ttda704 at SemEval-2026 Task 4: Modeling Narrative Structures via Pseudonymization and Multi-View Sentence Alignment
यह शोध पत्र SemEval-2026 टास्क 4 के लिए ttda704 टीम के दृष्टिकोण को प्रस्तुत करता है, जो पूर्ण नैरेटिव एनकोडिंग के लिए एक सिंगल-व्यू पद्धति और विशिष्ट विषयगत, कथानक एवं परिणाम घटकों को संरेखित करने के लिए एक मल्टी-व्यू पद्धति के माध्यम से नैरेटिव समानता को मॉडल करने हेतु फाइन-ट्यून्ड सेंटेंस ट्रांसफॉर्मर्स के साथ कंट्रास्टिव लर्निंग का उपयोग 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 एक कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि कहानियों को कैसे समझा जाए, न कि केवल शब्दों को गिनकर, बल्कि कहानी के 'सार' (soul) को समझकर। "ttda704" टीम ने ठीक यही किया SemEval-2026 नामक एक प्रतियोगिता के लिए।
यहाँ उनके दृष्टिकोण का एक सरल विवरण दिया गया है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।
बड़ी समस्या: "नाम वाला खेल" (The "Name Game" Trap)
आमतौर पर, जब कंप्यूटर दो कहानियों की तुलना करते हैं, तो वे नामों से धोखा खा जाते हैं। यदि कहानी A टिम नाम के एक लड़के के बारे में है जो एक ड्रैगन से लड़ता है, और कहानी B सारा नाम की एक लड़की के बारे में है जो एक ड्रैगन से लड़ती है, तो एक साधारण कंप्यूटर सोच सकता है कि वे पूरी तरह से अलग हैं क्योंकि "टिम" और "सारा" अलग-अलग शब्द हैं।
लेकिन एक इंसान जानता है: रुकिए, दोनों कहानियाँ एक हीरो द्वारा ड्रैगन से लड़ने के बारे में हैं। वे वास्तव में बहुत समान हैं।
लेखक चाहते थे कि कंप्यूटर नामों को अनदेखा करे और कहानी की संरचना (structure) पर ध्यान केंद्रित करे।
समाधान: दो अलग-अलग पाइपलाइन (Two Different Pipelines)
टीम ने पहेली के दो अलग-अलग हिस्सों को हल करने के लिए दो अलग-अलग "मशीनें" (पाइपलाइन) बनाईं।
1. ट्रैक A: "आंखों पर पट्टी बांधा हुआ" जासूस (Single-View)
लक्ष्य: आपको एक "एंकर" (Anchor) कहानी और दो अन्य कहानियाँ दी जाती हैं। आपको चुनना है कि कौन सी कहानी एंकर के अधिक समान है।
नुस्खा: छद्म नामकरण (Pseudonymization - द "ब्लाइंडफोल्ड")
कंप्यूटर द्वारा कहानी पढ़ने से पहले, टीम "मैड लिब्स" (Mad Libs) जैसा एक खेल खेलती है। वे हर विशिष्ट नाम (जैसे "टिम", "द ड्रैगन", "लंदन") को लेते हैं और उन्हें सामान्य लेबल जैसे Character_A, Monster_B, और Place_1 से बदल देते हैं।
- क्यों? यह कंप्यूटर को मजबूर करता है कि वह यह देखने के बजाय कि कौन क्या कर रहा है, इस पर ध्यान दे कि क्या हो रहा है। यह एक ऐसी कहानी सुनने जैसा है जहाँ हर कोई मास्क पहने हुए है; आप केवल कार्यों से कहानी का निर्णय ले सकते हैं, चेहरों से नहीं।
इंजन: स्मार्ट फ्रीजिंग (Smart Freezing)
उन्होंने इन मास्क वाली कहानियों को पढ़ने के लिए एक शक्तिशाली प्री-ट्रेंड मस्तिष्क (एक सेंटेंस ट्रांसफॉर्मर) का उपयोग किया। यह सुनिश्चित करने के लिए कि इस नए कार्य को सीखते समय मस्तिष्क अंग्रेजी बोलना न भूल जाए, उन्होंने स्मार्ट लेयर फ्रीजिंग का उपयोग किया।
- उदाहरण: कल्पना कीजिए कि एक मास्टर शेफ (प्री-ट्रेंड मॉडल) एक विशिष्ट नया व्यंजन बनाना सीख रहा है। आप उसे कहते हैं, "प्याज काटने या पानी उबालने का तरीका मत बदलो (निचली परतें/bottom layers), लेकिन तुम इस विशिष्ट व्यंजन के लिए नए सॉस बना सकते हो (ऊपरी परतें/top layers)।" यह उसे बहुत अधिक सोचने और गलतियाँ करने से रोकता है।
