🤖 AI

Efficient Elicitation of Collective Disagreements

यह शोध पत्र एक स्तरीकृत ढांचे और "बहुलता मैट्रिक्स" (plurality matrix) का प्रस्ताव करता है ताकि विभिन्न असहमति मापों की गणना के लिए आवश्यक न्यूनतम संचित वरीयता जानकारी की पहचान की जा सके, यह प्रदर्शित करते हुए कि ऐसे कई मेट्रिक्स के लिए सरल युग्मवार तुलनाओं से परे डेटा की आवश्यकता होती है और प्रतिभागी भार एवं अनुमान सटीकता के बीच संतुलन बनाने के लिए उद्दलन प्रोटोकॉल (elicitation protocols) प्रस्तुत करता है।

मूल लेखक: Mohamed Ouaguenouni, Felipe Garrido-Lucero, Umberto Grandi, César Hidalgo, Magdalena Tydrichova

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohamed Ouaguenouni, Felipe Garrido-Lucero, Umberto Grandi, César Hidalgo, Magdalena Tydrichova

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

यहाँ "Efficient Elicitation of Collective Disagreements" शोध पत्र का सरल भाषा और रचनात्मक उपमाओं के साथ अनुवाद दिया गया है।

बड़ी तस्वीर: "कौन जीता?" काफी क्यों नहीं है

कल्पना कीजिए कि आप एक पार्टी आयोजित कर रहे हैं और आपको एक प्लेलिस्ट चुननी है। आप अपने दोस्तों से वोट करने के लिए कहते हैं।

पुराना तरीका: आप हर किसी से पूछते हैं, "क्या आप रॉक पसंद करते हैं या जैज़?" फिर, "रॉक या पॉप?" फिर, "जैज़ या पॉप?" आप यह हिसाब लगाते हैं कि कौन सी चीज़ सबसे ज़्यादा बार जीतती है।
समस्या: इस शोध पत्र के लेखक तर्क देते हैं कि यह "आमने-सामने" वाला तरीका किसी तूफान को केवल दो बिंदुओं पर हवा की गति मापकर समझने की कोशिश करने जैसा है। यह आपको बताता है कि कौन किसे हरा रहा है, लेकिन यह असहमति की संरचना (structure) को समझने में विफल रहता है।

उपमा:
कल्पना कीजिए कि दो समूह तीन गानों पर वोट कर रहे हैं: A, B और C।

समूह 1 (अराजकता/Chaos): हर किसी की पसंद पूरी तरह से अलग है। कोई A पसंद करता है, कोई B, तो कोई C। यह एक अव्यवस्थित स्थिति है।
समूह 2 (गृहयुद्ध/Civil War): समूह का आधा हिस्सा A को बहुत पसंद करता है और C को नापसंद करता है। दूसरा आधा हिस्सा C को बहुत पसंद करता है और A को नापसंद करता है। वे आपस में उलझे हुए हैं।

यदि आप केवल "A बनाम B" या "B बनाम C" पूछते हैं, तो दोनों समूह बिल्कुल एक जैसे दिखते हैं! गणित कहता है कि वे समान हैं। लेकिन कमरे का अहसास (feeling) पूरी तरह से अलग है। समूह 1 बस भ्रमित है; समूह 2 गहराई से विभाजित है। पुराना तरीका इस अंतर को नहीं पहचान सकता।

समाधान: "प्लुरैलिटी मैट्रिक्स" (द वोटिंग पिरामिड)

इसे ठीक करने के लिए, लेखक एक नया उपकरण पेश करते हैं जिसे प्लुरैलिटी मैट्रिक्स (Plurality Matrix) कहा जाता है। इसे प्रश्नों के एक पिरामिड के रूप में समझें, जो ऊपर जाने पर थोड़ा अधिक जटिल होता जाता है।

स्तर 2 (आधार): यह पुराना "आमने-सामने" वाला तरीका है। "क्या आप A या B पसंद करते हैं?"
स्तर 3 (मध्य): यह छोटे समूहों के बारे में पूछता है। "यदि आपको A, B और C में से एक विजेता चुनना हो, तो वह कौन होगा?"
स्तर 4+ (शीर्ष): "अगर हम A, B, C और D में से चुनें, तो कौन जीतेगा?"

