EmoS: A Theory-Grounded Framework for Evaluating and Aligning Emotional Intelligence in Spoken Language Models
यह शोध पत्र EmoS को प्रस्तुत करता है, जो एक सिद्धांत-आधारित ढांचा है जिसमें EmoSBench बेंचमार्क, EmoDialogue डेटासेट और उन्नत अनुकूलन तकनीकों के साथ प्रशिक्षित एक विशिष्ट मॉडल शामिल है, ताकि वर्तमान स्पोकन लैंग्वेज मॉडल्स और मानवीय स्तर की भावनात्मक बुद्धिमत्ता (इमोशनल इंटेलिजेंस) के बीच के अंतर को महत्वपूर्ण रूप से कम 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 रोबोट को अपना सबसे अच्छा दोस्त बनना सिखा रहे हैं। आपने उसे पहले ही आपकी आवाज़ सुनना, आपके शब्दों को समझना और आपके निर्देशों का पूरी तरह से पालन करना सिखा दिया है। यह एक बहुत ही बुद्धिमान तोते की तरह है जो पूरी विश्वकोश (एन्साइक्लोपीडिया) को रट सकता है। लेकिन यहाँ एक पेंच है: एक अच्छा दोस्त बनने के लिए केवल तथ्यों को जानना ही काफी नहीं है; यह किसी के साथ मिलकर महसूस करने के बारे में भी है। यह तब भी यह नोटिस करने के बारे में है जब आपकी आवाज़ दुख के कारण लड़खड़ाती है, भले ही आप कहें कि आप "ठीक" हैं, या यह जानने के बारे में है कि कब आपको उत्साह दिलाना है बनाम कब बस चुपचाप सुनना है। इसे इमोशनल इंटेलिजेंस (EI) यानी भावनात्मक बुद्धिमत्ता कहा जाता है। लंबे समय से, वैज्ञानिक रोबोटों को स्मार्ट (IQ) बनाने में माहिर रहे हैं, लेकिन उन्हें भावनात्मक रूप से समझदार (EQ) सिखाने में उन्हें संघर्ष करना पड़ा है। बड़ा सवाल यह है: क्या एक कंप्यूटर वास्तव में एक आह, एक हँसी, या एक कांपती हुई आवाज़ के पीछे छिपी भावनाओं को समझ सकता है, और इस तरह से प्रतिक्रिया दे सकता है जो वास्तव में मानवीय लगे?
यहीं पर एक नया अध्ययन काम आता है। शोधकर्ताओं ने महसूस किया कि जबकि हमारे पास बात करने और सुनने वाले शानदार रोबोट हैं, हमारे पास वास्तव में यह परीक्षण करने का कोई अच्छा तरीका नहीं है कि क्या वे भावनाओं को वास्तव में समझते हैं। अधिकांश परीक्षण केवल यह जाँचते हैं कि क्या रोबोट एक ध्वनि सुन सकता है या "खुश" या "दुखी" जैसे बुनियादी भाव का अनुमान लगा सकता है। लेकिन वास्तविक भावनात्मक बुद्धिमत्ता बहुत गहरी है। यह चार चरणों वाली एक सीढ़ी है: पहला, भावना को पर perceives (महसूस करना) (आवाज़ में उदासी को सुनना); दूसरा, यह समझना (Understand) कि वह क्यों वहाँ है (यह महसूस करना कि उदासी काम के एक बुरे दिन के कारण है); तीसरा, उस भावना का उपयोग निर्णय लेने में मदद करने के लिए करना (Use) (यह जानना कि उत्साह बढ़ाने के बजाय विनम्र रहना है); और अंत में, स्थिति को ठीक करने के लिए स्थिति को प्रबंधित (Manage) करना (व्यक्ति को शांत करना)। इस पेपर के लेखक, जो चीन के विश्वविद्यालयों से हैं, ने यह देखने के लिए एक पूरा नया खेल का मैदान बनाया कि क्या रोबोट इस सीढ़ी पर चढ़ सकते हैं।
