psytechlab at CLPsych 2026: Utilising Natural Language Processing methods and Large Language Models for Social Media Text Analysis
साइटेक लैब (PsyTechLab) की टीम अपनी CLPsych 2026 सबमिशन प्रस्तुत करती है, जो मानसिक स्वास्थ्य अवस्थाओं और कल्याण के लिए सोशल मीडिया टेक्स्ट का विश्लेषण करने हेतु LSTM और BERT से लेकर लार्ज लैंग्वेज मॉडल्स तक विविध एनएलपी (NLP) विधियों का लाभ उठाती है, जो सारांश कार्य (summarization task) में शीर्ष स्तर की निरंतरता और विरोधाभास स्कोर प्राप्त करते हुए बेहतर मानसिक स्वास्थ्य सहायता प्रणालियों में योगदान देती 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 डिजिटल जासूसों की एक टीम (Psytechlab टीम) लोगों के सोशल मीडिया पोस्ट को पढ़कर यह समझने की कोशिश कर रही है कि वे कैसा महसूस कर रहे हैं। वे CL CLPsych 2026 नामक एक बड़ी प्रतियोगिता में शामिल हुए, जिसका लक्ष्य ऐसे कंप्यूटर प्रोग्राम बनाना था जो मानसिक स्वास्थ्य के पैटर्न को पहचानने, मूड में बदलावों का सारांश निकालने और यह अनुमान लगाने के लिए कि किसी व्यक्ति की स्थिति कब बदल सकती है, टेक्स्ट का विश्लेषण कर सकें।
यहाँ उनके द्वारा किए गए कार्यों का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है:
बड़ी तस्वीर: लाइनों के बीच पढ़ना
सोशल मीडिया एक विशाल, शोर भरी लाइब्रेरी की तरह है जहाँ लोग अपने जीवन के बारे में लिखते हैं। टीम एक "स्मार्ट लाइब्रेरियन" बनाने चाहती थी जो इन पोस्ट को पढ़ सके और तीन विशिष्ट प्रश्नों के उत्तर दे सके:
- अभी मूड कैसा है? (क्या यह उदास है, क्रोधित है, या आशावादी है? क्या यह स्वयं के बारे में है या दूसरों के बारे में?)
- क्या मूड अचानक बदल गया या बदतर हो गया? (क्या व्यक्ति खुश से उदास हो गया, या वह धीरे-धीरे नीचे की ओर गिरा?)
- क्या हम कहानी का सारांश लिख सकते हैं? (यदि आप एक सप्ताह के पोस्ट पढ़ें, तो क्या आप एक छोटा पैराग्राफ लिख सकते हैं जो यह समझा सके कि उनकी मानसिक स्थिति कैसे विकसित हुई?)
टूलकिट: उन्होंने इसे कैसे हल किया
टीम ने केवल एक उपकरण पर भरोसा नहीं किया; उन्होंने "पुराने जमाने" के गणित और "नए जमाने" की AI का मिश्रण इस्तेमाल किया।
वाक्य तोड़ने वाला (कार्य 1): कल्पना करें कि एक पोस्ट एक लंबा वाक्य है। टीम के कंप्यूटर ने पहले पोस्ट को अलग-अलग वाक्यों में तोड़ दिया। फिर उसने एक स्मार्ट क्लासिफायर (एक डिजिटल सॉर्टर) से प्रत्येक वाक्य को एक विशिष्ट भावना या विचार प्रकार (जैसे "उदासी," "क्रिया," या "चिंता") के साथ टैग करने के लिए कहा।
- चुनौती: बहुत सारे "बोरिंग" वाक्य थे (जैसे "मैं दुकान गया") जो किसी भी श्रेणी में फिट नहीं बैठते थे। कंप्यूटर भ्रमित हो गया, और बहुत से बोरिंग वाक्यों को "चिंता" के रूप में टैग करने लगा। इसने "शोर" पैदा कर दिया, जैसे रेडियो पर स्टेटिक (static) होता है, जिससे अंतिम मूड स्कोर थोड़ा धुंधला हो गया।
- समाधान: उन्होंने कंप्यूटर को अपने द्वारा बनाए गए अतिरिक्त उदाहरणों का उपयोग करके प्रशिक्षित किया, जैसे कि अतिरिक्त ट्रीट (treats) के साथ एक कुत्ते को प्रशिक्षित करना।
समय-यात्री (कार्य 2): इस कार्य के लिए, कंप्यूटर को पोस्ट की एक टाइमलाइन (जैसे डायरी के पन्ने पलटना) देखनी थी ताकि दो चीजों को पहचाना जा सके:
- स्विच (Switch): एक मूड से दूसरे मूड में अचानक उछाल (जैसे एक लाइट स्विच का दबना)।
