Large Language Models as Implicit Sociological Models: Reconstructing Voting Behaviour from Sociodemographic Profiles
यह शोध पत्र एक ऐसी पद्धतिगत रूपरेखा प्रस्तावित करता है जो बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) को सामाजिक-जनसांख्यिकीय प्रोफाइल्स से समग्र मतदान व्यवहार को पुनर्गठित करने के लिए अंतर्निहित समाजशास्त्रीय उपकरणों के रूप में देखती है, जो वास्तविक दुनिया के चुनावी परिणामों और राजनीतिक संरचनाओं को सटीक रूप से दोहराने की उनकी क्षमता को प्रदर्शित करते हुए कम्प्यूटेशनल सामाजिक विज्ञान के लिए अन्वेषणात्मक उपकरणों के रूप में उनकी उपयोगिता को रेखांकित करता है।
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
राजनीति विज्ञान के अध्ययन में, कि लोग कैसे मतदान करते हैं, यह समझने के लिए शोधकर्ता लंबे समय से एक सरल सत्य पर निर्भर रहे हैं: आप कौन हैं, यह अक्सर आपके मतदान के तरीके की भविष्यवाणी करता है। एक व्यक्ति की आयु, शिक्षा, आय और वह कहाँ रहता है, एक ऐसा जनसांख्यिकीय प्रोफाइल बनाता है जो उनके राजनीतिक विकल्पों के साथ मजबूती से जुड़ा होता है। दशकों से, शोधकर्ताओं ने सर्वेक्षणों का उपयोग करके इन संबंधों को मैप किया है, जिसमें हजारों लोगों से उनके जीवन और उनके मतों के बारे में पूछा जाता है ताकि उन पैटर्न को खोजा जा सके जो चुनावों को आकार देते हैं। लेकिन डिजिटल युग में एक नया प्रश्न उभरा है: क्या एक कंप्यूटर प्रोग्राम, जिसे इंटरनेट पर मौजूद मानव लेखन के विशाल सागर पर प्रशिक्षित किया गया है, बिना किसी व्यक्ति से एक भी प्रश्न पूछे, इन पैटर्न को पहले से ही जान सकता है? लार्ज लैंग्वेज मॉडल्स (LLMs), जो आधुनिक चैटबॉट्स के पीछे की शक्तिशाली आर्टिफिशियल इंटेलिजेंस प्रणालियाँ हैं, अरबों दस्तावेजों को पढ़ने से निर्मित होते हैं। ऐसा करते हुए, वे मानव संस्कृति की सांख्यिकीय नियमितताओं को आत्मसात कर लेते हैं, जिसमें एक व्यक्ति की पृष्ठभूमि और उनकी राजनीतिक झुकाव के बीच के अनकहे संबंधों को भी शामिल किया गया है। यह एक दिलचस्प संभावना पैदा करता है: क्या ये मॉडल समाज के एक संकुचित दर्पण के रूप में कार्य कर सकते हैं, जो इस बात का एक छिपा हुआ मानचित्र रखते हैं कि जनसांख्यिकी कैसे वोटों में परिवर्तित होती है, केवल इसलिए क्योंकि उन्होंने इसके बारे में बहुत कुछ पढ़ा है?
