Errorless Irrationality: A unified computational account of the inverse base-rate effect across predictive, observational, and unsupervised procedures
यह शोधपत्र प्रदर्शित करता है कि इन्वर्स बेस-रेट प्रभाव (inverse base-rate effect) प्रेडिक्टिव, ऑब्जर्वेशनल और अनसुपरवाइज्ड लर्निंग प्रक्रियाओं में बना रहता है, जिससे लेखक OSCAR का प्रस्ताव रखते हैं, जो एक नया एकीकृत कम्प्यूटेशनल मॉडल है जो इस तर्कहीन पूर्वाग्रह को स्व-जनित फीडबैक के माध्यम से समझाता है और सफलतापूर्वक उन व्यक्तिगत अंतरों और आई-ट्रैकिंग डेटा की व्याख्या करता है जहाँ पिछले सिद्धांत विफल रहे थे।
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
"गलत" अनुमान का रहस्य
कल्पना कीजिए कि आप एक जासूस हैं जो एक केस सुलझाने की कोशिश कर रहे हैं, लेकिन सुराग बहुत पेचीदा हैं। आपके पास एक संदिग्ध है जो आमतौर पर मंगलवार को अपराध करता है (एक सामान्य घटना) और दूसरा जो केवल दुर्लभ, विशिष्ट छुट्टियों पर वार करता है (एक दुर्लभ घटना)। अब, कल्पना करें कि आपको एक ऐसा सुराग मिलता है जो दोनों संदिग्धों का हो सकता है। अधिकांश लोग, जब इस तरह की अस्पष्टता का सामना करते हैं, तो वे तार्किक रूप से सामान्य संदिग्ध का अनुमान लगाते हैं क्योंकि वे सांख्यिकीय रूप से शामिल होने की अधिक संभावना रखते हैं। लेकिन यहाँ अजीब बात यह है: मानव मस्तिष्क अक्सर इसके विपरीत करता है। जब भ्रमित करने वाले मिश्रण का सामना होता है, तो हम दुर्लभ घटना पर दांव लगाने की एक जिद्दी, तर्कहीन आदत रखते हैं। इस अजीब घटना को इनवर्स बेस-रेट इफेक्ट (IBRE) कहा जाता है। यह हमारे सीखने और निर्णय लेने के तरीके में एक त्रुटि है जिसने दशकों से वैज्ञानिकों को उलझा रखा है।
लंबे समय तक, प्रमुख सिद्धांत यह था कि यह गलती "प्रेडिक्शन एरर" (पूर्वानुमान त्रुटि) के कारण होती है। इसे एक वीडियो गेम की तरह समझें जहाँ गलत अनुमान लगाने पर आपको "गेम ओवर" स्क्रीन मिलती है। सिद्धांत ने सुझाव दिया कि हमारा मस्तिष्क इन "गेम ओवर" स्क्रीन से बचने की कोशिश करके सीखता है। जब हम सामान्य संदिग्ध का अनुमान लगाते हैं और गलत होते हैं, तो हमारे मस्तिष्क को एक झटका लगता है, वह दुर्लभ सुरागों पर अतिरिक्त ध्यान देता है, और अति-सुधार (overcorrect) करता है, जिससे अगली बार हम दुर्लभ संदिग्ध को चुन लेते हैं। लेकिन क्या होगा यदि कोई "गेम ओवर" स्क्रीन नहीं है? क्या होगा यदि हम केवल एक फिल्म देख रहे हैं, या एक पहेली देख रहे हैं जिसमें सही या गलत का कोई उत्तर नहीं है? क्या हमारा मस्तिष्क अभी भी वही तर्कहीन गलती करेगा? यह प्रश्न एक नए अध्ययन के केंद्र में है जो मानव सीखने की कार्यप्रणाली की गहराई में जाता है, यह पूछते हुए कि क्या हमारी "तर्कहीनता" वास्तव में सूचना को संसाधित करने में एक गड़बड़ी है, या यह एक ऐसी विशेषता है जो ग्रेडिंग के बिना भी मौजूद रहती है।
