं, जिससे एक साधारण टेक्स्ट विश्लेषण एक पूर्ण-स्पेक्ट्रम राजनीतिक प्रोफाइल में बदल जाता 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।