- एस्केलेशन (Escalation): मूड का धीरे-धीरे बदतर होना (जैसे पानी का बर्तन धीरे-धीरे उबलकर ऊपर तक आना)।
- परिणाम: कंप्यूटर "उबलते बर्तन" (Escalation) को पहचानने में अच्छा था क्योंकि वह क्रमिक पैटर्न को देख सकता था। हालांकि, उसे "स्विच" (Switch) पहचानने में संघर्ष करना पड़ा। टीम का मानना है कि ऐसा इसलिए है क्योंकि "स्विच" एक छिपे हुए गणितीय स्कोर (मूड में कितना बदलाव आया) द्वारा परिभाषित किया जाता है जो शब्दों में हमेशा स्पष्ट नहीं होता है। यह एक लिफाफे को देखकर गुप्त कोड का अनुमान लगाने जैसा है।
कहानीकार (कार्य 3): यह मुख्य आकर्षण था। टीम ने इन टाइमलाइन्स का सारांश लिखने के लिए शक्तिशाली AI मॉडल (जिन्हें LLMs, या लार्ज लैंग्वेज मॉडल्स कहा जाता है) का उपयोग किया।
- उन्होंने दो दृष्टिकोणों का परीक्षण किया: एक जहाँ AI केवल पोस्ट पढ़ता है, और दूसरा जहाँ AI पहले प्रत्येक पोस्ट के मूड का विश्लेषण करता है और फिर सारांश लिखता है।
- आश्चर्य: उन्होंने पाया कि एक सरल, पुराने AI मॉडल ने भी, जिसके पास निर्देशों का एक स्पष्ट सेट था, ऐसे सारांश लिखे जो बहुत सुसंगत थे और तथ्यों के विपरीत नहीं थे। यह ऐसा था जैसे यह पता चलना कि एक साधारण चेकलिस्ट के साथ एक कुशल मानव संपादक कभी-कभी एक फैंसी, अधिक सोचने वाली मशीन से बेहतर काम कर सकता है।
स्कोरबोर्ड: वे कैसे रहे?
- सारांश कार्य (कार्य 3): उन्होंने बहुत अच्छा प्रदर्शन किया, निरंतरता (यह सुनिश्चित करना कि सारांश तथ्यों के बारे में झूठ न बोले) के लिए शीर्ष स्तर पर रैंक किया।
- मूड भविष्यवाणी (कार्य 1) और परिवर्तन का पता लगाना (कार्य 2): उन्होंने ठीक-ठाक प्रदर्शन किया, कई बुनियादी प्रयासों को पीछे छोड़ दिया लेकिन शीर्ष तक नहीं पहुँच पाए। उन्हें एहसास हुआ कि कार्य 1 में उनकी "शोर" की समस्या ने कार्य 2 में उनके स्कोर को प्रभावित किया।
"लेकिन..." (सीमाएँ और नैतिकता)
टीम बहुत सावधानी से यह कहती है कि उनका सिस्टम क्या नहीं कर सकता:
- डॉक्टर नहीं है: यह एक शोध उपकरण है, चिकित्सा निदान नहीं। यह मौसम के पूर्वानुमान जैसा है; यह पैटर्न के आधार पर एक अच्छा अनुमान देता है, लेकिन यह गारंटी नहीं है।
- "ब्लैक बॉक्स" की समस्या: टीम ने जिस डेटा का उपयोग किया था उसे मनुष्यों द्वारा पहले ही लेबल किया गया था, लेकिन कभी-कभी वे लेबल केवल अनुमान थे। यदि प्रशिक्षण डेटा अव्यवस्थित है, तो कंप्यूटर के उत्तर भी अव्यवस्थित होंगे।
- गोपनीयता सर्वोपरि: क्योंकि वे संवेदनशील मानसिक स्वास्थ्य कहानियों के साथ काम कर रहे थे, उन्होंने अपने AI को अपने स्वयं के कंप्यूटरों (स्थानीय रूप से) पर चलाया और डेटा को क्लाउड पर नहीं भेजा। यह डायरी को ऑनलाइन पोस्ट करने के बजाय एक लॉक वाली तिजोरी में रखने जैसा था।
निचोड़
Psytechlab टीम ने एक ऐसा सिस्टम बनाया है जो मानसिक स्वास्थ्य टेक्स्ट का विश्लेषण करने के लिए विभिन्न AI तकनीकों को सफलतापूर्वक संयोजित करता है। उन्होंने दिखाया कि जबकि AI कहानियों का सारांश देने और पैटर्न पहचानने में बेहतर हो रहा है, इसे अभी भी मानवीय भावनाओं के सूक्ष्म, छिपे हुए बदलावों को समझने में संघर्ष करना पड़ता है। उनका काम बेहतर डिजिटल सहायता उपकरण बनाने की दिशा में एक कदम है, लेकिन वे इस बात पर जोर देते हैं कि ये उपकरण अनुसंधान और अंतर्दृष्टि के लिए हैं, न कि मानव डॉक्टरों के स्थान लेने के लिए।
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।