Synthetic Personalities: How Well Can LLMs Mimic Individual Respondents Using Socio-Economic Microdata?
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models) सूचना की गहराई, एम्बेडिंग विधियों और तर्क मोड को अनुकूलित करके मौजूदा सामाजिक-आर्थिक पैनल डेटा से प्रभावी ढंग से विस्तृत व्यक्तिगत-स्तरीय "डिजिटल ट्विन्स" का निर्माण कर सकते हैं, जो वास्तविक उत्तरदाताओं के साथ 78.8% तक सटीकता और मजबूत सहसंबंध प्राप्त करते हैं, जिससे यह दर्शाता है कि ट्विन-आधारित बाजार अनुसंधान अब डेटा की उपलब्धता के बजाय निर्माण संबंधी निर्णयों द्वारा सीमित 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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशिष्ट व्यक्ति किसी सर्वेक्षण प्रश्न का उत्तर कैसे देगा। आमतौर पर, आपको उनसे सीधे पूछना पड़ता है, जो धीमा और महंगा होता है। यह शोध पत्र एक साहसिक प्रश्न पूछता है: क्या हम केवल उस डेटा का उपयोग करके एक "डिजिटल क्लोन" बना सकते हैं जो कंपनियों के पास पहले से ही अपने डेटाबेस में मौजूद है?
एक कंपनी के डेटाबेस को एक विशाल, अव्यवस्थित अटारी (attic) की तरह समझें जिसमें उनके ग्राहकों के वर्षों के नोट्स, रसीदें और पुराने सर्वेक्षण भरे हुए हैं। शोधकर्ता यह देखना चाहते थे कि क्या वे एक यादृच्छिक (random) व्यक्ति के बिखरे हुए नोट्स को इस अटारी से ले सकते हैं और एक AI का उपयोग करके एक "डिजिटल जुड़वां" (digital twin) बना सकते हैं जो बिल्कुल उसी तरह उत्तर देता है जैसे वह वास्तविक व्यक्ति देता।
यहाँ बताया गया है कि उन्होंने यह कैसे किया और उन्हें क्या मिला, जिसे सरल भाषा में समझाया गया है:
1. सामग्री: क्लोन बनाना
इन डिजिटल जुड़वाओं को बनाने के लिए, शोधकर्ताओं ने जर्मन सोशियो-इकोनॉमिक पैनल (SOEP) से डेटा का उपयोग किया। इसे एक विशाल, 40 साल लंबी डायरी की तरह समझें जो 28,000 से अधिक वास्तविक लोगों द्वारा लिखी गई है। इसमें उनकी नौकरी और आय से लेकर उनके पारिवारिक जीवन और विचारों तक सब कुछ शामिल है।
उन्होंने इस डायरी से 500 लोगों को चुना और प्रत्येक के लिए एक डिजिटल संस्करण बनाने की कोशिश की। ऐसा करने के लिए, उन्होंने चार मुख्य सामग्रियों वाली एक "रेसिपी" का परीक्षण किया:
- दिमाग (The AI): उन्होंने तीन अलग-अलग ओपन-सोर्स AI मॉडल का उपयोग किया (इन्हें तीन अलग-अलग प्रकार के सुपर-स्मार्ट कैलकुलेटर के रूप में सोचें)।
- याददाश्त (कितनी जानकारी खिलाई जाए): उन्होंने परीक्षण किया कि AI को केवल बुनियादी तथ्य (जैसे आयु और लिंग) खिलाना बनाम उसे पूरी डायरी खिलाना। उन्होंने इस "सूचना की गहराई" को पानी से बाल्टी भरने की तरह मापा।
- फॉर्मेट (कहानी कैसे सुनाएं): उन्होंने डेटा को प्रस्तुत करने के दो तरीके आजमाए:
- सारांश (The Summary): व्यक्ति के जीवन का एक छोटा, साफ-सुथरा पैराग्राफ जो जीवन का सार बताता है।
- रॉ चैट (The Raw Chat): हर उस प्रश्न और उत्तर का एक लंबा, अव्यवस्थित ट्रांसक्रिप्ट जो उस व्यक्ति से कभी भी पूछा गया था।
- सोचने की शैली (The Thinking Style): उन्होंने परीक्षण किया कि क्या AI को तुरंत उत्तर देना चाहिए, या उसे उत्तर देने से पहले "ज़ोर से सोचना चाहिए" (अपने तर्क को लिखना चाहिए)।
2. प्रयोग: "टेस्ट टेस्ट" (स्वाद परीक्षण)
शोधकर्ताओं ने 2.1 मिलियन डिजिटल प्रतिक्रियाएं बनाईं। इसके बाद उन्होंने इन डिजिटल क्लोनों से 183 प्रश्न पूछे जिन्हें वास्तविक लोगों ने अतीत में पहले ही उत्तर दे दिया था। लक्ष्य यह देखना था कि क्या डिजिटल क्लोन का उत्तर वास्तविक व्यक्ति के उत्तर से मेल खाता है।
उन्होंने सफलता को दो तरीकों से मापा:
- सटीकता (Accuracy): क्या क्लोन ने बिल्कुल वही उत्तर दिया? (जैसे, यदि वास्तविक व्यक्ति ने "हाँ" कहा, तो क्या क्लोन ने "हाँ" कहा?)
