तकनीकी सारांश: लार्ज लैंग्वेज मॉडल्स के साथ सोशल वर्ल्ड मॉडल्स का निर्माण

1. समस्या विवरण

यह शोध पत्र इस मौलिक चुनौती को संबोधित करता है कि वास्तविक दुनिया की घटनाओं (जैसे, नीति परिवर्तन, वैज्ञानिक खोज, या राजनीतिक चुनाव) के जवाब में सामाजिक विश्वासों (social beliefs) कैसे विकसित होते हैं, इसका मॉडल और पूर्वानुमान कैसे लगाया जाए। यद्यपि लार्ज लैंग्वेज मॉडल्स (LLMs) के पास सामान्य ज्ञान (commonsense knowledge) और सामाजिक बुद्धिमत्ता होती है, लेकिन उन्हें इस क्षेत्र में लागू करने में तीन विशिष्ट बाधाएं आती हैं:

• परिमाणीकरण और डेटा की कमी (Quantifiability and Data Scarcity): सामाजिक विश्वास अर्थपूर्ण (semantic) होते हैं और उन्हें संरचित, उच्च-सटीकता वाले टाइम-सीरीज डेटा के रूप में कैप्चर करना कठिन है। पारंपरिक स्रोत जैसे सर्वेक्षण या सोशल मीडिया शोर (noise), पूर्वाग्रह और प्रतिनिधित्व की कमी से ग्रस्त होते हैं।
• अर्थपूर्ण जटिलता (Semantic Complexity): सामाजिक संक्रमण (social transitions) स्पष्ट, कोडित नियमों के बजाय सूक्ष्म मनोविज्ञान और सांस्कृतिक संदर्भों द्वारा संचालित होते हैं। पारंपरिक सांख्यिकीय या प्रतीकात्मक मॉडल अक्सर इन अंतर्निहित संक्रमण नियमों को पकड़ने में विफल रहते हैं।
• स्पष्ट एट्रिब्यूशन का अभाव (Lack of Explicit Attribution): भले ही विश्वास में बदलाव देखा जाए, लेकिन किसी विशिष्ट घटना और उस बदलाव के बीच का कारणत्मक संबंध (causal link) अक्सर अस्पष्ट होता है। बिना स्पष्ट "घटना-से-बदलाव" लेबल के, मॉडल सामाजिक गतिशीलता के अंतर्निहित तंत्र को सीखने में संघर्ष करते हैं।

मुख्य शोध प्रश्न यह है: क्या LLMs सामाजिक घटनाओं के जवाब में सामाजिक विश्वासों की गतिशीलता का मॉडल बना सकते हैं?

2. कार्यप्रणाली: सोशल वर्ल्ड मॉडल (SWM)

लेखक सोशल वर्ल्ड मॉडल (SWM) का प्रस्ताव करते हैं, जो एक जेनेरेटिव फ्रेमवर्क है जो सामूहिक विश्वास को एक अर्थपूर्ण अवस्था ($s_t$) और सामाजिक घटनाओं को बाह्य क्रियाओं ($e_t$) के रूप में मानता है। मॉडल एक स्टेट-ट्रांजिशन फंक्शन $P_\theta(s_{t+1} | s_t, e_t)$ सीखता है।

2.1 डेटा आधार: SWM-Bench

डेटा की कमी की समस्या को हल करने के लिए, लेखक SWM-Bench पेश करते हैं, जो वास्तविक दुनिया के प्रेडिक्शन मार्केट्स (Kalshi और Polymarket) से लिया गया एक बेंचमार्क है।

• तर्क: प्रेडिक्शन मार्केट की कीमतें जनमत के एक उच्च-सटीकता वाले, एकत्रित संकेत के रूप में कार्य करती हैं, जो शोर को फ़िल्टर करती हैं और वित्तीय दांवों के आधार पर तर्कसंगत निर्णय लेने को दर्शाती हैं।
• प्रारूप: एक सामाजिक विश्वास को एक बाइनरी प्रस्ताव $q$ के रूप में परिभाषित किया गया है जिसकी मार्केट-निर्मित संभावना $v_t \in [0, 1]$ है। अवस्था $s_t$ हाल के मूल्यों का एक ट्राजेक्टरी विंडो है, और इवेंट स्पेस $E_t$ उम्मीदवार समाचार लेखों का समूह है।

2.2 आर्किटेक्चर और प्रशिक्षण प्रतिमान (Training Paradigm)

SWM फ्रेमवर्क तीन मुख्य मॉड्यूल के लिए बैकबोन के रूप में LLMs का उपयोग करता है, जो बिना मानव एनोटेशन के एट्रिब्यूशन लेबलिंग समस्या को हल करने के लिए एक पोस्टीरियर-गाइडेड ट्रेनिंग प्रतिमान का उपयोग करता है।