लेखक इसे एक "स्तरीकृत ढांचा" (stratified framework) कहते हैं। यह एक घर बनाने जैसा है: आप केवल ईंटों को देखकर (स्तर 2) काम नहीं चला सकते; आपको यह देखने के लिए कि घर स्थिर है या ढहने वाला है, दीवारों की व्यवस्था (स्तर 3) को देखना होगा।

खोज: कुछ असहमतियों के लिए "स्तर 3" की आवश्यकता होती है

यह शोध पत्र एक दिलचस्प गणितीय तथ्य सिद्ध करता है: आप केवल स्तर 2 के प्रश्नों का उपयोग करके गहरी असहमति को नहीं माप सकते।

उन्होंने समाज में असहमति को मापने के तीन प्रसिद्ध तरीकों को देखा:

एग्रीमेंट इंडेक्स (Agreement Index): लोग कितना सहमत हैं? (इसके लिए केवल स्तर 2 की आवश्यकता है)।
रैंक वेरिएंस (Rank Variance): किसी उम्मीदवार की स्थिति कितनी ऊपर-नीचे होती रहती है? (इसके लिए स्तर 3 की आवश्यकता है)।
डिविज़िवनेस (Divisiveness): क्या कोई उम्मीदवार एक पक्ष द्वारा पसंद किया जाता है और दूसरे द्वारा नकारा जाता है? (इसके लिए स्तर 3 की आवश्यकता है)।

रूपक (Metaphor):
एक 3D वस्तु (जैसे घन/cube) को केवल एक 2D छाया (shadow) का उपयोग करके वर्णित करने की कोशिश करने की कल्पना करें।

यदि आप केवल "छाया" (स्तर 2/जोड़ी तुलना) देखते हैं, तो एक सपाट वर्ग और एक घन समान दिख सकते हैं।
गहराई (असली असहमति) को देखने के लिए, आपको वस्तु को थोड़े अलग कोण से देखने की आवश्यकता है (स्तर 3/तिहरी तुलना)।

लेखक सिद्ध करते हैं कि आपके द्वारा चुने गए जटिलता के किसी भी स्तर (स्तर $k$ ) के लिए, एक विशिष्ट प्रकार की असहमति होती है जो केवल अगले स्तर (स्तर $k+1$ ) पर ही प्रकट होती है। यह एक सख्त पदानुक्रम है: आप चरणों को छोड़ नहीं सकते।

"विशेष मामले" (जब नियम बदल जाते हैं)

शोध पत्र यह भी नोट करता है कि कुछ बहुत ही विशिष्ट, व्यवस्थित दुनिया में, आपको जटिल स्तरों की आवश्यकता नहीं होती है।

सिंगल-पीक्ड प्रेफरेंस (Single-Peaked Preferences): कल्पना कीजिए कि मतदाता एक रेखा पर खड़े हैं। हर कोई उस व्यक्ति को पसंद करता है जो उनके सबसे करीब है। इस व्यवस्थित दुनिया में, "छाया" (स्तर 2) पूरे 3D ऑब्जेक्ट को पुनर्गठित करने के लिए पर्याप्त है।
प्लैकेट-लूस मॉडल (Plackett-Luce Model): कल्पना कीजिए कि एक खेल है जहाँ प्रत्येक उम्मीदवार का एक छिपा हुआ "शक्ति स्कोर" है, और लोग उसी शक्ति के आधार पर चुनते हैं। यहाँ भी, साधारण आमने-सामने की तुलना पूरी तस्वीर समझने के लिए पर्याप्त है।

लेकिन वास्तविक, जटिल और अराजक दुनिया में, जहाँ लोगों की राय जटिल होती है, आपको उच्च स्तरों की आवश्यकता होती है।

व्यावहारिक समस्या: बहुत अधिक पूछना

अब, यहाँ एक पेच है। लोगों से यह पूछना कि "A, B और C में से कौन जीतता है?" यह पूछने से कठिन है कि "A या B?"

