The methodology of Constructing the Large-Scale Dataset for Detecting Presuicidal and Anti-Suicidal Signals in Social Media Texts in Russian

कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे डिजिटल शहर के चौक की तरह है जहाँ लाखों लोग हर सेकंड अपने विचार, चुटकुले और अपने गहरे रहस्य साझा करते हैं। इस शोर भरी भीड़ में, कुछ लोग चुपचाप मदद के लिए चिल्ला रहे हैं, निराशा महसूस करने या जीवन समाप्त करने के बारे में सूक्ष्म संकेत दे रहे हैं। वर्षों से, वैज्ञानिक "डिजिटल जासूस" बनाने की कोशिश कर रहे हैं—ऐसे कंप्यूटर प्रोग्राम जो सोशल मीडिया पोस्ट को पढ़ सकें और समय रहते खतरे के संकेतों को पहचान सकें। नेचुरल लैंग्वेज प्रोसेसिंग (NLP) का यह क्षेत्र, मानव भावनाओं को उनके शब्दों को पढ़कर समझने के लिए एक रोबोट को सिखाने जैसा है। लेकिन पेच यह है: जब तक कंप्यूटर को उन उदाहरणों के विशाल पुस्तकालय पर प्रशिक्षित नहीं किया जाता जिन्हें मनुष्यों ने पहले ही "दुखी," "क्रोधित," या "खतरे में" के रूप में लेबल किया हो, तब तक वे भावनाओं का अनुमान लगाने में बहुत खराब होते हैं। इन सावधानीपूर्वक क्यूरेट किए गए पुस्तकालयों के बिना, कंप्यूटर केवल अंधेरे में अनुमान लगा रहा होता है।

यह ठीक वही चुनौती है जिसे रूस के शोधकर्ताओं की एक टीम ने हल करने का निर्णय लिया, जिन्होंने एक बहुत ही गंभीर काम के लिए एक विशाल, विशेष पुस्तकालय बनाने का फैसला किया: रूसी सोशल मीडिया में आत्महत्या के जोखिम के संकेतों को खोजना। वे केवल उन लोगों को नहीं खोजना चाहते थे जो दुखी हैं; वे उन लोगों के बीच अंतर करना चाहते थे जो आत्म-क्षति (presuicidal signals) की ओर बढ़ रहे हैं और उन लोगों के बीच जो आगे बढ़ने के कारणों को पा रहे हैं (anti-suicidal signals)। इसे मिश्रित मेल के एक विशाल ढेर को छाँटने जैसा समझें: कुछ पत्र तत्काल संकट के कॉल हैं, कुछ भविष्य के बारे में आशावादी नोट हैं, और अधिकांश बस साधारण रद्दी मेल हैं। शोधकर्ताओं ने वर्षों तक एक सख्त नियम पुस्तिका बनाने, मानव "सॉर्टर्स" की एक टीम को प्रशिक्षित करने और 57,000 से अधिक टेक्स्ट उदाहरणों का डेटासेट बनाने में बिताया ताकि कंप्यूटर को यह सिखाया जा सके कि अंतर कैसे किया जाए। उनका काम बताता है कि हालांकि यह कार्य अविश्वसनीय रूप से कठिन और व्यक्तिपरक है, लेकिन एक अच्छी तरह से संरचित डेटासेट कंप्यूटर को इन जीवन बचाने वाले संकेतों को पहचानने में बहुत बेहतर बना सकता है।

मिशन: घास के ढेर में सुई खोजना

शोधकर्ताओं ने एक सरल लेकिन भयानक वास्तविकता के साथ शुरुआत की: आत्महत्या एक बड़ी समस्या है, और संघर्ष करने वाले कई लोग इसके बारे में ऑनलाइन लिखते हैं। हालाँकि, ये मदद की पुकारें अप्रासंगिक पोस्टों के पहाड़ों के नीचे दबी होती हैं—मीम्स, मौसम के बारे में शिकायतें और यादृच्छिक विचार। इन लोगों को तेजी से खोजने में मनुष्यों की मदद करने के लिए, टीम को कंप्यूटर को इस शोर को फ़िल्टर करने के लिए प्रशिक्षित करने के तरीके की आवश्यकता थी।