1. लेटेंट इवेंट एट्रिब्यूशन (Latent Event Attribution): विश्वास परिवर्तन को चलाने वाली वास्तविक घटना को एक लेटेंट वेरिएबल $Z_t$ माना जाता है। मॉडल एक परिकल्पित घटना पर आधारित होकर ट्रांजिशन का अनुमान लगाता है।
2. प्रायर एट्रिब्यूटर ($P_\eta$): एक भविष्योन्मुखी मॉडल जो बदलाव होने से पहले उपलब्ध संदर्भ के आधार पर उम्मीदवार घटनाओं को स्कोर करता है।
3. पोस्टीरियर एट्रिब्यूटर ($Q_\phi$): एक फ्रोजन (frozen), हेंडसाइट (hindsight) LLM जो वास्तविक परिणाम ($s_{t+1}$) को देखता है और यह निर्धारित करता है कि कौन सी उम्मीदवार घटना बदलाव की सबसे अच्छी व्याख्या करती है। यह एक "शिक्षक" के रूप में कार्य करता है जो छद्म-लेबल (pseudo-labels) प्रदान करता है।
4. सोशल वर्ल्ड मॉडल ($P_\theta$): यह एक ट्रांजिशन इंजन है जो एक विशिष्ट एट्रिब्यूटेड घटना दिए जाने पर $s_{t+1}$ की भविष्यवाणी करना सीखता है।

प्रशिक्षण उद्देश्य (Training Objective):
प्रशिक्षण एक लॉस फंक्शन को कम करता है जो दो टर्म्स से बना है:

• वर्ल्ड मॉडल लॉस ($L_{wm}$): $P_\theta$ को $Q_\phi$ द्वारा एट्रिब्यूट की गई घटना की स्थिति में ट्रांजिशन $s_{t+1}$ की भविष्यवाणी करने के लिए प्रशिक्षित करता है।
• एट्रिब्यूटर लॉस ($L_{attr}$): KL डाइवर्जेंस का उपयोग करके $Q_\phi$ से प्राप्त हेंडसाइट एट्रिब्यूशन को प्रायर एट्रिब्यूटर $P_\eta$ में डिस्टिल (distill) करता है।

यह दृष्टिकोण मॉडल को 'इनवर्स इन्फरेंस' (inverse inference) के माध्यम से कारणत्मक तंत्र सीखने की अनुमति देता है: पोस्टीरियर कारण की पहचान करता है, और प्रायर भविष्य तक पहुंच के बिना उस कारण की भविष्यवाणी करना सीखता है।

2.3 इन्फरेंस मोड (Inference Modes)

अलग-अलग आर्किटेक्चर दो अलग-अलग मोड का समर्थन करते हैं:

• फोरकास्टिंग (Forecasting): भविष्य के मार्केट ट्राजेक्टरीज ($\hat{s}_{t+1} = \sum P_\eta \cdot E[P_\theta]$) की भविष्यवाणी करने के लिए प्रायर एट्रिब्यूटर की अनिश्चितता को मार्जिनलाइज करता है।
• सिमुलेशन (Simulation): एक विशिष्ट (वास्तविक या काल्पनिक) घटना पर सीधे कंडीशन करता है ताकि "क्या-होगा-अगर" (what-if) विश्वास परिवर्तन का अनुमान लगाया जा सके, जिससे एट्रिब्यूटर को बायपास किया जा सके।

3. प्रमुख योगदान

1. SWM-Bench: वास्तविक दुनिया के प्रेडिक्शन मार्केट्स से क्यूरेट किया गया पहला मूल्यांकन बेंचमार्क, जो सामाजिक विश्वासों को राजनीति, वित्त और क्रिप्टोकरेंसी को कवर करने वाले एक मात्रात्मक, टाइम-सीरीज फॉर्मेट में बदल देता है।
2. सोशल वर्ल्ड मॉडल फ्रेमवर्क: एक नया आर्किटेक्चर जो सामाजिक गतिशीलता के अर्थपूर्ण रूप से संचालित, अंतर्निहित संक्रमण नियमों को कैप्चर करने के लिए LLMs का लाभ उठाता है, जो पारंपरिक टाइम-सीरीज फोरकास्टिंग से आगे जाता है।
3. पोस्टीरियर-सुपरवाइज्ड ट्रेनिंग: एक प्रशिक्षण प्रतिमान जो सामाजिक तर्क (एट्रिब्यूशन) को डायनेमिक्स मॉडलिंग से अलग करके एट्रिब्यूशन लेबलिंग समस्या को हल करता है, जिससे बिना स्पष्ट मानव एनोटेशन के सीखना संभव होता है।