संज्ञानात्मक भार (Cognitive Load): यह जवाब देने के लिए आवश्यक मानसिक प्रयास है। दो वस्तुओं की तुलना करना आसान है। तीन या चार की तुलना करना कठिन है और इसमें अधिक दिमागी शक्ति लगती है।
समझौता (Trade-off):
- विकल्प A (द चेन/The Chain): एक-एक करके सरल प्रश्न पूछें। "A बनाम B? विजेता बनाम C?" यह मतदाता के लिए आसान है, लेकिन आपको स्पष्ट तस्वीर पाने के लिए हजारों मतदाताओं की आवश्यकता होगी।
- विकल्प B (द रैंकिंग/The Ranking): मतदाता को सभी चार वस्तुओं को एक साथ रैंक करने के लिए कहें। यह मतदाता के लिए कठिन है (उच्च संज्ञानात्मक भार), लेकिन आपको कम मतदाताओं की आवश्यकता होगी क्योंकि प्रत्येक व्यक्ति आपको बहुत सारा डेटा दे रहा है।

लेखकों ने इस समझौते को प्रबंधित करने के लिए दो प्रोटोकॉल डिज़ाइन किए हैं:

द चेन प्रोटोकॉल (The Chain Protocol): प्रति व्यक्ति कम मानसिक प्रयास, लेकिन इसके लिए एक बहुत बड़ी भीड़ की आवश्यकता है। लाखों उपयोगकर्ताओं वाले ऑनलाइन प्लेटफॉर्म के लिए अच्छा है।
द रैंकिंग प्रोटोकॉल (The Ranking Protocol): प्रति व्यक्ति उच्च मानसिक प्रयास, लेकिन इसके लिए एक छोटे, समर्पित समूह की आवश्यकता है। छोटी समितियों या विशेषज्ञ पैनलों के लिए अच्छा है।

सारांश

यह शोध पत्र तर्क देता है कि समूह के बीच असहमति को वास्तव में समझने के लिए, हम केवल जोड़ों (pairs) में कौन किसे हराता है, यह देखकर काम नहीं चला सकते। हमें यह देखना होगा कि लोग छोटे समूहों (तिगुलियों, चतुर्भुजों आदि) में कैसे वोट करते हैं।

उपकरण: एक "प्लुरैलिटी मैट्रिक्स" जो वोटों को समूह के आकार के आधार पर व्यवस्थित करता है।
नियम: गहरी असहमति (जैसे ध्रुवीकरण) जोड़ी के स्तर पर अदृश्य होती है; इसे देखने के लिए आपको कम से कम तीन के समूह वाले डेटा की आवश्यकता होती है।
लागत: यह डेटा प्राप्त करना मतदाता को कितना सोचने के लिए मजबूर करने और आपको कितने मतदाताओं को पूछने की आवश्यकता है, इसके बीच का एक संतुलन है।

लेखक इस समझौते को नेविगेट करने के लिए गणितीय मानचित्र प्रदान करते हैं, जिससे यह सुनिश्चित होता है कि हम मतदाताओं को थकाए बिना सामाजिक विभाजन को सटीक रूप से माप सकें।

तकनीकी सारांश: सामूहिक असहमति का कुशल निष्कर्षण (Efficient Elicitation of Collective Disagreements)