महान "नो-फीडबैक" प्रयोग
इस शोध पत्र में, शोधकर्ताओं लेनार्ड डोम और एंडी जे. विल्स ने इस "प्रेडिक्शन एरर" सिद्धांत की सीमाओं का परीक्षण करने का निर्णय लिया। वे देखना चाहते थे कि यदि वे शिक्षक, ग्रेड और "गलत उत्तर" के बजर को पूरी तरह से हटा दें, तो क्या इनवर्स बेस-रेट इफेक्ट अभी भी होगा। उन्होंने सामान्य शिक्षण स्थितियों को हटाने के लिए दो चतुर प्रयोग चलाए।
पहले प्रयोग में, उन्होंने एक अवलोकन संबंधी शिक्षण (observational learning) परिदृश्य तैयार किया। कल्पना कीजिए कि आप केस फाइल पढ़ते हुए एक प्रतीक्षा कक्ष में बैठे हैं। आप एक मरीज को देखते हैं जिसे बुखार और चकत्ते हैं, और फाइल कहती है, "इस व्यक्ति को बीमारी Z है।" फिर आप दूसरे को देखते हैं जिसे सिरदर्द और चकत्ते हैं, और फाइल कहती है, "इस व्यक्ति को बीमारी L है।" आप केवल पढ़ रहे हैं; आपसे अनुमान लगाने के लिए नहीं कहा जा रहा है, और न ही आपको बताया जा रहा है कि आप सही थे या गलत। सुराग (लक्षण) और उत्तर (बीमारियाँ) एक साथ दिखाई देते हैं, इसलिए "अनुमान लगाने और विफल होने" का कोई क्षण नहीं है। फीडबैक या "गेम ओवर" क्षणों की कमी के बावजूद, प्रतिभागियों ने अभी भी तर्कहीन पूर्वाग्रह दिखाया। जब बाद में उनसे लक्षणों के मिश्रण के आधार पर किसी मरीज की बीमारी का अनुमान लगाने के लिए कहा गया, तो वे अभी भी दुर्लभ बीमारी की ओर झुके, ठीक वैसे ही जैसे पारंपरिक परीक्षणों में होता है।
दूसरे प्रयोग में, वे किसी भी कारण-और-प्रभाव के संकेत को हटाने के लिए और भी आगे गए। उन्होंने चिकित्सा कहानियों को ज्यामितीय आकृतियों (geometric shapes) से बदल दिया। एक पहेली की कल्पना करें जहाँ आप एक वर्ग और एक वृत्त देखते हैं, और आपको यह याद रखने के लिए कहा जाता है कि यह संयोजन "समूह X" से संबंधित है। बाद में, आप केवल एक वर्ग और एक त्रिभुज देखते हैं। यहाँ कोई बीमारी या लक्षणों की कहानी नहीं है; यह केवल आकृतियाँ हैं। कोई "शिक्षक" नहीं है जो आपको उत्तर बता रहा है। इस पूरी तरह से अमूर्त, बिना पर्यवेक्षण वाली दुनिया में जहाँ कोई भी आपके अनुमानों का न्याय नहीं कर रहा है, प्रतिभागियों ने अभी भी वही "तर्कहीन" विकल्प चुना, जो आकृतियों के भ्रमित करने वाले मिश्रण के मामले में दुर्लभ श्रेणी का पक्ष लेता है।
नया सिद्धांत: OSCAR
चूंकि पुराना सिद्धांत (कि हम गलतियों से सीखते हैं) यह समझाने में असमर्थ था कि बिना शिक्षक के यह पूर्वाग्रह क्यों हुआ, लेखकों ने OSCAR नामक एक नया मॉडल प्रस्तावित किया। आप OSCAR को एक डिजिटल मस्तिष्क के रूप में देख सकते हैं जो केवल भविष्य की भविष्यवाणी नहीं करता है; यह पूरी तस्वीर का पुनर्निर्माण (reconstruct the whole picture) करने की कोशिश करता है।