उन्होंने रूसी भाषा में आत्मघाती टेक्स्ट के लिए एक "रोसेटा स्टोन" बनाने का लक्ष्य रखा। उनका लक्ष्य केवल यह कहना नहीं था कि "यह व्यक्ति दुखी है," बल्कि यह वर्गीकृत करना था कि विशिष्ट कारण क्या हैं। क्या व्यक्ति निराश महसूस कर रहा है? क्या उसे धमकाया जा रहा है? क्या उसके पास कोई योजना है? या, इसके विपरीत, क्या वह अपने परिवार के प्रति अपने प्रेम या कल की अपनी योजनाओं के बारे में बात कर रहा है? ये "एंटी-सुसाइडल सिग्नल" हैं—जीने के कारण।

नियम पुस्तिका बनाना: निर्देश नियमावली

इससे पहले कि वे एक कंप्यूटर को प्रशिक्षित कर सकें, उन्हें उन मनुष्यों को सिखाना था जो डेटा को लेबल करेंगे। यह इस परियोजना का सबसे नाजुक हिस्सा था। शोधकर्ताओं ने महसूस किया कि लोगों को हजारों निराशाजनक पोस्ट पढ़ने के लिए कहना भावनात्मक रूप से थका देने वाला हो सकता है, इसलिए उन्होंने एक सुरक्षा जाल बनाया। उन्होंने एक विस्तृत निर्देश नियमावली बनाई जो एनोटेटरों (लेबलिंग करने वाले लोगों) के लिए एक मानचित्र की तरह काम करती थी।

इस नियमावली में शामिल था:

• वर्गों का एक "मूड बोर्ड": केवल "दुखी" या "दुखी नहीं" के बजाय, उन्होंने खतरे के संकेतों के लिए 33 विशिष्ट श्रेणियां (जैसे "मृत्यु के विचार," "शराब की समस्याएं," या "पारिवारिक विघटन") और आशा के संकेतों के लिए 12 श्रेणियां (जैसे "प्रेम की अभिव्यक्ति" या "सकारात्मक आत्म-सम्मान") बनाईं।
• "प्रथम-पुरुष" का नियम: एक महत्वपूर्ण नियम यह था कि टेक्स्ट लेखक के बारे में होना चाहिए। यदि कोई लिखता है, "मेरा दोस्त मरना चाहता है," तो वह अप्रासंगिक है। यदि वे लिखते हैं, "मैं मरना चाहता हूँ," तो यह एक संकेत है। गलत अलार्म से बचने के लिए यह नियम सख्त था।
• भावनात्मक जांच: काम के प्रत्येक बैच से पहले और बाद में, एनोटेटरों को अपनी मानसिक स्थिति की जांच करने के लिए परीक्षण लेने थे। यदि वे बहुत अधिक अभिभूत महसूस करते थे, तो उन्हें तुरंत रुकने के लिए कहा जाता था।

मानवीय तत्व: अराजकता को छाँटना

टीम ने 57,000 से अधिक टेक्स्ट उदाहरणों को लेबल करने के लिए मशीन लर्निंग विशेषज्ञों और आम लोगों सहित एनोटेटरों के एक समूह को नियुक्त किया। उन्होंने डेटा को सीधे उन पर नहीं फेंका; उन्होंने एक स्मार्ट सैंपलिंग रणनीति का उपयोग किया। उन्होंने डेटा को टुकड़ों में विभाजित किया और प्रारंभिक कंप्यूटर मॉडल का उपयोग करके यह अनुमान लगाया कि कौन से टेक्स्ट दिलचस्प हो सकते हैं, जिससे यह सुनिश्चित हुआ कि उन्हें विभिन्न प्रकार के पोस्टों का एक अच्छा मिश्रण मिले।

प्रक्रिया अव्यवस्थित और मानवीय थी। शोधकर्ताओं ने पाया कि एक सख्त नियम पुस्तिका के बावजूद, लोगों के बीच असहमति थी। एक व्यक्ति एक रूपक (metaphor) को मदद की पुकार के रूप में देख सकता है, जबकि दूसरा उसे केवल एक मुहावरे के रूप में देखता है। इसे संभालने के लिए, उन्होंने एक "सॉफ्ट मेजॉरिटी वोटिंग" प्रणाली का उपयोग किया। यदि तीन लोगों ने एक पोस्ट को लेबल किया, और दो एक विशिष्ट खतरे के संकेत पर सहमत हुए, तो वह लेबल लागू हो गया। इस दृष्टिकोण ने उन्हें डेटा को समृद्ध और विविध बनाए रखने में मदद की बिना हर एक असहमति पर अटकने के।

