When Do LLM Personas Support Visualization Design? A Cross-Model Study of Color Assignment and Chart Choice

तकनीकी सारांश: LLM व्यक्तित्व (Personas) विज़ुअलाइज़ेशन डिज़ाइन का समर्थन कब करते हैं?

समस्या विवरण
विज़ुअलाइज़ेशन अनुसंधान के प्रारंभिक चरणों के दौरान विविध उपयोगकर्ता प्रोफाइल्स को सिम्युलेट करने के लिए बड़े भाषा मॉडल (LLM) व्यक्तित्वों का उपयोग तेजी से किया जा रहा है, जो रंग असाइनमेंट और चार्ट प्राथमिकताओं जैसे डिज़ाइन विकल्पों की खोज के लिए मानव अध्ययनों के एक लागत प्रभावी विकल्प के रूप में कार्य करते हैं। हालाँकि, एक महत्वपूर्ण पद्धतिगत जोखिम बना हुआ है: यह स्पष्ट नहीं है कि व्यक्तित्व-आधारित आउटपुट स्थिर व्यक्तित्व प्रभावों को दर्शाते हैं या वे केवल विशिष्ट मॉडल कॉन्फ़िगरेशन, प्रॉम्प्ट डिफॉल्ट, या कार्य अर्थ विज्ञान (task semantics) के आर्टिफैक्ट्स (artifacts) मात्र हैं। यह अध्ययन इस बात की जांच करता है कि क्या बिग फाइव (Big Five) व्यक्तित्व प्रोफाइल पर LLM को कंडीशन करना विज़ुअलाइज़ेशन विकल्पों में व्यवस्थित और स्थिर अंतर उत्पन्न करता है, या क्या ये संकेत नाजुक हैं और अंतर्निहित मॉडल एवं कार्य प्रकार पर निर्भर हैं।

कार्यप्रणाली (Methodology)
लेखकों ने तीन मॉडल कॉन्फ़िगरेशन—GPT-4o-mini, GPT-4.1-mini, और GPT-5-mini—में दो प्रयोग किए, जिसमें अमेरिकी राज्य-स्तरीय डेटा से प्राप्त 43 अद्वितीय बिग फाइव व्यक्तित्व प्रोफाइल्स का एक सुसंगत सेट उपयोग किया गया।

• प्रयोग 1 (रंग असाइनमेंट): इस अध्ययन ने परीक्षण किया कि क्या व्यक्तित्व कंडीशनिंग छह अवधारणाओं (तीन मूर्त: Banana, Strawberry, Carrot; तीन अमूर्त: Serendipity, Serenity, Chaos) को दिए गए रंगों को बदलती है। प्रत्येक अवधारणा-व्यक्तित्व युग्म के लिए, प्रत्येक मॉडल के लिए 30 रंग नमूने उत्पन्न किए गए।

  • डेटा प्रोसेसिंग: RGB आउटपुट को CIELCH कलर स्पेस में परिवर्तित किया गया। ह्यू हिस्टोग्राम (hue histograms) के माध्यम से औसत पेयरवाइज हेलिंगर दूरी (average pairwise Hellinger distance) का उपयोग करके व्यक्तित्व-मध्यवर्ती भिन्नता को मापा गया।
  • विश्लेषण: एक मैंटल परम्यूटेशन टेस्ट (Mantel permutation test) ने बिग फाइव व्यक्तित्व दूरी (L1 दूरी) और रंग दूरी के बीच सहसंबंध का आकलन किया। एक टू-वे एनोवा (two-way ANOVA) ने ह्यू वेरिएंस को मॉडल पहचान और व्यक्तित्व के योगदान में विभाजित किया।
  • नोट (GPT-5-mini के संबंध में): चूंकि तापमान (temperature) एक्सपोज नहीं किया गया था, इसलिए परिवर्तनशीलता को निश्चित सीड्स (seeds) के माध्यम से आठ व्याख्यात्मक लेंसों (जैसे, शाब्दिक, रूपक) के माध्यम से प्रेरित किया गया।

• प्रयोग 2 (चार्ट प्राथमिकताएं): अल्वेस एट अल. के कार्य पर आधारित, इस प्रयोग ने तीन कार्य संदर्भों (पदानुक्रम/hierarchy, टाइम सीरीज़, तुलना/comparison) के तहत 12 चार्ट प्रकारों का उपयोग करके चार्ट-इडियम प्राथमिकताओं का मूल्यांकन किया।

  • सिमुलेशन: 43 प्रोफाइल्स को 60 पर्सोना-कंडीशन्ड रन में पुन: सैंपल किया गया। प्रोफाइल्स को प्रोटोटाइप वेक्टर्स से L1 दूरी के आधार पर तीन लक्षण-संरेखित क्लस्टरों (व्यवस्थित/स्थिर, मिलनसार/सहयोगी, भावनात्मक रूप से प्रतिक्रियाशील) में एकत्रित किया गया।
  • विश्लेषण: प्राथमिकताओं का विश्लेषण व्यक्तिगत-लक्षण OLS रिग्रेशन और क्लस्टर-स्तरीय एकत्रीकरण विधियों (Majority Vote, Instant Runoff Voting, Apriori Support, Borda Count) के माध्यम से किया गया। यह निर्धारित करने के लिए कि शीर्ष विकल्प व्यक्तित्व के बजाय संदर्भ द्वारा संचालित थे या नहीं, एक "नो-पर्सोना" बेसलाइन स्थापित की गई। क्रॉस-मॉडल सहमति को केंडल के $\tau$ (Kendall's $\tau$) का उपयोग करके मापा गया।

