A global predicted-fMRI drive signal from TRIBE does not predict YouTube replay heatmaps
यह अध्ययन प्रदर्शित करता है कि एक अत्याधुनिक डीप मल्टीमॉडल ब्रेन-एनकोडिंग मॉडल (TRIBE), प्राकृतिक वीडियो के प्रति fMRI प्रतिक्रियाओं की सटीक भविष्यवाणी करने के बावजूद, यूट्यूब रिप्ले हीटमैप्स द्वारा मापे गए दर्शक के पुन: देखने के व्यवहार का पूर्वानुमान लगाने में विफल रहता है, जो सरल ध्वनिक और गति बेसलाइन से परे कोई महत्वपूर्ण सहसंबंध नहीं दिखाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट है जो किसी वीडियो को देख सकता है और सटीक रूप से अनुमान लगा सकता है कि एक मानव मस्तिष्क उस पर कैसी प्रतिक्रिया देगा। इस रोबोट को TRIBE कहा जाता है, जो एक "ब्रेन-एनकोडिंग मॉडल" है। यह अपने काम में इतना कुशल है कि इसने हाल ही में वीडियो देखते समय मस्तिष्क के स्कैन (fMRI) की भविष्यवाणी करने वाली एक बड़ी प्रतियोगिता जीती है।
बड़ा सवाल जो शोधकर्ताओं ने पूछा था वह था: "यदि यह रोबốt यह अनुमान लगा सकता है कि मस्तिष्क क्या कर रहा है, तो क्या यह यह भी अनुमान लगा सकता है कि लोग वास्तव में क्या करेंगे?"
विशेष रूप से, वे जानना चाहते थे कि क्या रोबोट के अनुमान उन्हें यह बता सकते हैं कि लोग यूट्यूब वीडियो के किन हिस्सों को दोबारा देखना (rewatch) पसंद करेंगे।
प्रयोग: "रीवॉच" टेस्ट
इस परीक्षण के लिए, टीम ने 48 अलग-अलग यूट्यूब वीडियो (संगीत और कॉमेडी से लेकर विज्ञान और तकनीक तक) लिए। उन्होंने इन वीडियो को TRIBE रोबोट के माध्यम से चलाया ताकि एक "ब्रेन रिएक्शन कर्व" (brain reaction curve) तैयार किया जा सके—एक लाइन ग्राफ जो यह दिखाता है कि हर सेकंड मस्तिष्क कितनी सक्रिय होने की भविष्यवाणी की गई है।
फिर, उन्होंने रोबोट द्वारा जनरेट किए गए कर्व की तुलना वास्तविक मानवीय व्यवहार से की: यूट्यूब के "मोस्ट रीप्लेड" (Most Replayed) हीटमैप्स के साथ। ये हीटमैप्स एक मानचित्र की तरह हैं जो दिखाते हैं कि लाखों दर्शकों ने ठीक कहाँ पर "रिवाइंड" बटन दबाया। यदि रोबोट का कर्व एक सच्चा "मन का पाठक" होता, तो उसका कर्व हीटमैप से पूरी तरह मेल खाता।
परिणाम: रोबोट गलत साबित हुआ
इसका उत्तर स्पष्ट रूप से नहीं था।
शोधकर्ताओं ने पाया कि रोबोट के अनुमानों का इस बात से लगभग शून्य संबंध था कि लोग वीडियो को कहाँ रिवाइंड करते हैं।
- स्कोर: संबंध इतना कमजोर था कि वह सांख्यिकीय रूप से शून्य से अलग नहीं था।
- बेसलाइन: रोबोट एक बहुत ही साधारण कंप्यूटर प्रोग्राम से भी बेहतर प्रदर्शन नहीं कर सका, जो केवल यह मापता था कि वीडियो कितना तेज़ (loud) था या पिक्सेल कितनी अधिक गति (movement) कर रहे थे। वास्तव में, रोबट का प्रदर्शन वॉल्यूम के आधार पर अनुमान लगाने के समान ही था।
संगीत वीडियो अलग क्यों लग रहे थे?
केवल संगीत वीडियो के साथ किए गए एक छोटे पायलट टेस्ट में, रोबोट ने वास्तव में री-वॉच (दोबारा देखने) की भविष्यवाणी की थी। हालांकि, शोधकर्ताओं को एहसास हुआ कि यह एक धोखा था। संगीत वीडियो में अक्सर एक तेज़ इंट्रो (intro) या एक विशिष्ट बीट ड्रॉप होता है जिसे लोग स्वाभाविक रूप से रिवाइंड करते हैं। रोबोट केवल इस तथ्य को पकड़ रहा था कि "इंट्रोज़ तेज़ होते हैं," न कि गाने की वास्तविक सामग्री को। एक बार जब उन्होंने कॉमेडी, विज्ञान और टॉक शो जैसे अन्य जॉनर (genres) का परीक्षण किया, तो यह "जादू" पूरी तरह गायब हो गया।
"पूरा मस्तिष्क" बनाम "विशिष्ट भाग" की जाँच
शोधकर्ताओं ने सोचा कि क्या वे गलत हिस्से को देख रहे हैं। शायद वे गलत मस्तिष्क नेटवर्क को देख रहे थे, जैसे कि "रिवॉर्ड सेंटर" या "विजुअल सेंटर"? क्या वे एक साथ पूरे मस्तिष्क को देख रहे थे?
- उन्होंने विशिष्ट मस्तिष्क नेटवर्क (जैसे दृश्य प्रणाली या रिवॉर्ड सिस्टम) को देखने का प्रयास किया।
- परिणाम: अभी भी कुछ नहीं मिला। अनुमानित मस्तिष्क गतिविधि का कोई भी विशिष्ट हिस्सा री-वॉचिंग व्यवहार की भविष्यवाणी नहीं कर सका।
निष्कर्ष: एक "ब्रेन मैप" एक "बिहेवियर मैप" नहीं है
इसे इस तरह से समझें:
- रोबोट (TRIBE) एक अत्यधिक सटीक मौसम पूर्वानुमान की तरह है। यह आपको बिल्कुल बता सकता है कि किसी शहर में कितनी बारिश होगी (मस्तिष्क के स्कैन की भविष्यवाणी करना)।
- व्यवहार (री-वॉचिंग) यह पूछने जैसा है कि "क्या लोग छाते लेकर निकलेंगे?"
यह अध्ययन दिखाता है कि भले ही आप जानते हों कि कितनी बारिश हो रही है (ब्रेन स्कैन), इसका मतलब यह नहीं है कि आप यह अनुमान लगा सकते हैं कि लोग छाते लेकर निकलेंगे या नहीं (वीडियो को दोबारा देखना)। रोबोट मस्तिष्क की जीवविज्ञान (biology) का अनुकरण करने में तो उत्कृष्ट है, लेकिन यह उन मानवीय निर्णयों को पकड़ने में विफल रहता है जो लोगों को रिवाइंड बटन दबाने के लिए प्रेरित करते हैं।
संक्षेप में: एक ऐसा मॉडल जो वीडियो देखते समय मस्तिष्क कैसा दिखता है, इसकी भविष्यवाणी करने में एकदम सटीक है, वह आवश्यक रूप से यह अनुमान लगाने में अच्छा नहीं होता कि एक इंसान उसी वीडियो को देखते समय क्या करेगा। "ब्रेन सिग्नल" और "व्यवहार" दो अलग-अलग चीजें हैं।
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।