Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI
यह शोधपत्र तर्क देता है कि कम-संसाधन वाली और स्वदेशी भाषाओं के लिए स्वचालित वाक् पहचान (ऑटोमैटिक स्पीच रिकग्निशन) में विफलताएं औपनिवेशिक भाषाई नीतियों की अभिव्यक्तियाँ हैं, और एक "तीन हानियों" (थ्री हार्म्स) वर्गीकरण और एक सहभागी शासन मॉडल वाला एक वि-औपनिवेशिक ढांचा प्रस्तावित करता है ताकि अंतर-सांस्कृतिक रूप से सक्षम स्पीच एआई प्राप्त किया जा सके।
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 एक विशाल, भविष्यवादी पुस्तकालय में प्रवेश कर रहे हैं जहाँ किताबें केवल अलमारियों पर रखी नहीं होतीं; वे आपसे बातें करती हैं। यह ऑटोमैटिक स्पीच रिकग्निशन (ASR) की दुनिया है, वह तकनीक जो आपके फोन, स्मार्ट स्पीकर या कंप्यूटर को यह समझने में सक्षम बनाती है कि आप क्या कह रहे हैं। लेकिन यहाँ एक पेच है: लंबे समय तक, यह तकनीक एक ऐसे लाइब्रेरियन की तरह रही है जो अंग्रेजी का केवल एक विशिष्ट लहजा बोलता है और यदि आप किसी लहजे (accent) के साथ बोलते हैं, मुहावरों (slang) का उपयोग करते हैं, या भाषाओं के बीच स्विच करते हैं, तो वह बहुत भ्रमित हो जाता है।
यह समझने के लिए कि ऐसा क्यों होता है, हमें कुछ बड़े विचारों को देखने की आवश्यकता है। सबसे पहले, भाषाई पूंजी (linguistic capital) को एक मुद्रा की तरह सोचें। वास्तविक दुनिया में, कुछ भाषाओं या लहजों को "धनी" और मूल्यवान (जैसे मानक अमेरिकी अंग्रेजी) माना जाता है, जबकि अन्यों को "निर्धन" या कम महत्वपूर्ण माना जाता है। दूसरा, जातिगत-भाषाई विचारधारा (raciolinguistic ideology) का विचार है, जो मूल रूप से किसी व्यक्ति के द्वारा वास्तव में क्या कहा जा रहा है, इसके बजाय इस आधार पर उनकी बुद्धिमत्ता या विश्वसनीयता को आंकने की आदत है। अंत में, वि-औपनिवेशिक कंप्यूटिंग (decolonial computing) हमें यह देखने के लिए प्रेरित करती है कि कैसे तकनीक अक्सर पुराने, अनुचित शक्ति संरचनाओं—जैसे उपनिवेशवाद—की नकल करती है, जहाँ एक समूह के बोलने के तरीके को "सही" तरीका माना जाता है, और बाकी सभी को इसमें फिट होने के लिए बदलने के लिए कहा जाता है। जब हम इन विचारों को मिलाते हैं, तो हम देखते हैं कि जब एक कंप्यूटर बोलने वाले को समझने में विफल होता है, तो यह केवल एक तकनीकी खराबी (glitch) नहीं है; यह एक नीतिगत निर्णय है जो कहता है, "आपकी आवाज़ किसी और की तुलना में उतनी महत्वपूर्ण नहीं है।"
यह शोध पत्र, जिसे अमेरिका और कनाडा के विश्वविद्यालयों के शोधकर्ताओं की एक टीम द्वारा लिखा गया है, तर्क देता है कि ये विफलताएं आकस्मिक त्रुटियां (bugs) नहीं हैं। इसके बजाय, ये सॉफ्टवेयर में निर्मित भाषाई नीतियों का परिणाम हैं। लेखक सुझाव देते हैं कि इन प्रणालियों को जिस तरह से डिजाइन, परीक्षण और उपयोग किया जाता है, वह उन अदृश्य नियमों के सेट की तरह कार्य करता है जो तय करते हैं कि किसकी आवाज़ मशीनों के लिए "सुबोध" (legible) है और किसे अनदेखा किया जाना है। वे प्रस्तावित करते हैं कि हमें इन त्रुटियों को केवल गणितीय समस्याओं के रूप में देखना बंद करना चाहिए और उन्हें सामाजिक समस्याओं के रूप में देखना शुरू करना चाहिए जो वास्तविक लोगों को नुकसान पहुँचाती हैं।
शोधकर्ता इन विफलताओं को देखने का एक नया तरीका पेश करते हैं जिसे 3M टैक्सोनॉमी (3M Taxonomy) कहा जाता है: मिसरिकग्निशन (Misrecognition - गलत पहचान), मिसलाइनमेंट (Misalignment - गलत संरेखण), और मिस्ट्रस्ट (Mistrust - अविश्वास)।
- मिसरिकग्निशन स्पष्ट चीजें हैं: कंप्यूटर "बैट" (bat) सुनने के बजाय "कैट" (cat) सुन लेता है, या वह हार मान लेता है और कहता है "मुझे समझ नहीं आया।"
- मिसलाइनमेंट अधिक सूक्ष्म है। कंप्यूटर शब्दों को सही पकड़ सकता है लेकिन अर्थ को चूक सकता है। उदाहरण के लिए, यदि आप किसी विनम्र वाक्यांश या स्थानीय मुहावरे का उपयोग करते हैं, तो कंप्यूटर शब्दों का शाब्दिक अनुवाद तो कर सकता है लेकिन आपके द्वारा व्यक्त किए गए सम्मान या हास्य को मिस कर सकता है, जिससे आप अभद्र या भ्रमित लग सकते हैं।