उन्होंने EmoSBench नामक एक विशाल नया परीक्षण बनाया, जो रोबोटिक भावनाओं के लिए एक बड़े बाधा दौड़ (obstacle course) जैसा है। केवल यह पूछने के बजाय कि "क्या यह आवाज़ खुश है?", इस परीक्षण में दस अलग-अलग पेचीदा परिदृश्य हैं। कुछ पूछते हैं कि क्या रोबोट एक तटस्थ वाक्य में छिपे हुए दृष्टिकोण को नोटिस कर सकता है, कुछ पूछते हैं कि क्या वह पूरी बातचीत के दौरान किसी व्यक्ति के मूड में बदलाव को ट्रैक कर सकता है, और कुछ उसे चुनौती देते हैं कि वह एक व्यक्ति को उसके गुस्से के दौरान लिए गए एक बुरे निर्णय पर पुनर्विचार करने में मदद करे। जब उन्होंने आज के सबसे स्मार्ट रोबों पर यह परीक्षण चलाया—जिसमें प्रसिद्ध GPT-4o-Audio और कुछ ओपन-सोर्स मॉडल शामिल थे—तो उन्होंने एक बड़ा अंतर पाया। यहाँ तक कि सबसे अच्छे रोबोट ने भी केवल 52.6% उत्तर सही दिए। यह सबसे कठिन हिस्सों के लिए एक सिक्के के उछाल (coin flip) से भी मुश्किल से बेहतर है! यह स्पष्ट है कि केवल एक अच्छा श्रोता होना ही पर्याप्त नहीं है; इन रोबोटों में बातचीत का "दिल" गायब है।
इसे ठीक करने के लिए, टीम ने केवल रोबोटों में मामूली बदलाव नहीं किए; उन्होंने एक पूरा नया शिक्षक बनाया। उन्होंने EmoSDialogue नामक एक विशेष डेटासेट बनाया, जो हजारों बातचीत का एक पुस्तकालय है जहाँ हर संभावित उत्तर को विशेषज्ञों द्वारा ग्रेड किया गया है। कुछ उत्तर रोबोटिक और ठंडे (स्कोर 1) हैं, कुछ ठीक हैं लेकिन थोड़े सख्त (स्कोर 3), और सबसे अच्छे गर्मजोशी भरे, सहानुभूतिपूर्ण और बिल्कुल सही समय पर दिए गए (स्कोर 4) हैं। इस लाइब्रेरी का उपयोग करके, उन्होंने एक नया, विशेष रूप से प्रशिक्षित रोबोट मूल्यांकनकर्ता EmoS बनाया। उन्होंने EmoS को एक विशेष पद्धति का उपयोग करके प्रशिक्षित किया जो इसे न केवल सही उत्तर पाने के लिए, बल्कि सही तर्क के साथ बिल्कुल सटीक उत्तर पाने के लिए पुरस्कृत करती है।
परिणाम क्रांतिकारी थे। जबकि बड़े व्यावसायिक रोबोट संघर्ष कर रहे थे, नए EmoS मॉडल ने परीक्षण में 83.8% स्कोर किया, जो वास्तविक मनुष्यों के प्रदर्शन के बहुत करीब है। यह एक ऐसे छात्र से जाने जैसा है जो मुश्किल से परीक्षा पास करता है, से एक शीर्ष स्तर के विशेषज्ञ बनने तक। शोधकर्ताओं ने EmoS का परीक्षण YouTube से वास्तविक रिकॉर्डिंग पर भी किया, न कि केवल साफ-सुथरे अभ्यास डेटा पर, और इसने अन्य रोबोटों को बड़े अंतर से पीछे छोड़ते हुए अपना दम दिखाया। यह सुझाव देता है कि सही प्रशिक्षण और भावनात्मक बुद्धिमत्ता का स्पष्ट समझ के साथ, हम अंततः ऐसे बोले जाने वाले भाषा मॉडल बना सकते हैं जो न केवल हमारे शब्दों को सुनते हैं, बल्कि वास्तव में हमारे दिलों को समझते 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।