UTS at PsyDefDetect: Multi-Agent Councils and Absence-Based Reasoning for Defense Mechanism Classification
UTS at PsyDefDetect सिस्टम ने प्रॉम्प्ट-लेवल नियमों में एब्सेंस-बेस्ड रीजनिंग (absence-based reasoning) और एक मल्टी-एजेंट डेलिब्रेटिव काउंसिल का लाभ उठाकर मनोवैज्ञानिक रक्षा तंत्रों को वर्गीकृत करने में दूसरा स्थान प्राप्त किया, जिसे अल्पसंख्यक वर्गों के प्रति व्यवस्थित पूर्वाग्रहों को सुधारने के लिए फाइन-ट्यून्ड मॉडल्स के एक लक्षित ओवरराइड एन्सेम्बल द्वारा और अधिक उन्नत बनाया गया था।
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 समझने की कोशिश कर रहे हैं कि लोग परेशान होने पर ऐसी बातें क्यों कहते हैं जैसी वे कहते हैं। कभी-कभी, वे केवल ईमानदार नहीं होते; वे मनोवैज्ञानिक "शील्डिंग" तकनीकों का उपयोग कर रहे होते हैं जिन्हें डिफेंस मैकेनिज्म (रक्षा तंत्र) कहा जाता है। ये शील्ड्स बहुत अपरिपक्व (जैसे शारीरिक रूप से व्यवहार करना) से लेकर बहुत परिपक्व (जैसे शांति से समस्या का समाधान करना) तक हो सकती हैं।
कंप्यूटर के लिए चुनौती यह है कि ये शील्ड्स पेचीदा हैं। एक व्यक्ति कह सकता है, "मैं ठीक हूँ, बस कई अनिश्चितताओं से जूझ रहा हूँ।" सतह पर, यह तनाव को संभालने का एक स्वस्थ, परिपक्व तरीका लगता है। लेकिन वास्तव में, व्यक्ति अपनी भावनाओं को छिपा रहा है। वे उस भावना को गुम कर रहे हैं जो उन्हें महसूस करनी चाहिए थी। एक कंप्यूटर के लिए, जो वहाँ मौजूद है उसे पहचानने की तुलना में जो गायब है उसे पहचानना बहुत कठिन है।
यह पेपर एक टीम (UTS at PsyDefDetect) के बारे में बताता है जिसने इस पहेली को सुलझाने के लिए एक स्मार्ट कंप्यूटर सिस्टम बनाया। उन्होंने 64 अन्य टीमों के साथ एक प्रतियोगिता में भाग लिया और दूसरे स्थान पर आए। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है।
1. मूल विचार: "कमरे में मौजूद भूत" (The Ghost in the Room)
टीम ने महसूस किया कि डिफेंस मैकेनिज्म अनुपस्थिति (absence) से परिभाषित होते हैं।
- रूपक (Metaphor): एक जासूस की कल्पना करें जो चोर की तलाश कर रहा है। अधिकांश जासूस पदचिह्नों (जो मौजूद है) को देखते हैं। इस टीम ने महसूस किया कि चोर वास्तव में उस खाली स्थान से परिभाषित होता है जहाँ पदचिह्न होने चाहिए थे।
- अनुप्रयोग: यदि कोई त्रासदी के बारे में बात करता है लेकिन दुखी नहीं लगता, तो कंप्यूटर को यह पहचानना होगा कि गायब दुख ही वह सुराग है। उन्होंने अपने सिस्टम को "क्लिनिकल नियमों" के साथ प्रोग्राम किया जो विशेष रूप से इन गायब हिस्सों (गायब भावना, बाधित सोच, या वास्तविकता को नकारना) की तलाश करते हैं। इस एक तरकीब ने उनके प्रदर्शन को जबरदस्त बढ़ावा दिया।
2. "विशेषज्ञों की परिषद" (The Deliberative Council)
एक AI से अनुमान लगाने के लिए कहने के बजाय, उन्होंने एक बहु-एजेंट परिषद (multi-agent council) बनाई।
- रूपक: एक अदालत की कल्पना करें। एक साधारण बहुमत वाले जूरी के बजाय (जो हमेशा सबसे सामान्य उत्तर चुन लेगा), यहाँ विशेषज्ञों के पैनल वाले वकील होते हैं।
- चरण 1: तीन अलग-अलग "वकील" (AI एजेंट) मामले को देखते हैं और संभावित निर्णय सुझाते हैं।
- चरण 2: यदि वे असहमत होते हैं, तो प्रत्येक संभावित निर्णय के लिए एक विशिष्ट "अधिवक्ता" (advocate) सामने आता है। "लेवल 7" (परिपक्व) वाला अधिवक्ता तर्क देता है कि यह क्यों फिट बैठता है। "लेवल 6" (जुनूनी/obsessive) वाला अधिवक्ता तर्क देता है कि वह क्यों बेहतर है। वे केवल यह चिल्लाकर नहीं कहते कि "मैं जीत गया!"; वे सबूत पेश करते हैं।
- चरण 3: एक न्यायाधीश सबूतों की ताकत को देखता है। यदि "लेवल 6" के अधिवक्ता के पास मजबूत सबूत हैं, तो वह जीत जाता है, भले ही अन्य तीन एजेंटों ने "लेवल 7" के लिए वोट दिया हो।
