Team MKC at CLPsych 2026: Capturing and Characterizing Mental Health Changes through Social Media Timeline Dynamics
यह शोध पत्र CLPsych 2026 साझा कार्य (shared task) के लिए टीम MKC के LLM-आधारित पाइपलाइन को प्रस्तुत करता है, जो क्रमिक रूप से व्यवस्थित सोशल मीडिया पोस्ट का विश्लेषण करके पोस्ट-स्तरीय मानसिक स्वास्थ्य मूल्यांकन और उपयोगकर्ता-स्तरीय टेम्पोरल मॉडलिंग को संयुक्त रूप से करने के लिए एक एकीकृत ढांचा प्रदान 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 केवल समय के साथ किसी व्यक्ति की डायरी प्रविष्टियों को पढ़कर उनकी भावनात्मक यात्रा को समझने की कोशिश कर रहे हैं। कुछ दिन वे बहुत अच्छा महसूस करते हुए लिखते हैं; अन्य दिनों में वे चिंतित या उदास लगते हैं। कभी-कभी, खुशी से दुख में अचानक बदलाव आता है, या धीरे-धीरे बुरा होने का अहसास होता है।
यह शोध पत्र इस बारे में है कि कैसे शोधकर्ताओं की एक टीम (टीम MKC) ने उन्नत AI (जिसे लार्ज लैंग्वेज मॉडल कहा जाता है) का उपयोग करके एक डिजिटल जासूस प्रणाली (digital detective system) बनाई। उन्होंने CLPsych 2026 नामक एक प्रतियोगिता में भाग लिया, जिसका लक्ष्य मानसिक स्वास्थ्य में बदलावों को पहचानने के लिए सोशल मीडिया पोस्ट का विश्लेषण करना था।
उनका सिस्टम इस प्रकार काम करता है, जिसे सरल चरणों में विभाजित किया गया है:
1. "सूक्ष्मदर्शी" (चरण 1 और 2)
सबसे पहले, AI एक बार में एक ही पोस्ट को देखता है। इसे एक सूक्ष्मदर्शी की तरह समझें जो एक एकल वाक्य पर ज़ूम करता है।
- यह क्या करता है: यह पोस्ट को विशिष्ट टैग के साथ लेबल करने की कोशिश करता है। क्या व्यक्ति "अनुकूलनशील" (अच्छी तरह से मुकाबला कर रहा) है या "अअनुकूलनशील" (संघर्ष कर रहा है)? यह इन भावनाओं को 12 सूक्ष्म श्रेणियों (जैसे "निराशा महसूस करना" या "आशा महसूस करना") में तोड़ता है।
- चुनौती: प्रशिक्षण डेटा (training data) बहुत अव्यवस्थित था। अधिकांश पोस्ट सामान्य भावनाओं के बारे में थे, लेकिन दुर्लभ, चरम भावनाओं के बारे में बहुत कम थे। यह दुर्लभ पक्षियों को पहचानने के लिए सीखने जैसा है जब आपके पास उनके केवल 500 फोटो हों, लेकिन कबूतरों के 4,000 फोटो हों।
- समाधान: AI को दुर्लभ उदाहरणों को अनदेखा करने से रोकने के लिए, शोधकर्ताओं ने इसे दुर्लभ उदाहरणों पर विशेष ध्यान देने के लिए प्रशिक्षित किया। उन्होंने "K-fold cross-validation" नामक एक तरकीब का भी उपयोग किया, जो एक ही सुरागों को देखने वाले पांच अलग-अलग जासूसों के माध्यम से उत्तर पर वोट देने जैसा है ताकि वे कुछ भी मिस न करें।
2. "स्कोरकार्ड" (चरण 2)
पोस्ट को लेबल करने के बाद, AI इसे 1 से 5 तक का स्कोर देता है।
- यह क्या करता है: यह पूछता है, "इस भावना की तीव्रता कितनी है?"