- रैंकिंग (Ranking): क्या क्लोन समझ पाया कि कौन क्या कहने की अधिक संभावना रखता है? (जैसे, यदि व्यक्ति A आमतौर पर व्यक्ति B की तुलना में अधिक आशावादी है, तो क्या क्लोन उस अंतर को दर्शाता है?)
3. बड़ी खोजें
जानकारी का "गोल्डिलॉक्स" ज़ोन (Goldilocks Zone)
आप सोच सकते हैं कि "अधिक डेटा हमेशा बेहतर होता है।" शोधकर्ताओं ने पाया कि यह केवल आंशिक रूप से सच है।
- पहली चुस्की: थोड़ा अधिक जानकारी जोड़ने (बुनियादी जनसांख्यिकी से आगे) से बहुत मदद मिली।
- स्वीट स्पॉट (Sweet Spot): सबसे बड़ी सटीकता तब आई जब उन्होंने सबसे दिलचस्प 75% प्रश्नों को जोड़ा।
- घटता हुआ प्रतिफल (Diminishing Returns): डेटा के अंतिम 25% हिस्से (बाल्टी का आखिरी हिस्सा) को जोड़ने से ज्यादा मदद नहीं मिली। इसने बहुत अधिक कंप्यूटर पावर खर्च की लेकिन परिणामों में सुधार बहुत कम हुआ।
- उपमा (Analogy): यह सूप में मसाला डालने जैसा है। शुरू में नमक डालने से बहुत मदद मिलती है। थोड़ा और डालने से भी मदद मिलती है। लेकिन अंत में पूरा डिब्बा ही उड़ेल देने से स्वाद में कोई खास सुधार नहीं होता, बस वह नमकीन हो जाता है।
रॉ हिस्ट्री (Raw History) की शक्ति
आश्चर्यजनक रूप से, AI को रॉ चैट हिस्ट्री (पिछले प्रश्नों का अव्यवस्थित ट्रांसक्रिप्ट) खिलाना, एक साफ-सुथरे सारांश देने की तुलना में बेहतर काम कर गया।
- उपमा: यह अनुमान लगाने जैसा है कि आपका दोस्त रात के खाने में क्या ऑर्डर करेगा। एक सारांश कहता है, "मेरे दोस्त को इटालियन पसंद है।" लेकिन एक चैट हिस्ट्री कहती है, "पिछले मंगलवार को उन्होंने पिज्जा ऑर्डर किया था, लेकिन जब वे थके हुए थे तो उन्होंने सलाद लिया था, और उन्हें धनिया बिल्कुल पसंद नहीं है।" इस अव्यवस्थित इतिहास ने AI को सही होने के लिए अधिक सुराग दिए।
सोचने से मदद मिलती है, लेकिन सटीकता के लिए नहीं
जब AI को उत्तर देने से पहले "ज़ोर से सोचने" के लिए कहा गया, तो वह लोगों की रैंकिंग करने में बेहतर हो गया (व्यक्तियों के बीच अंतर समझना), लेकिन इससे वह अनिवार्य रूप से सटीक उत्तर देने में अधिक सफल नहीं हुआ।
- उपमा: यह एक छात्र की तरह है जो अपने गणित के चरणों को लिखता है। वे अंतिम संख्या गलत भी कर सकते हैं, लेकिन वे केवल अनुमान लगाने वाले छात्र की तुलना में तर्क को बेहतर ढंग से समझते हैं।
4. निष्कर्ष (The Bottom Line)
यह अध्ययन साबित करता है कि अच्छे डिजिटल जुड़वां बनाने के लिए आपको विशेष, महंगे साक्षात्कार चलाने की आवश्यकता नहीं है। आप उन्हें उस विविध, अव्यवस्थित डेटा का उपयोग करके बना सकते हैं जो कंपनियों के पास पहले से मौजूद है (जैसे लॉयल्टी प्रोग्राम का इतिहास या पुराने सर्वेक्षण)।
- सर्वश्रेष्ठ परिणाम: सबसे सटीक डिजिटल जुड़वां ने 78.8% बार सही उत्तर दिया।
- मुख्य बात: इन डिजिटल जुड़वाओं का उपयोग करने के लिए सबसे बड़ी बाधा यह नहीं है कि आप डेटा संग्रह को कैसे डिज़ाइन करते हैं; बल्कि यह केवल पर्याप्त डेटा वॉल्यूम होना और सही AI मॉडल चुनना है।
संक्षेप में, यदि आपके पास ग्राहकों के नोट्स से भरी एक डिजिटल अटारी है, तो अब आप विचारों का परीक्षण करने के लिए अपने ग्राहकों का एक आश्चर्यजनक रूप से सटीक "डिजिटल भूत" बना सकते हैं, बिना एक-एक करके उनका साक्षात्कार किए।
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।