समस्या विवरण
सामाजिक चयन सिद्धांत (Social choice theory) पारंपरिक रूप से आम सहमति और वरीयता एकत्रीकरण नियमों पर केंद्रित रहा है। हालाँकि, सामूहिक निर्णय लेने के लिए अक्सर सहमति तक पहुँचने से पहले असहमति का सामना करना और उसे सुलझाना आवश्यक होता है। मौजूदा साहित्य असहमति, ध्रुवीकरण और विभाजकता के विभिन्न मापों की पेशकश करता है, लेकिन ये आमतौर पर पूर्ण वरीयता रैंकिंग या युग्मवार तुलनाओं (pairwise comparisons) पर निर्भर करते हैं। लेखक एक महत्वपूर्ण सीमा की पहचान करते हैं: युग्मवार तुलनाएँ (डिग्री 2 की जानकारी) असहमति के विभिन्न संरचनात्मक रूपों के बीच अंतर करने के लिए अपर्याप्त हैं। उदाहरण के लिए, समान रूप से वितरित रैंकिंग वाली एक जनसंख्या और दो विरोधी गुटों में विभाजित एक जनसंख्या, युग्मवार तुलना डेटा में समान परिणाम दे सकती है, फिर भी उनके पास मौलिक रूप से भिन्न असहमति संरचनाएँ हो सकती हैं। इसके अलावा, पूर्ण रैंकिंग प्राप्त करना मतदाताओं पर उच्च संज्ञानात्मक भार (cognitive load) डालता है, जिससे सूचना की समृद्धि और व्यावहारिक उपयोगिता के बीच एक समझौता (trade-off) उत्पन्न होता है। यह शोध पत्र यह निर्धारित करने का प्रयास करता है कि विशिष्ट असहमति मापों की गणना के लिए न्यूनतम एकत्रित वरीयता जानकारी की आवश्यकता है, और ऐसे निष्कर्षण प्रोटोकॉल (elicitation protocols) डिजाइन करने का लक्ष्य रखता है जो इस सूचना आवश्यकता और मतदाता के संज्ञानात्मक भार के बीच संतुलन बनाए रखें।

कार्यप्रणाली (Methodology)
लेखक मतदाता वरीयताओं का एक संभाव्य मॉडल पेश करते हैं और एक नया प्रतिनिधित्व प्रस्तावित करते हैं जिसे बहुलता मैट्रिक्स (plurality matrix) कहा जाता है।

बहुलता मैट्रिक्स: विकल्पों के एक सेट $A$ के लिए, यह मैट्रिक्स प्रत्येक उपसमुच्चय (subset) $S \subseteq A$ और $S$ के भीतर प्रत्येक विकल्प $a \in S$ के लिए, उस प्रायिकता $p_S(a)$ को रिकॉर्ड करता है कि $a$ को $S$ के भीतर प्रथम स्थान दिया गया है।
डिग्रियों का पदानुक्रम (Hierarchy of Degrees): मैट्रिक्स को उपसमुच्चय $S$ के आकार के आधार पर स्तरित किया गया है। "डिग्री $k$ " का डेटा उन प्रविष्टियों को संदर्भित करता है जहाँ $|S|=k$ है। युग्मवार तुलनाएँ डिग्री 2 के अनुरूप हैं, जबकि पूर्ण बहुलता स्कोर डिग्री $m$ के अनुरूप हैं।
माप का स्तर (Level of a Measure): एक असहमति माप को "स्तर $k$ " का तब कहा जाता है यदि इसे अधिकतम डिग्री $k$ के डेटा का उपयोग करके व्यक्त किया जा सकता है, लेकिन डिग्री $k-1$ का नहीं।
निष्कर्षण प्रोटोकॉल (Elicitation Protocols): पूर्ण रैंकिंग की आवश्यकता के बिना बहुलता मैट्रिक्स का अनुमान लगाने के लिए, लेखक युग्मवार तुलनाओं के अनुक्रमों पर आधारित दो प्रोटोकॉल प्रस्तावित करते हैं:
1. $k$ -चेन ( $k$ -chain): एक मतदाता $k$ आकार के एक उपसमुच्चय के भीतर विजेता निर्धारित करने के लिए $k-1$ क्रमिक युग्मवार तुलनाएँ करता है।
2. $k$ -रैंकिंग ( $k$ -ranking): एक मतदाता युग्मवार तुलनाओं के माध्यम से $k$ आकार के एक उपसमुच्चय की पूर्ण रैंकिंग प्रदान करता है।
  लेखक एक विशिष्ट सटीकता ( $\epsilon$ ) और विश्वास ( $1-\delta$ ) के साथ अनुमान लगाने के लिए आवश्यक कुल मतदाताओं (बजट) और प्रति मतदाता अधिकतम संज्ञानात्मक भार (तुलनाओं की संख्या) के बीच के व्यापार-बंद (trade-off) का विश्लेषण करते हैं।