मुख्य परिणाम

• मॉडल कॉन्फ़िगरेशन निर्भरता: व्यक्तित्व-रंग युग्मन (coupling) विशिष्ट मॉडल पर अत्यधिक निर्भर है।
  • GPT-4o-mini: इसने सभी छह अवधारणाओं के लिए व्यक्तित्व दूरी और ह्यू दूरी के बीच कोई महत्वपूर्ण संबंध नहीं दिखाया।
  • GPT-4.1-mini: इसने सभी छह अवधारणाओं में सुसंगत युग्मन प्रदर्शित किया।
  • GPT-5-mini: इसने आंशिक युग्मन दिखाया (केवल छह में से दो अवधारणाओं के लिए महत्वपूर्ण), प्रभाव ह्यू-बिन रिज़ॉल्यूशन के प्रति संवेदनशील थे।
• अवधारणा प्रकार का प्रभाव: सिग्नल की शक्ति अवधारणा के प्रकार के अनुसार भिन्न होती है। अमूर्त अवधारणाओं के लिए, व्यक्तित्व ने मॉडल पहचान ($\eta^2 = 0.008$) की तुलना में ह्यू वेरिएंस ($\eta^2 = 0.038$) की काफी अधिक व्याख्या की। मूर्त अवधारणाओं के लिए, दोनों प्रभाव छोटे और तुलनीय थे, जो बताता है कि मूर्त अवधारणाएं डिफॉल्ट रंग जुड़ाव द्वारा सीमित हैं।
• एकत्रीकरण की स्थिरता: चार्ट चयन में, व्यक्तित्व को लक्षण-संरेखित क्लस्टरों में एकत्रित करने से पदानुक्रम और टाइम-सीरीज़ संदर्भों में सभी मॉडलों के लिए शीर्ष-इडियम रैंकिंग स्थिर हो गई। हालांकि, तुलना (comparison) संदर्भ में कम स्थिरता देखी गई, विशेष रूप से "भावनात्मक रूप से प्रतिक्रियाशील" क्लस्टर के लिए।
• संदर्भ बनाम व्यक्तित्व: एक नो-पर्सोना बेसलाइन ने 9 में से 8 मॉडल-संदर्भ सेल में वही शीर्ष-रैंक वाला चार्ट इडियम रिकवर किया जैसा कि पर्सोना-कंडीशंड रन में था। यह इंगित करता है कि कार्य संदर्भ (जैसे, "पदानुक्रम" बनाम "टाइम सीरीज़") व्यक्तित्व कंडीशनिंग की तुलना में रैंक-1 चयन को अधिक मजबूती से संचालित करता है। पर्सोना प्रॉम्प्टिंग मुख्य रूप से शीर्ष चयन को पुनर्व्यवस्थित करने के बजाय पूर्ण रेटिंग स्तरों (जैसे, "भावनात्मक रूप से प्रतिक्रियाशील" क्लस्टर ने 7-पॉइंट स्केल पर इडियम को ~1 अंक कम रेट किया) को संशोधित करती है।

महत्व और दावे
यह शोध पत्र LLM व्यक्तित्वों को मानव प्रतिभागियों के विकल्प के बजाय विज़ुअलाइज़ेशन डिज़ाइन के लिए एक्सप्लोरेटरी प्रोब्स (exploratory probes) के रूप में स्थापित करता है। लेखक तर्क देते हैं कि पर्सोना-कंडीशंड आउटपुट एक एकल, स्थिर गुण नहीं है, बल्कि मॉडल कॉन्फ़िगरेशन, अवधारणा प्रकार और विश्लेषण की सूक्ष्मता (granularity) पर निर्भर है।

यह अध्ययन भविष्य के अनुसंधान के लिए तीन विशिष्ट पद्धतिगत प्रथाओं को प्रेरित करता है:

1. बहु-मॉडल परीक्षण: एक एकल मॉडल कॉन्फ़िगरेशन पर भरोसा करने से गलत नकारात्मक (जैसा कि GPT-4o-mini में देखा गया) या आर्टिफैक्ट्स प्राप्त हो सकते हैं।
2. अवधारणा-प्रकार विघटन (Concept-type disaggregation): अमूर्त और मूर्त अवधारणाओं को मिलाने से व्यक्तित्व प्रभाव के विशिष्ट पैटर्न छिप सकते हैं।
3. नो-पर्सोना बेसलाइन: शोधकर्ताओं को संदर्भ-संचालित डिफॉल्ट और वास्तविक व्यक्तित्व प्रभावों के बीच अंतर करने के लिए बेसलाइन परिणाम रिपोर्ट करने चाहिए।

लेखक स्पष्ट रूप से कहते हैं कि उनके निष्कर्ष यह दावा नहीं करते हैं कि LLM व्यक्तित्व मानव अध्ययनों की जगह ले सकते हैं; बल्कि, वे यह रेखांकित करते हैं कि यह निर्धारित करने के लिए कि कौन से देखे गए पैटर्न वास्तविक उपयोगकर्ता प्राथमिकताओं को दर्शाते हैं और कौन से मॉडल आर्टिफैक्ट्स हैं, छोटे पैमाने के मानव अंशांकन (human calibration) की आवश्यकता है।