- मिस्ट्रस्ट वह भावना है जो आपको तब आती है जब आपको एहसास होता है कि सिस्टम आपके लिए नहीं बनाया गया था। यदि आपको पांच बार खुद को दोहराना पड़ता है, या यदि आपको लगता है कि उपकरण आपकी जासूसी कर रहा है, तो आप उस पर भरोसा करना छोड़ देते हैं। यह केवल एक उपयोगकर्ता की अधीरता नहीं है; यह एक ऐसी प्रणाली के प्रति एक तर्कसंगत प्रतिक्रिया है जो आपको बार-बार विफल करती रहती है।
पत्र सुझाव देता है कि इन प्रणालियों के परीक्षण का वर्तमान तरीका टूटा हुआ है। अधिकांश कंपनियाँ केवल एक स्कोर का उपयोग करती हैं जिसे वर्ड एरर रेट (WER) कहा जाता है, जो यह गिनता है कि कितने शब्द गलत थे। लेकिन लेखक तर्क देते हैं कि यह एक कविता को केवल वर्तनी (spelling) के आधार पर ग्रेड देने जैसा है; यह उसकी लय, भावना और सांस्कृतिक संदर्भ को छोड़ देता है। वे उन भाषाओं की ओर इशारा करते हैं जिनमें स्वर (tones) होते हैं (जहाँ आपकी आवाज़ की पिच शब्द का अर्थ बदल देती है) या क्लिक ध्वनियाँ होती हैं, उनके लिए एक साधारण शब्द गणना बेकार है। एक कंप्यूटर "शब्द" को सही प्राप्त कर सकता है लेकिन स्वर को बदल सकता है, जिससे एक प्रशंसा, अपमान में बदल सकती है।
इसे ठीक करने के लिए, टीम एक सहभागी ढांचे (Participatory Framework) का प्रस्ताव देती है। इंजीनियरों के लैब में बैठकर यह तय करने के बजाय कि "सही" भाषण कैसा सुनाई देना चाहिए, वे कहते हैं कि उन लोगों को सह-डिजाइनर होना चाहिए जो वास्तव में इन भाषाओं को बोलते हैं। कल्पना कीजिए कि यदि किसी विशिष्ट बोली बोलने वाले समुदाय को परीक्षण के प्रश्न लिखने, यह तय करने का मौका मिले कि गलती क्या मानी जाए, और यहाँ तक कि यह कहने का भी मौका मिले कि, "वास्तव में, हम नहीं चाहते कि यह कंप्यूटर गोपनीयता कारणों से हमें सुने।" पत्र एक चार-चरणीय लूप की रूपरेखा तैयार करता है:
- सहभागी ऑडिटिंग (Participatory Auditing): समुदाय को सिस्टम का परीक्षण करने और 3M त्रुटियों को खोजने दें।
- सामुदायिक सह-डिज़ाइन (Community Co-Design): समुदाय को यह नियम बनाने में मदद करने दें कि सिस्टम को कैसे व्यवहार करना चाहिए।
- न्यायसंगत तैनाती (Equitable Deployment): सुनिश्चित करें कि सिस्टम का उपयोग केवल उसी विशिष्ट समूह के लिए सुरक्षित और निष्पक्ष तरीकों से किया जाए।
- फीडबैक एकीकरण (Feedback Integration): एक तरीका बनाएं जिससे उपयोगकर्ता समस्याओं की रिपोर्ट कर सकें और कंपनी को उन्हें ठीक करने के लिए मजबूर किया जा सके, न कि उन्हें अनदेखा करने के लिए।
लेखक सावधानी बरतते हुए कहते हैं कि वे कोई जादुई समाधान या कोई नया कंप्यूटर चिप पेश नहीं कर रहे हैं जो सब कुछ हल कर दे। वे यह दावा नहीं कर रहे हैं कि हमने समस्या को पहले ही हल कर लिया है। इसके बजाय, वे एक ढांचा (framework) और एक चेकलिस्ट पेश कर रहे हैं कि इसे ठीक करने की शुरुआत कैसे की जाए। उनका सुझाव है कि जब तक हम यह नहीं बदलते कि निर्णय कौन लेता है और सफलता को कैसे मापा जाता है, ये प्रणालियाँ पुरानी असमानताओं को सुदृढ़ करती रहेंगी। वे तर्क देते हैं कि सच्ची सांस्कृतिक सक्षमता का अर्थ यह जानना है कि कब नहीं सुनना है, यह सम्मान करना है कि कुछ समुदाय अपनी आवाज़ को निजी रखना चाह सकते हैं, और यह समझना है कि "कम-संसाधन" (low-resource) वाली भाषाएँ स्वाभाविक रूप से निर्धन नहीं हैं; उन्हें इतिहास द्वारा बनाया गया है।
संक्षेप में, यह पत्र कार्रवाई का आह्वान है। यह हमें बताता है कि यदि हम चाहते हैं कि स्पीच एआई (Speech AI) वास्तव में सभी के लिए सहायक हो, तो हमें भाषा को केवल प्रोसेस किए जाने वाले डेटा के रूप में देखना बंद करना होगा और इसे एक जीवित, सांस्कृतिक चीज़ के रूप में देखना शुरू करना होगा जो उन लोगों की है जो इसे बोलते हैं। यह सुझाव देता है कि आगे का रास्ता केवल बेहतर एल्गोरिदम नहीं है, बल्कि तकनीकी रचनाकारों और उन समुदायों के बीच बेहतर संबंध है जिनकी वे सेवा करने की आशा करते 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।