कल्पना कीजिए कि आप एक जिग्सॉ पहेली देख रहे हैं, लेकिन कुछ टुकड़े गायब हैं। केवल यह अनुमान लगाने के बजाय कि गायब टुकड़ा क्या है, आपका मस्तिष्क पूरी छवि की कल्पना करने की कोशिश करता है, जिसमें वे भाग भी शामिल हैं जिन्हें आप देख नहीं सकते। OSCAR भी उसी तरह काम करता है। यह उन सुरागों को लेता है जिन्हें वह देखता है (विशेषताएं) और यह अनुमान लगाकर "पैटर्न को पूरा करने" की कोशिश करता है कि सुरागों का पूरा सेट कैसा दिखना चाहिए, जिसमें श्रेणी लेबल भी शामिल है। यदि मस्तिष्क का पूरी तस्वीर का अनुमान वास्तविक तस्वीर से मेल नहीं खाता है, तो यह एक आंतरिक "त्रुटि संकेत" (error signal) बनाता है। यह संकेत किसी शिक्षक से नहीं आ रहा है; यह खाली स्थानों को भरने के मस्तिष्क के अपने प्रयास से आ रहा है।
लेखकों ने पाया कि यह "पैटर्न पूर्णता" (pattern completion) मॉडल परिणामों को पूरी तरह से समझा सकता है। इसने दिखाया कि मस्तिष्क को इनवर्स बेस-रेट इफेक्ट के लिए बाहरी शिक्षक की आवश्यकता नहीं है। इसके बजाय, यह प्रभाव इस बात का एक स्वाभाविक परिणाम है कि हमारा मस्तिष्क सूचना को कैसे व्यवस्थित करता है: हम उन सुरागों पर अतिरिक्त ध्यान देते हैं जो हमें सामान्य और दुर्लभ के बीच अंतर करने में मदद करते हैं, और यह ध्यान इस तरह से झुक जाता है जो भ्रमित होने पर हमें दुर्लभ घटनाओं का अधिक अनुमान लगाने के लिए प्रेरित करता है।
इसका क्या अर्थ है
यह अध्ययन पुष्टि करता है कि यह "तर्कहीन" पूर्वाग्रह केवल कक्षा सेटिंग में गलत होने से बचने का परिणाम नहीं है। यह इस बात का एक मौलिक हिस्सा है कि हमारा मस्तिष्क पैटर्न को कैसे संसाधित करता है, भले ही हम केवल देख रहे हों या आकृतियों को याद कर रहे हों। शोधकर्ताओं ने कंप्यूटर सिमुलेशन का उपयोग करके दिखाया कि उनका नया मॉडल, OSCER, तीनों प्रकार के प्रयोगों (पारंपरिक, अवलोकन संबंधी और अनसुपरवाइज्ड) में सटीक रूप से मानव व्यवहार को दोहरा सकता है।
इसके अलावा, मॉडल नेत्र-ट्रैकिंग (eye-tracking) अध्ययनों के कुछ जटिल डेटा को समझाने में भी सक्षम था। पिछले सिद्धांत यह समझाने में विफल रहे कि लोग प्रशिक्षण के दौरान कुछ सुरागों को लंबे समय तक क्यों देखते थे, लेकिन परीक्षण के दौरान उन्हें समान रूप से देखते थे। OSCAR, सुरागों के विशिष्ट संयोजन के आधार पर ध्यान केंद्रित करने की अपनी क्षमता के साथ, इन नेत्र-संचालन पैटर्न को सफलतापूर्वक पुन: उत्पन्न करने में सफल रहा।
संक्षेप में, शोध पत्र बताता है कि हमारी "तर्कहीनता" खराब शिक्षण के कारण उत्पन्न हुआ कोई 'बग' नहीं है; बल्कि यह एक ऐसे मस्तिष्क की विशेषता है जो लगातार चित्र को पूरा करने की कोशिश कर रहा है, भले ही वह चित्र अधूरा हो। दुर्लभ घटना की ओर झुकाव एक ऐसे सिस्टम का उभरता हुआ गुण है जो पैटर्न सीखने में बहुत अच्छा है, भले ही कोई भी उसके होमवर्क को ग्रेड न दे रहा हो।
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।