4. प्रयोगात्मक परिणाम

प्रयोग SWM-Bench (Kalshi और Polymarket डेटासेट) पर टाइम-सीरीज मॉडल्स (जैसे, Autoformer, iTransformer) और LLM-आधारित बेसलाइन्स (प्रॉम्प्टिंग और फाइन-ट्यून्ड) के साथ तुलना करते हुए किए गए।

• प्रदर्शन: SWM, GPT-5.5 और विभिन्न टाइम-सीरीज मॉडल्स सहित मजबूत बेसलाइन्स को पछाड़ते हुए Kalshi डेटासेट पर स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है। Polymarket डेटासेट पर, यह प्रतिस्पर्धी प्रदर्शन प्रदर्शित करता है, विशेष रूप से दिशात्मक सटीकता (directional accuracy) में।
• दिशात्मक सटीकता (Directional Accuracy): एट्रिब्यूटेड सबसेट (जहाँ एक स्पष्ट समाचार चालक मौजूद है) पर, SWM (प्रायर) उच्चतम दिशात्मक सटीकता (Polymarket पर 0.685, Kalshi पर 0.845) प्राप्त करता है।
• एब्लेशन स्टडीज (Ablation Studies):
  • मॉडल का आकार: बड़े LLM बैकबोन (0.6B से 8B) लगातार प्रदर्शन में सुधार करते हैं, जो सुझाव देते हैं कि टेक्स्टुअल घटनाओं को संख्यात्मक डायनेमिक्स में अनुवादित करने के लिए क्षमता (capacity) महत्वपूर्ण है।
  • एट्रिब्यूशन: प्राथमिक बाधा प्रायर एट्रिब्यूटर की सही कारण शॉक (causal shock) को अलग करने की क्षमता है। जब इन्फरेंस के लिए एक ओरकल पोस्टीरियर का उपयोग किया जाता है, तो प्रदर्शन काफी सुधर जाता है, जो इंगित करता है कि घटना की पहचान होने के बाद ट्रांजिशन मॉडल ($P_\theta$) अत्यधिक सटीक है।
  • इवेंट स्पार्सिटी (Event Sparsity): कारण संबंधी संकेत अक्सर एक एकल घटना में केंद्रित होते हैं; सिंगल इवेंट ($m=1$) के साथ पोस्टीरियर-गाइडेड चयन पूर्ण-सेट प्रदर्शन के बराबर होता है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि SWM सामूहिक सहमति के विकास के मॉडल बनाने और भविष्यवाणी करने के लिए एक नया पाइपलाइन प्रदान करता है। प्रेडिक्शन मार्केट्स में सामाजिक गतिशीलता को ग्राउंड करने और LLMs की तर्क क्षमताओं का लाभ उठाने के माध्यम से, यह फ्रेमवर्क मात्रात्मक डिजिटल समाजशास्त्र के लिए एक स्केलेबल टूलकिट प्रदान करता है।

लेखक इस कार्य को पैरामीट्रिक सोशल वर्ल्ड मॉडल्स की ओर एक कदम के रूप में देखते हैं। वे इस बात पर जोर देते हैं कि जबकि यह मॉडल स्पष्ट बाहरी घटनाओं द्वारा संचालित विश्वास परिवर्तनों को पकड़ने में उत्कृष्ट है (जैसा कि Kalshi में देखा गया है), इसे उच्च एंडोजेनस या एल्गोरिथमिक शोर (जैसा कि Polymarket में देखा गया है) वाले बाजारों में चुनौतियों का सामना करना पड़ता है। यह कार्य सभी सामाजिक पूर्वानुमान समस्याओं को हल करने का दावा नहीं करता है, बल्कि यह समझने के लिए एक मौलिक ढांचा स्थापित करता है कि विशिष्ट घटनाएं सार्वजनिक राय के बदलाव को कैसे संचालित करती हैं, जो सामाजिक विश्वास की गतिशीलता के तंत्र में व्याख्यात्मक अंतर्दृष्टि प्रदान करता है।

नैतिक नोट: लेखक स्वीकार करते हैं कि ऐसे मॉडल्स का दुरुपयोग (जैसे, लक्षित दुष्प्रचार के लिए) किया जा सकता है और वे सामूहिक विश्वास में असामान्य बदलावों का पता लगाने के लिए पारदर्शी, रक्षात्मक तैनाती की वकालत करते हैं, न कि उन्हें हेरफेर करने के लिए।