Discovering Conceptual Metaphors Across Topics and Media Types
यह शोधपत्र भाषाई रूपकों (linguistic metaphors) को निकालने और उन्हें वैचारिक रूपकों (conceptual metaphors) में क्लस्टर करने के लिए एक अनसुपरवाइज्ड विधि प्रस्तुत करता है ताकि बाएं और दाएं झुकाव वाले पॉडकास्ट के बीच विशिष्ट फ्रेमिंग अंतरों को प्रकट किया जा सके, जैसे कि मीडिया को एक हथियार के रूप में बनाम अर्थव्यवस्था को एक ऊर्ध्वाधर प्रणाली (vertical system) के रूप में कल्पित करना।
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
मानव विचार अक्सर तुलनाओं के एक छिपे हुए ढांचे पर निर्भर करते हैं। हम जटिल, अमूर्त विचारों को उन सरल, भौतिक अनुभवों के माध्यम से समझते हैं जिन्हें हम अच्छी तरह जानते हैं। यह 'कॉन्सेप्चुअल मेटाफर थ्योरी' (वैचारिक रूपक सिद्धांत) का मूल है, जो एक ऐसा ढांचा है जो सुझाव देता है कि जब हम "कर चुकाने" या "राजनीतिक अभियानों" जैसी चीजों के बारे में बात करते हैं, तो हम केवल अलंकृत भाषा का उपयोग नहीं कर रहे होते हैं; बल्कि हम अनजाने में भौतिक वस्तुओं, यात्राओं या युद्धों के तर्क को उधार ले रहे होते हैं ताकि दुनिया को समझ सकें। यदि कोई वक्ता करों को एक भारी बोझ के रूप में वर्णित करता है जिसे उन्हें ढोना है, तो वे इस मुद्दे को एक भौतिक भार के रूप में प्रस्तुत कर रहे हैं, जिससे स्वाभाविक रूप से इसे नीचे रखने की इच्छा पैदा होती है। यदि वे उसी कर को समुदाय में एक निवेश के रूप में वर्णित करते हैं, तो तर्क पूरी तरह से विकास और भविष्य के प्रतिफल के तर्क में बदल जाता है। ये अंतर्निहित मानसिक मानचित्र यह तय करते हैं कि लोग कैसे तर्क करते हैं, बहस करते हैं और वास्तविकता को देखते हैं, फिर भी उन्हें सीधे देखना कठिन है क्योंकि वे रोजमर्रा की बातचीत की सतह के नीचे दबे होते हैं।
कोलोराडो विश्वविद्यालय बोल्डर के शोधकर्ताओं ने बिना किसी मानवीय हस्तक्षेप के हजारों बोले गए और लिखित शब्दों का विश्लेषण करके इन अदृश्य मानचित्रों को उजागर करने का एक नया तरीका विकसित किया है। लोगों से यह पूछने के बजाय कि उनका क्या अर्थ है, टीम ने एक कंप्यूटर प्रणाली बनाई जो पाठ के विशाल संग्रह को पढ़ती है, विशिष्ट रूप से रूपकात्मक रूप से उपयोग किए गए शब्दों की पहचान करती है, और फिर उन्हें उनके साझा गहरे तर्क के आधार पर समूहित करती है। यह प्रणाली पहले शब्दों के ऐसे जोड़े खोजती है जहाँ एक क्रिया का गैर-शाब्दिक रूप में उपयोग किया गया हो, जैसे कि एक राजनेता द्वारा शक्ति का "प्रयोग" (wielding) करना या एक अर्थव्यवस्था का "क्रैश" (crashing) होना। इसके बाद यह एक बड़े लैंग्वेज मॉडल (LLM) से पूछती है कि ये वाक्यांश समस्या, कारण और समाधान के बारे में क्या संकेत देते हैं, जिससे वक्ता के दृष्टिकोण को एक स्पष्ट कथन में अनुवादित किया जा सके। अंत में, प्रणाली इन व्याख्याओं को समूहों (clusters) में वर्गीकृत करती है, लेकिन एक सख्त नियम के साथ: यह रूपकों को एक साथ समूहबद्ध करने से इनकार कर देती है यदि वे मौलिक रूप से भिन्न भौतिक क्रियाओं का वर्णन करते हैं, भले ही वे एक ही विषय पर बात कर रहे हों। यह सुनिश्चित करता है कि परिणामी समूह केवल शब्दों के सतही समानताओं के बजाय इस बात को दर्शाते हैं कि लोग वास्तव में कैसे सोच रहे हैं।
