Representation Matters in Longitudinal Affective Computing

हमारे मन और शरीर की लय

कल्पना कीजिए कि आप किसी एक तस्वीर को देखकर किसी व्यक्ति के मूड या उसके दिमाग की तेज़ी का अंदाज़ा लगाने की कोशिश कर रहे हैं। यह एक पूरी फिल्म के प्लॉट का अंदाज़ा लगाने के लिए केवल एक फ्रेम देखने जैसा है। "अफेक्टिव कंप्यूटिंग" (affective computing) की दुनिया में—जो कंप्यूटर को मानवीय भावनाओं और विचारों को समझने के लिए सिखाने का एक शानदार शब्द है—वैज्ञानिकों के सामने एक बड़ी समस्या है। हमारे पास दो प्रकार का डेटा है जो पूरी तरह से अलग गति से चलता है। एक तरफ, हमारे पास स्मार्टवॉच जैसे पहनने योग्य गैजेट्स हैं जो बहुत ही सतर्क जासूसों की तरह काम करते हैं, जो हर सेकंड, हर दिन हमारी हृदय गति, नींद और कदमों को रिकॉर्ड करते हैं। दूसरी ओर, यह जानने का "गोल्ड स्टैंडर्ड" (स्वर्ण मानक) है कि कोई कैसा महसूस कर रहा है: उनसे सीधे पूछना। लेकिन लोग हर मिनट विस्तृत मूड सर्वे नहीं भर सकते; वे इसे कभी-कभार ही करते हैं, शायद हर कुछ हफ्तों या महीनों में एक बार।

यह एक बेमेल स्थिति पैदा करता है। यह एक बहती हुई नदी के हाई-डेफिनिशन वीडियो को रखने जैसा है, लेकिन आपके पास केवल महीने में एक बार ली गई पानी के स्तर की एक फोटो है। आप दोनों को कैसे जोड़ेंगे? यदि आप उस महीने के नदी के प्रवाह का केवल औसत (average) लेते हैं, तो आप उन रोमांचक लहरों या शांत जल क्षेत्रों को मिस कर सकते हैं जो वास्तव में पानी की यात्रा की कहानी बताते हैं। यह शोध उसी पहेली को सुलझाता है: हम एक साल के दैनिक सेंसर डेटा को ऐसे प्रारूप में कैसे बदलें जो उन सामयिक मूड और ब्रेन-चेक सर्वेक्षणों के लिए समझ में आए? जवाब केवल नंबरों को जोड़ने के बारे में नहीं है; यह शरीर की दैनिक बातचीत को मन की सामयिक रिपोर्टों में अनुवाद करने के लिए सही "भाषा" खोजने के बारे में है।

82 वयस्कों की जासूसी कहानी

इस अध्ययन में, शोधकर्ताओं ने स्विट्जरलैंड के 82 वयस्कों के डेटा का उपयोग करके एक रहस्य को सुलझाने वाले जासूसों की भूमिका निभाई। इन प्रतिभागियों ने लगभग एक साल तक हर दिन अपनी हृदय गति, नींद और गतिविधि के स्तर को ट्रैक करने वाली स्मार्टवॉच पहनी थी। इस बीच, हर कुछ महीनों में (विशेष रूप से, अध्ययन के चार अलग-अलग "तरंगों" में), इन्हीं लोगों ने अपनी भावनाओं (जैसे तनाव, चिंता या खुशी) के बारे में सर्वेक्षण भरे और यह देखने के लिए परीक्षण किए कि उनके मस्तिष्क कितनी अच्छी तरह काम कर रहे हैं (जैसे स्मृति, ध्यान और गति)।

टीम ने एक सरल लेकिन पेचीदा सवाल पूछा: जब हम यह अनुमान लगाने की कोशिश करते हैं कि कोई व्यक्ति कैसा महसूस कर रहा है या उसका मस्तिष्क कितनी अच्छी तरह काम कर रहा है, तो दैनिक सेंसर डेटा का कौन सा हिस्सा वास्तव में मायने रखता है? उन्होंने प्रत्येक कुछ-महीने की अवधि के लिए दैनिक डेटा को एक एकल "रिपोर्ट कार्ड" में सारांशित करने के तीन अलग-अलग तरीकों का परीक्षण किया:

1. "लेवल" (स्तर) दृष्टिकोण: यह उस अवधि के दौरान चीजों की औसत स्थिति को देखता है। यह पूछने जैसा है, "इस महीने औसतन नदी कितनी तेज़ बह रही थी?"
2. "एब्सोल्यूट ड्रिफ्ट" (पूर्ण विचलन) दृष्टिकोण: यह पिछले कालखंड से परिवर्तन को देखता है। यह पूछता है, "क्या नदी पिछले महीने की तुलना में इस महीने तेज़ या धीमी बह रही थी, और कितनी?"
3. "प्रपोर्शनल ड्रिफ्ट" (आनुपातिक विचलन) दृष्टिकोण: यह प्रतिशत परिवर्तन को देखता है। यह पूछता है, "क्या नदी की गति पिछले महीने की तुलना में दोगुनी हो गई या आधी रह गई?"