- परिणाम: यह सिस्टम अपने आप में बहुत अच्छा था, लेकिन इसमें एक दोष था: यह सबसे सामान्य उत्तर (लेवल 7) के बारे में बहुत अधिक आश्वस्त था, और अक्सर दुर्लभ, कठिन मामलों को अनदेखा कर देता था।
3. "L7 अट्रैक्टर" (गुरुत्वाकर्षण की समस्या)
डेटा बहुत अधिक झुका हुआ (skewed) था। आधे से अधिक उदाहरण "लेवल 7" (परिपक्व) थे।
- रूपक: कमरे के बीच में एक विशाल चुंबक (लेवल 7) की कल्पना करें। आप चाहे जहाँ भी गेंद फेंकें (एक बातचीत), चुंबक उसे अपनी ओर खींच लेता है। AI बार-बार यह कहने की ओर खिंच जाता था कि "यह परिपक्व है" भले ही वह न हो।
- समस्या: AI "आत्मविश्वास के साथ गलत" था। वह दुर्लभ उत्तरों (जैसे लेवल 3 या 4) को चुनता और सही होता, लेकिन वह उन्हें चुनता और गलत भी होता, और वह सामान्य उत्तर (लेवल 7) को चुनता और उन विशिष्ट मामलों के लिए 80% बार गलत होता।
4. "सर्जिकल स्ट्राइक" टीम (The Override Ensemble)
चुंबक की समस्या को ठीक करने के लिए, उन्होंने बचाव की दूसरी परत जोड़ी: एक लक्षित ओवरराइड टीम (Targeted Override Team)।
- रूपक: सोचिए कि 'परिषद' (Council) दैनिक निर्णय लेने वाला एक जनरल मैनेजर है। 'ओवरराइड टीम' एक विशेष "गुणवत्ता नियंत्रण" (Quality Control) दस्ता है जो केवल तभी हस्तक्षेप करता है जब मैनेजर एक जोखिम भरा अनुमान लगाता है।
- यह कैसे काम करता है:
- उन्होंने परिषद के भविष्यवाणियों को देखने के लिए तीन छोटे, विशेषीकृत AI मॉडल (विशेषज्ञ सर्जनों की तरह) को प्रशिक्षित किया।
- यदि परिषद कहती है "लेवल 7" लेकिन विशेष मॉडल कहते हैं "रुको, यह वास्तव में लेवल 6 है," तो सिस्टम सबूतों की जांच करता है।
- उन्होंने एक बिल्डर-क्रिटिक-गार्ड (Builder-Critic-Guard) प्रणाली का उपयोग किया:
- बिल्डर (Builder): बदलाव का प्रस्ताव देता है।
- क्रिटिक (Critic): यह साबित करने की कोशिश करता है कि बदलाव गलत है (बदलाव के खिलाफ तर्क देता है)।
- गार्ड (Guard): केवल तभी बदलाव को जाने देता है जब सबूत पूरी तरह से ठोस हों।
- परिणाम: इस टीम ने 472 भविष्यवाणियों में से केवल 16 बदलाव किए। लेकिन वे 16 बदलाव इतने सटीक थे कि उन्होंने टीम को तीसरे स्थान से दूसरे स्थान पर पहुँचा दिया।
5. "लीकी बकेट" (Leaky Bucket) चेतावनी
पेपर ने एक छिपी हुई समस्या का भी पता लगाया।
- रूपक: एक ऐसी परीक्षा देने की कल्पना करें जहाँ प्रश्न आपके द्वारा पढ़े गए प्रश्नों के थोड़े अलग संस्करण हैं। यदि आप अध्ययन गाइड के उत्तर याद कर लेते हैं, तो आपको 100% अंक मिलते हैं। लेकिन यदि परीक्षा के प्रश्न अध्ययन गाइड वाले ही संवाद से हैं, तो आप वास्तव में सीख नहीं रहे हैं; आप केवल याद कर रहे हैं।
- निष्कर्ष: टेस्ट डेटा में वही बातचीत साझा की गई थी जो ट्रेनिंग डेटा में थी। यदि AI केवल उस बातचीत को "याद" कर लेता, तो यह 97% सटीक दिखता। लेकिन जब उन्होंने इसे "चीटिंग" करने से रोका (यह सुनिश्चित करके कि AI एक ही बातचीत को दो बार न देखे), तो सटीकता गिरकर एक वास्तविक 65% रह गई। इसने उन्हें सिखाया कि रिट्रीवल (Retrieval - पुनः प्राप्ति) को चीटिंग से बचने के लिए बहुत सावधानी से किया जाना चाहिए।
जीत का सारांश
टीम बड़ी, शक्तिशाली AI मॉडल का उपयोग करके नहीं जीती। वे इसलिए जीते क्योंकि उन्होंने:
- AI को यह नोटिस करना सिखाया कि क्या गायब है (भावनाओं की अनुपस्थिति)।
- एक बहस प्रणाली बनाई जहाँ वोटों से ज्यादा सबूत मायने रखते हैं।
- एक छोटी, अत्यधिक अनुशासित "सुधार टीम" का उपयोग किया ताकि उन कुछ मौकों को ठीक किया जा सके जब मुख्य सिस्टम आत्मविश्वास के साथ गलत था।
उनका अंतिम स्कोर 0.406 का Macro-F1 था, जिसने 63 अन्य टीमों को पीछे छोड़ दिया। उन्होंने साबित किया कि मनोविज्ञान में, कभी-कभी सबसे महत्वपूर्ण सुराग वह सन्नाटा होता है जहाँ एक भावना होनी चाहिए थी।
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।