प्रमुख योगदान

बहुलता मैट्रिक्स का औपचारिककरण: शोध पत्र बहुलता मैट्रिक्स को एक ढांचे के रूप में परिभाषित करता है जो एकत्रित वरीयता डेटा को उपसमुच्चय के आकार के आधार पर व्यवस्थित करता है, जिससे न्यूनतम आवश्यक जानकारी के आधार पर असहमति मापों के विश्लेषण को सक्षम बनाया जा सके।
असहमति मापों का स्तर विश्लेषण:
- सहमति सूचकांक (Agreement Index) को स्तर 2 का दिखाया गया है, जो केवल युग्मवार तुलनाओं पर निर्भर है।
- रैंक विचरण (Rank Variance) और विभाजकता (Divisiveness) मापों को स्तर 3 का सिद्ध किया गया है। लेखक प्रदर्शित करते हैं कि इन मापों की गणना केवल युग्मवार डेटा से नहीं की जा सकती, क्योंकि अलग-अलग वरीयता प्रोफाइल समान डिग्री-2 डेटा साझा कर सकते हैं लेकिन डिग्री 3 पर भिन्न हो सकते हैं।
- शोध पत्र पदानुक्रम की कठोरता को सिद्ध करता है: किसी भी $k$ के लिए, ऐसे प्रोफाइल मौजूद हैं जो डिग्री $k$ तक समान हैं लेकिन डिग्री $k+1$ पर भिन्न हैं।
- लेखक प्रत्येक स्तर $k$ के लिए विशिष्ट माप निर्मित करते हैं, जैसे कि रैंक वितरण का $k$ -केंद्रीय क्षण (moment) (स्तर $k+1$ ), जो विषमता (skewness - स्तर 4) और कर्टोसिस (kurtosis - स्तर 5) जैसी विशेषताओं को पकड़ता है।
संरचनात्मक धारणाएँ: यह दिखाया गया है कि विशिष्ट संरचनात्मक धारणाओं के तहत पदानुक्रम स्तर 2 पर सिमट जाता है। यदि मतदाता की वरीयताएँ प्लैकेट-लूस (Plackett-Luce) मॉडल का पालन करती हैं या एकल-शिखर (single-peaked) हैं, तो सभी उच्च-डिग्री की जानकारी को केवल युग्मवार तुलनाओं से प्राप्त किया जा सकता है।
निष्कर्षण प्रोटोकॉल और ट्रेड-ऑफ: बहुलता मैट्रिक्स का अनुमान लगाने के लिए दो प्रोटोकॉल ( $k$ -chain और $k$ -ranking) डिज़ाइन किए गए हैं। होफडिंग असमानता (Hoeffding's inequality) का उपयोग करते हुए सैद्धांतिक विश्लेषण, आवश्यक मतदाताओं की संख्या और प्रति मतदाता संज्ञानात्मक भार के बीच के संबंध को स्पष्ट करता है। लेखक दिखाते हैं कि कम संज्ञानात्मक भार बाधाओं या बड़े जनसंख्या समूहों के लिए 'चेन' (chains) इष्टतम हैं, जबकि छोटे जनसंख्या समूहों के लिए 'रैंकिंग' (rankings) अधिक कुशल है जो जटिल प्रश्नों का उत्तर देने के लिए तैयार हैं।