परिणाम: यह विधि अच्छी रही, जिससे टीम 42 टीमों में से 14वें स्थान पर रही।
2. ट्रैक B: "तीन पैरों वाला स्टूल" (Multi-View)
लक्ष्य: केवल विजेता चुनने के बजाय, टीम को हर कहानी को एक अद्वितीय "फिंगरप्रिंट" (वेक्टर) में बदलना था ताकि समान कहानियाँ डिजिटल स्पेस में एक-दूसरे के करीब रहें।
नुस्खा: कहानी को टुकड़ों में तोड़ना
टीम ने महसूस किया कि एक कहानी केवल एक चीज़ नहीं है। इसके तीन अलग-अलग हिस्से होते हैं, जैसे एक स्टूल के तीन पैर:
- थीम (The Theme): बड़ा विचार (जैसे, "प्रतिशोध" या "परिपक्वता")।
- प्लॉट (The Plot): घटनाओं का क्रम (जैसे, "हीरो घायल होता है, फिर पलटवार करता है")।
- परिणाम (The Outcome): यह कैसे समाप्त होता है (जैसे, "हीरो जीतता है" या "हीरो एक सबक सीखता है")।
प्रक्रिया:
- निष्कर्षण (Extraction): उन्होंने एक अत्यंत बुद्धिमान AI (LLM) का उपयोग किया जो कहानी को पढ़ता है और इन तीन विशिष्ट हिस्सों को निकालता है, और उन्हें सारांश के रूप में लिखता है।
- संरेखण (Alignment): उन्होंने एक विशेष प्रणाली बनाई जो तीनों पैरों (थीम, प्लॉट और परिणाम) के आधार पर एक साथ कहानियों की तुलना करना सीखती है।
- उदाहरण: कल्पना कीजिए कि आप किसी व्यक्ति को उसके चेहरे, आवाज़ और चाल से मिलाने की कोशिश कर रहे हैं। यदि आप केवल चेहरे को देखते हैं, तो आप गलत हो सकते हैं। लेकिन यदि आप चेहरा, आवाज़ और चाल तीनों को एक साथ देखते हैं, तो आप बहुत अधिक सटीक होते हैं।
- स्व-सुधार (Self-Correction): उन्होंने एक नियम जोड़ा ताकि यह सुनिश्चित हो सके कि "थीम", "प्लॉट" और "परिणाम" तीनों हिस्से एक-दूसरे से सहमत हों, जिससे एक एकीकृत कहानी फिंगरप्रिंट बन सके।
परिणाम: इस मल्टी-व्यू दृष्टिकोण ने उन्हें 25 टीमों में से 6वें स्थान पर पहुँचाया।
गुप्त सामग्री: सिंथेटिक डेटा (Synthetic Data)
टीम के पास अपने मॉडलों को पूरी तरह से प्रशिक्षित करने के लिए पर्याप्त वास्तविक मानव-लेबल वाली कहानियाँ नहीं थीं। इसलिए, उन्होंने अभ्यास करने के लिए AI का उपयोग करके हजारों नकली कहानी के उदाहरण (सिंथेटिक डेटा) बनाए।
- उदाहरण: यह एक पायलट के उड़ान सिम्युलेटर में प्रशिक्षण लेने जैसा है। उन्हें तूफान में उड़ने के लिए असली विमान की आवश्यकता नहीं है; वे पहले कंप्यूटर सिमुलेशन पर अभ्यास कर सकते हैं। इसने उन्हें बिना किसी विशाल मानव-ग्रेड लाइब्रेरी के अपने मॉडलों को कुशलतापूर्वक प्रशिक्षित करने की अनुमति दी।
सारांश जो उन्होंने दावा किया
- उन्होंने परीक्षण के दौरान उत्तर देने के लिए महंगे, धीमे AI का उपयोग नहीं किया। इसके बजाय, उन्होंने एक तेज़, कुशल प्रणाली बनाई जो पहले पैटर्न सीखती है और फिर उन्हें तेज़ी से लागू करती है।
- उन्होंने सिद्ध किया कि नाम हटाना (pseudonymization) कंप्यूटर को केवल कच्चे टेक्स्ट को पढ़ने की तुलना में कहानी की संरचना को बेहतर ढंग से समझने में मदद करता है।
- उन्होंने सिद्ध किया कि कहानी को थीम, प्लॉट और आउटकम में तोड़ने से कहानियों की तुलना करने के लिए एक बहुत बेहतर "फिंगरप्रिंट" बनता है, बजाय इसके कि कहानी को एक बड़े टेक्स्ट ब्लॉक के रूप में माना जाए।
संक्षेप में, उन्होंने कंप्यूटर को नामों और शोर (noise) को अनदेखा करने और पूरी तरह से कहानी के आकार और प्रवाह पर ध्यान केंद्रित करने के लिए सिखाया।
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।