उन्होंने दैनिक डेटा का वर्णन करने के विभिन्न तरीकों का भी परीक्षण किया। केवल औसत (mean) का उपयोग करने के बजाय, उन्होंने डेटा के "आकार" को देखा—जैसे कि मान कितने चरम (extreme) तक पहुँचे (कर्टोसिस/kurtosis), वे कितने फैले हुए थे (इंटरक्वाटाइल रेंज), या न्यूनतम बिंदु (minimums) क्या थे।

बड़ी खोज: भावनाएं बदलती हैं, मस्तिष्क स्थिर रहता है

परिणामों ने हमारे शरीर और मन के काम करने के तरीके में एक दिलचस्प विभाजन का खुलासा किया, जो यह सुझाव देता है कि हमारी भावनाएं और हमारी संज्ञानात्मक क्षमताएं दो अलग-अलग भाषाएं बोलती हैं।

भावनाओं (Affect) के लिए: अध्ययन में पाया गया कि किसी व्यक्ति की भावनाओं (उसकी चिंता, तनाव या खुशी) की भविष्यवाणी करने के लिए, "एब्सोल्यूट ड्रिफ्ट" दृष्टिकोण आम तौर पर सबसे शक्तिशाली भविष्यवक्ता था। हालांकि, "लेवल" दृष्टिकोण (औसत स्थिति को देखना) कुछ विशिष्ट मेट्रिक्स के लिए काम करता था, लेकिन "ड्रिफ्ट" दृष्टिकोण—यानी पिछले कुछ महीनों की तुलना में व्यक्ति की शारीरिक स्थिति में कितना बदलाव आया—अधिकांश भावनात्मक अवस्थाओं के लिए स्पष्ट विजेता था। यह समझने जैसा है कि कोई व्यक्ति दुखी इसलिए नहीं है क्योंकि उसका दिल 70 बीट्स प्रति मिनट की दर से धड़क रहा है (एक स्तर); बल्कि वह इसलिए दुखी है क्योंकि उसकी हृदय गति उसके सामान्य 80 बीट्स प्रति मिनट से काफी कम हो गई है (एक विचलन)। शरीर का "परिवर्तन" मन के "मूड" के लिए सबसे मजबूत संकेत है।

मस्तिष्क की शक्ति (Cognition) के लिए: संज्ञानात्मक कार्यों जैसे स्मृति और ध्यान के लिए कहानी उलट गई। यहाँ, "लेवल" दृष्टिकोण अक्सर सबसे अच्छा भविष्यवक्ता था। यह अनुमान लगाने के लिए कि किसी का मस्तिष्क कितनी अच्छी तरह काम कर रहा है, आपको औसत स्थिति की आवश्यकता होती है। यह कहने जैसा है कि, "यदि नदी आमतौर पर एक स्थिर, मजबूत गति से बह रही है, तो नाव (मस्तिष्क) अच्छी तरह चलती है।" परिवर्तन उतना महत्वपूर्ण नहीं था जितना कि वर्तमान स्थिति। यह सुझाव देता है कि संज्ञानात्मक प्रदर्शन एक व्यक्ति के स्थिर, दीर्घकालिक आधार (baseline) से जुड़ा है, न कि हालिया उतार-चढ़ाव से।

डेटा का आकार भी मायने रखता है

एक अन्य प्रमुख निष्कर्ष यह था कि उन्होंने दैनिक डेटा को कैसे सारांशित किया। शोधकर्ताओं ने पाया कि सरल औसत (जैसे माध्य या मध्यिका) अक्सर सबसे कम उपयोगी थे। इसके बजाय, डेटा के "आकार" ने रहस्य छिपा रखे थे। विशेषताएं जैसे कि न्यूनतम (सबसे कम हृदय गति), कर्टोसिस (डेटा कितना "नुकीला" या चरम था), और परिवर्तनों की रेंज (सीमा) ने केवल औसत की तुलना में बहुत अधिक संकेत दिए। यह ऐसा है जैसे नदी की कहानी उसके औसत गहराई से नहीं, बल्कि उसके सबसे गहरे गड्ढों और सबसे ऊंचे शिखरों से बताई जाती है।

यह भविष्य के लिए क्या मायने रखता है

यह शोध पत्र सुझाव देता है कि हमें सभी मस्तिष्क स्वास्थ्य डेटा के साथ एक जैसा व्यवहार नहीं करना चाहिए। यदि हम ऐसी स्मार्टवॉच बनाना चाहते हैं जो यह पता लगा सकें कि कोई व्यक्ति तनाव या चिंता महसूस कर रहा है, तो उन्हें व्यक्ति के अपने अतीत से परिवर्तनों को देखने के लिए प्रोग्राम किया जाना चाहिए। यदि हम संज्ञानात्मक गिरावट के शुरुआती संकेतों का पता लगाना चाहते हैं, तो घड़ी को समय के साथ औसत प्रदर्शन में गिरावट को देखना चाहिए।

शोधकर्ता सावधानीपूर्वक नोट करते हैं कि यह अध्ययन स्विट्जरलैंड और फ्रांस के स्वस्थ वयस्कों के साथ किया गया था, इसलिए हम 100% निश्चित नहीं हो सकते कि यह हर जगह हर किसी पर लागू होता है। हालाँकि, दैनिक सेंसर और मासिक सर्वेक्षणों के बीच के "बेमेल" को एक गलती के बजाय एक विशिष्ट डिज़ाइन विकल्प के रूप में मानकर, उन्होंने वैज्ञानिकों को एक नया टूलकिट दिया है। उन्होंने दिखाया कि सही "अनुवाद" (परिवर्तन बनाम स्तर) और सही "विवरण" (आकार बनाम औसत) चुनकर, हम वास्तविक दुनिया में हमारे मस्तिष्क और हृदय को समझने के लिए बेहतर, अधिक सटीक सिस्टम बना सकते हैं।