जब शोधकर्ताओं ने इस पद्धति को राजनीतिक पॉडकास्ट ट्रांसक्रिप्ट के एक विशाल डेटासेट पर लागू किया, तो उन्होंने पाया कि वामपंथी और दक्षिणपंथी वक्ताओं द्वारा दुनिया को फ्रेम करने के विशिष्ट पैटर्न हैं। विश्लेषण से पता चला कि वामपंथी झुकाव वाले होस्ट अक्सर सूचना, मीडिया कहानियों और राजनीतिक शक्ति को हथियारों के रूप में देखते हैं। वे अक्सर उन क्रियाओं का उपयोग करते हैं जैसे कि एक-दूसरे के विरुद्ध बलों को "कुचलना" (crush), "प्रयोग करना" (wield) और "जब्त करना" (seize)। इसके विपरीत, दक्षिणपंथी स्रोत आर्थिक मुद्दों को ऊर्ध्वाधर परिवर्तनों (vertical changes) के अधीन प्रणालियों के रूप में चर्चा करने के लिए बहुत अधिक इच्छुक थे, जिसमें ऐसी भाषा का उपयोग किया गया जो यह सुझाव देती है कि चीजें ऊपर उठ रही हैं या गिर रही हैं, या अर्थव्यवस्था एक ऐसी संरचना है जिसे बनाया या नष्ट किया जा सकता है। अध्ययन ने यह भी दिखाया कि वामपंथी वक्ता रूपकात्मक भाषा के माध्यम से राजनीतिक हिंसा पर चर्चा करने के प्रति अधिक प्रवृत्त थे, जबकि दक्षिणपंथी वक्ताओं ने आर्थिक विषयों पर अधिक ध्यान केंद्रित किया।
टीम ने इन ज्ञात विचार पैटर्न को देखने के लिए अप्रवासन (immigration), बंदूक नियंत्रण और गर्भपात सहित अन्य विषयों पर अपनी पद्धति का परीक्षण किया। अप्रवासन डेटा में, प्रणाली ने अप्रवासियों को परजीवियों या प्राकृतिक आपदाओं के रूप में वर्णित करने के लंबे समय से चले आ रहे रूपक को सफलतापूर्वक पहचाना, जिसमें सीमाओं के "बाढ़" (flooding) आने या संसाधनों के "निकाले जाने" (draining) के बारे में वाक्यांशों को एक साथ समूहबद्ध किया गया। इसने यह भी पाया कि दक्षिणपंथी स्रोतों ने अप्रवासन को एक सक्रिय आक्रमण या एक संकट के रूप में प्रस्तुत किया जिसे लड़ा जा रहा है, जबकि वामपंथी स्रोतों ने उन्हीं घटनाओं का वर्णन करने के लिए अलग-अलग रूपकों का उपयोग किया। शोधकर्ताओं ने पुष्टि की कि ये वर्गीकरण यादृच्छिक नहीं थे; जब उन्होंने पॉडकास्ट एपिसोड के राजनीतिक पूर्वाग्रह की भविष्यवाणी करने के लिए इन रूपक समूहों की आवृत्ति का उपयोग किया, तो प्रणाली सटीक रूप से वामपंथी और दक्षिणपंथी स्रोतों के बीच अंतर कर सकी। यह सुझाव देता है कि लोग अपने रूपकों को कैसे चुनते हैं, यह उनके अंतर्निहित वैचारिक ढांचे का एक विश्वसनीय संकेत है।
अध्ययन यह दावा नहीं करता है कि उसने मीडिया पूर्वाग्रह की समस्या को हल कर लिया है या अस्तित्व में मौजूद प्रत्येक रूपक को खोज लिया है। शोधकर्ता स्वीकार करते हैं कि उनकी पद्धति स्वचालित उपकरणों पर निर्भर करती है जो गलतियाँ कर सकती हैं, जैसे कि एक शाब्दिक शब्द को रूपक के रूप में गलत पहचानना या किसी वाक्यांश को गलत श्रेणी में सौंपना। वे यह भी नोट करते हैं कि पॉडकास्ट का उनका विश्लेषण चैनलों के एक विशिष्ट सेट और एक सीमित समय अवधि को कवर करता है, इसलिए निष्कर्ष सभी मीडिया प्रारूपों या सभी वक्ताओं पर लागू नहीं हो सकते हैं। हालाँकि, परिणाम प्रदर्शित करते हैं कि सार्वजनिक विमर्श को निर्देशित करने वाली वैचारिक संरचनाओं को मैप करने के लिए अनसुपरवाइज्ड मशीन लर्निंग का उपयोग करना संभव है। भौतिक वस्तुओं, बलों और यात्राओं के तर्क का उपयोग करके विभिन्न समूह अपने मुद्दों को कैसे फ्रेम करते हैं, इसे प्रकट करके, यह दृष्टिकोण यह समझने का एक नया तरीका प्रदान करता है कि भाषा किस प्रकार सूक्ष्म, अक्सर अचेतन रूप से, हमारी राजनीतिक वास्तविकता को आकार देती है।
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।