परिणाम

सैद्धांतिक: शोध पत्र स्थापित करता है कि कई मानक असहमति माप (रैंक विचरण, विभाजकता) स्वाभाविक रूप से युग्मवार तुलनाओं से परे की जानकारी की मांग करते हैं (डिग्री 3)। यह सिद्ध करता है कि स्तर $k$ का कोई भी माप उन प्रोफाइल्स के बीच अंतर नहीं कर सकता जो डिग्री $k$ तक समान हैं।
प्रायोगिक/सिंथेटिक: सिंथेटिक डेटा (मलोस, प्लैकेट-लूस और सिंगल-पीक्ड जैसे मॉडलों का उपयोग करके) पर संख्यात्मक प्रयोगों से पता चलता है कि उच्च-डिग्री वाले माप (विषमता और कर्टोससिस) उन द्वि-मॉडल (bimodal) रैंक वितरणों के बीच अंतर कर सकते हैं जो स्तर 3 पर अविभेद्य हैं।
वास्तविक डेटा: वास्तविक चुनाव डेटा (ग्लासगो STV, NSW विधायी सभा, और फ्रांसीसी राष्ट्रपति सर्वेक्षण) का विश्लेषण दिखाता है कि वास्तविक दुनिया की असहमति विविध तरीकों से "मोमेंट प्लेन" (विषमता बनाम कर्टोसिस) को भरती है, जिसमें द्वि-मॉडल वितरण शामिल हैं जो दो-पक्षीय ध्रुवीकरण का संकेत देते हैं।
प्रोटोकॉल दक्षता: व्युत्पन्न सीमाएँ दिखाती हैं कि एक निश्चित सटीकता के लिए, उपसमुच्चय के आकार $k$ (और इस प्रकार संज्ञानात्मक भार) को बढ़ाने से आवश्यक मतदाताओं की संख्या कम हो जाती है, लेकिन यह केवल उस बिंदु तक होता है जहाँ संज्ञानात्मक भार की बाधा पूरी होती है।

महत्व और दावे
शोध पत्र यह दावा करता है कि यह सामूहिक असहमति को मापने के लिए सूचना-सैद्धांतिक आवश्यकताओं को समझने हेतु एक आधारभूत ढांचा प्रदान करता है। "स्तर" (level) की अवधारणा पेश करके, यह स्पष्ट करता है कि युग्मवार तुलनाएँ विभाजकता और रैंक विचरण जैसी सूक्ष्म असहमति संरचनाओं को पकड़ने के लिए अपर्याप्त हैं। यह कार्य निष्कर्षण के लिए एक व्यावहारिक मार्ग प्रदान करता है: किसी दिए गए माप के लिए आवश्यक सूचना की डिग्री की पहचान करके, अभ्यासकर्ता विशिष्ट प्रकार की असहमति का पता लगाने की क्षमता से समझौता किए बिना संज्ञानात्मक बोझ को कम करने वाले प्रोटोकॉल डिजाइन कर सकते हैं। लेखक नोट करते हैं कि उनका ढांचा उन मापों तक सीमित है जिन्हें बहुलता मैट्रिक्स के माध्यम से व्यक्त किया जा सकता है और यह सत्यपूर्ण, शोर-रहित (noiseless) प्रतिक्रियाओं को मानता है, जो भविष्य के कार्यों के लिए सुझाव देता है कि इसे आंशिक क्रम (partial orders), अनुमोदन मतपत्र (approval ballots), या शोरयुक्त प्रतिक्रिया मॉडल तक विस्तारित किया जा सकता है।