उन्होंने यह भी पाया कि "अप्रासंगिक" पोस्टों को संभालना सबसे कठिन था। कभी-कभी, एक पोस्ट खतरनाक लग सकती थी लेकिन वास्तव में वह किसी किताब के पात्र के बारे में एक कहानी या फिल्म का उद्धरण मात्र था। टीम को इन हजारों "अनिश्चित" उदाहरणों को फिर से लेबल करने के लिए वापस जाना पड़ा, जिससे यह सुनिश्चित हुआ कि कंप्यूटर तीसरे पक्ष की कहानियों से भ्रमित न हो।

परिणाम: कंप्यूटर को सिखाना

एक बार जब डेटा को साफ और लेबल कर दिया गया, तो टीम ने एक कंप्यूटर मॉडल (विशेष रूप से RuBERT नामक मॉडल) को टेक्स्ट पढ़ने के लिए प्रशिक्षित किया। उन्होंने मॉडल का विभिन्न तरीकों से परीक्षण किया:

• "बड़ी तस्वीर" का परीक्षण: क्या मॉडल "खतरा," "आशा," और "कुछ नहीं" के बीच अंतर बता सका? हाँ, और यह इसमें काफी अच्छा था, जिसने लगभग 0.71 का स्कोर प्राप्त किया।
• "बारीक विवरण" का परीक्षण: क्या मॉडल "दोष की भावना" और "निराशा की भावना" के बीच अंतर बता सका? यह कठिन था। मॉडल बहुत अधिक विशिष्ट होने पर संघर्ष करता था, जो बताता है कि कंप्यूटर के लिए सामान्य मूड को पहचानना सटीक बारीकियों को पहचानने की तुलना में आसान है।

प्रयोगों ने दिखाया कि श्रेणियां जितनी विशिष्ट होती गईं, मॉडल के लिए सीखना उतना ही कठिन होता गया। हालांकि, मॉडल का प्रदर्शन तब सबसे अच्छा रहा जब उसे समान भावनाओं को एक साथ समूहबद्ध करने की अनुमति दी गई। यह सुझाव देता है कि हालांकि कंप्यूटर खतरे के सामान्य संकेतों को पहचानने में सक्षम हो सकते हैं, लेकिन मानवीय भावनाओं के सूक्ष्म विवरण अभी भी उनके लिए एक रहस्य हैं।

इसका क्या अर्थ है

यह शोध पत्र आत्महत्या का पता लगाने की समस्या को हल करने का दावा नहीं करता है। इसके बजाय, यह एक शक्तिशाली उपकरण प्रदान करता है: एक विशाल, सावधानीपूर्वक निर्मित डेटासेट और इसे बनाने की एक सिद्ध विधि। शोधकर्ताओं ने पाया कि सबसे बड़ी बाधाएं "धुंधले क्षेत्र" (gray areas) थे—ऐसे टेक्स्ट जो संदिग्ध, रूपकपूर्ण या अन्य लोगों के बारे में थे। उन्होंने यह भी रेखांकित किया कि "एंटी-सुसाइडल" संकेत (जीने के कारण) मॉडल के लिए खतरे के संकेतों की तुलना में सीखना कठिन थे, संभवतः इसलिए क्योंकि आशा की श्रेणियां थोड़ी बहुत अमूर्त थीं।

अंत में, यह कार्य एक आधार है। यह रूसी सोशल मीडिया पोस्ट का एक विशाल, खुला पुस्तकालय है जिसका उपयोग कोई भी बेहतर उपकरण बनाने के लिए कर सकता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में लेबलिंग में मदद करने के लिए और भी स्मार्ट AI का उपयोग किया जा सकता है और उन्हें जटिल, व्यक्तिपरक हिस्सों को संभालने के लिए नियमों को परिष्कृत करने की आवश्यकता है। उन्होंने अपने डेटा, कोड और निर्देशों को सार्वजनिक कर दिया है, जिससे अन्य लोग एक अधिक सटीक, अधिक सहानुभूतिपूर्ण और अंततः, अधिक सहायक डिजिटल सुरक्षा जाल बनाने के प्रयास में शामिल होने के लिए आमंत्रित हैं।