- परिणाम: यह एक संख्या उत्पन्न करता है जो दर्शाता है कि वह विशिष्ट पोस्ट कितनी "स्वस्थ" या "अस्वस्थ" लग रही है।
3. "ट्रैफिक लाइट" (चरण 3)
अब, AI दो लगातार पोस्ट को देखता है ताकि यह पता लगाया जा सके कि उनके बीच क्या हुआ।
- यह क्या करता है: यह दो विशिष्ट चीजों को पहचानने की कोशिश करता है:
- बदलाव (The Switch): एक अचानक, चौंकाने वाला बदलाव (जैसे लाल बत्ती का तुरंत हरी हो जाना)।
- बढ़ोतरी (The Escalation): एक धीमी, बढ़ती हुई प्रक्रिया (जैसे ट्रैफिक लाइट का धीरे-धीरे पीले से लाल होना)।
- परिणाम: यह उस सटीक क्षण को चिह्नित करता है जब किसी व्यक्ति का मूड महत्वपूर्ण रूप से बदला हो।
4. "कहानीकार" (चरण 4)
एक बार जब AI व्यक्तिगत पोस्ट और उनके बदलावों का विश्लेषण कर लेता है, तो यह एक सारांशकर्ता (summarizer) के रूप में कार्य करता है।
- यह क्या करता है: यह पोस्ट की पूरी टाइमलाइन को पढ़ता है और जो हुआ उसका एक छोटा सा विवरण या सारांश लिखता है।
- चुनौती: शोधकर्ताओं ने पाया कि जब उन्होंने AI को उदाहरण दिखाकर ये कहानियाँ लिखना "सिखाने" (fine-tuning) की कोशिश की, तो इसने अपने मौजूदा ज्ञान का उपयोग करके कहानी लिखने की तुलना में वास्तव में खराब प्रदर्शन किया। यह वैसा ही है जैसे कोई छात्र किसी विशिष्ट निबंध को इतना अच्छी तरह से रट ले कि वह उसी विषय पर नया निबंध लिखना भूल जाए। "जीरो-शॉट" (बिना उदाहरण के) दृष्टिकोण यहाँ बेहतर काम कर गया।
5. "पैटर्न खोजने वाला" (चरण 5)
अंत में, AI लोगों की कई टाइमलाइनों को देखकर सामान्य पैटर्न खोजता है।
- यह क्या करता है: यह पूछता है, "क्या वे लोग जो बेहतर होते हैं, आमतौर पर X से शुरुआत करते हैं? क्या वे लोग जो बदतर होते हैं, आमतौर पर Y से शुरुआत करते हैं?"
- परिणाम: यह सुधार या गिरावट के "हस्ताक्षर" (signature) को पहचानने की कोशिश करता है—दोहराए जाने वाले पैटर्न जो अलग-अलग लोगों में दिखाई देते हैं।
उनके सामने आई बड़ी चुनौतियाँ
- बहुत कम डेटा: पूरा डेटासेट बहुत छोटा था (कुछ कार्यों के लिए केवल लगभग 500 उदाहरण)। यह केवल कुछ फ्लैशकार्ड के साथ एक नई भाषा सीखने जैसा है। इस कारण से, AI आसानी से भ्रमित हो गया और कभी-कभी प्रशिक्षण डेटा को सीखने के बजाय उसे "रटने" लगा (एक समस्या जिसे ओवरफिटिंग कहा जाता है)।
- "दुर्लभ पक्षी" की समस्या: क्योंकि डेटा में कुछ मानसिक स्वास्थ्य स्थितियाँ बहुत दुर्लभ थीं, इसलिए AI उन्हें पहचानने में संघर्ष कर रहा था। शोधकर्ताओं ने सुझाव दिया कि भविष्य में, उन्हें इन दुर्लभ स्थितियों को बेहतर ढंग से सीखने में मदद करने के लिए AI का उपयोग करके नकली लेकिन यथार्थवादी उदाहरण बनाने की आवश्यकता हो सकती है।
निष्कर्ष
टीम ने एक पाइपलाइन बनाई जो सोशल मीडिया पोस्ट की एक धारा को लेता है और उसे एक संरचित रिपोर्ट में बदल देता है:
- प्रत्येक पोस्ट में क्या हो रहा है, उसके लेबल बनाता है।
- तीव्रता का स्कोर देता है।
- अचानक या धीमी बदलावों का पता लगाता है।
- कहानी का सारांश लिखता है।
- सुधार या गिरावट के दोहराए जाने वाले पैटर्न पाता है।
महत्वपूर्ण नोट: लेखक बहुत स्पष्ट हैं कि यह एक अनुसंधान उपकरण (research tool) है, डॉक्टर नहीं। वे चेतावनी देते हैं कि यदि AI गलती करता है (जैसे यह कहना कि कोई ठीक है जबकि वह नहीं है, या इसके विपरीत), तो इसके वास्तविक दुनिया में गंभीर परिणाम हो सकते हैं। वे इस बात पर जोर देते हैं कि इस प्रणाली का उपयोग किसी मानव मानसिक स्वास्थ्य पेशेवर की देखरेख के बिना लोगों का निदान करने के लिए कभी नहीं किया जाना चाहिए।
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।