चेक गणराज्य के शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने के लिए 2021 के चेक संसदीय चुनाव को अपनी प्रयोगशाला के रूप में उपयोग किया। उन्होंने आर्टिफिशियल इंटेलिजेंस से चुनाव के विजेता की भविष्यवाणी करने या यह समझाने के लिए नहीं कहा कि किसी विशिष्ट व्यक्ति ने एक निश्चित पार्टी को क्यों चुना। इसके बजाय, उन्होंने मॉडलों को एक प्रकार के समाजशास्त्रीय उपकरण के रूप में माना, जो राष्ट्र के सामूहिक व्यवहार को बुनियादी स्तर से पुनर्गठित करने का एक तरीका है। शोधकर्ताओं ने लगभग 4,000 चेक नागरिकों वाला एक वास्तविक सर्वेक्षण लिया, जिनमें से प्रत्येक का विस्तृत प्रोफाइल था, जैसे कि उनकी आयु, लिंग, शिक्षा, आय और यहाँ तक कि राजनीति में उनकी रुचि। उन्होंने इन विवरणों को, एक-एक करके, एक लार्ज लैंग्वेज मॉडल के चार अलग-अलग संस्करणों में डाला। प्रत्येक व्यक्ति के लिए, मॉडल से एक सरल प्रश्न पूछा गया था: इस विशिष्ट जीवन कहानी को देखते हुए, आप किसे वोट देंगे? मॉडल ने केवल एक पार्टी नहीं चुनी; उसने हर प्रमुख पार्टी के लिए मतदान की संभावना की गणना की, साथ ही इस संभावना की भी गणना की कि वह व्यक्ति बिल्कुल भी मतदान नहीं करेगा।
शोधकर्ताओं ने फिर इन हजारों व्यक्तिगत अनुमानों को एक एकल राष्ट्रीय चित्र में संयोजित किया। उन्होंने एक ऐसी विधि का उपयोग किया जिसने प्रत्येक संभावना को एक आंशिक वोट के रूप में माना, जिससे अंतिम परिणाम एक एकल मजबूर विकल्प के बजाय कई छोटी अनिश्चितताओं के योग से उभर कर आया। जब उन्होंने इस सिम्युलेटेड चुनाव की तुलना वास्तविक आधिकारिक परिणामों से की, तो मिलान आश्चर्यजनक रूप से करीब था। मॉडलों ने औसतन केवल लगभग 2.5 प्रतिशत अंकों की त्रुटि के साथ अंतिम वोट शेयर को पुनरुत्पादित किया, जो पेशेवर एजेंसियों द्वारा किए गए उच्च गुणवत्ता वाले पूर्व-चुनाव सर्वेक्षणों के स्तर के बराबर है। अधिक महत्वपूर्ण बात यह है कि सिमुलेशन ने न केवल संख्याएँ सही प्राप्त कीं; इसने चेक राजनीति की छिपी हुई संरचना को भी पकड़ा। मॉडलों ने सही ढंग से पहचाना कि कुछ पार्टियाँ स्वाभाविक रूप से एक साथ समूह बनाती हैं, जो दो विशिष्ट राजनीतिक गुटों का निर्माण करती हैं जो देश में देखी जाने वाली वास्तविक दुनिया के गठबंधनों और प्रतिद्वंद्विता को दर्शाते हैं। उन्होंने मतदाताओं के प्रवाह के विशिष्ट तरीकों को भी पुन: निर्मित किया, जिससे पता चला कि आर्टिफिशियल इंटेलिजेंस समझ गया था कि बिना बताए ही, एक गठबंधन के मतदाता अक्सर दूसरे में स्थानांतरित हो जाते हैं, जबकि विरोधी खेमों के मतदाता शायद ही कभी विभाजन को पार करते हैं।
अध्ययन से पता चला कि मॉडल का आकार मायने रखता था। आर्टिफिशियल इंटेलिजेंस के बड़े, अधिक सक्षम संस्करण विभिन्न प्रकार के मतदाताओं के बीच अंतर करने में बेहतर थे, जो इस सूक्ष्म अंतर को पकड़ने में सक्षम थे कि एक युवा, शिक्षित व्यक्ति का मतदान एक वृद्ध, कम शिक्षित व्यक्ति की तुलना में कैसे भिन्न हो सकता है। छोटे मॉडल आम तौर पर सभी के लिए औसत का अनुमान लगाने लगे, जिससे जनसांख्यिकीय परिदृश्य की बारीकियों को पकड़ने में वे चूक गए। फिर भी, छोटे मॉडल भी राजनीतिक मानचित्र की व्यापक रूपरेखा को पुनः प्राप्त करने में सफल रहे। शोधकर्ताओं ने यह भी जांचा कि किसी विशिष्ट व्यक्ति का विवरण दिए जाने से पहले मॉडल क्या जानते थे। उन्होंने पाया कि मॉडलों के पास पहले से ही चुनाव परिणामों का एक मजबूत, अंतर्निहित ज्ञान था, संभवतः इसलिए क्योंकि उनके प्रशिक्षण डेटा में परिणाम के बारे में बहुत चर्चा की गई थी। हालाँकि, इस प्रयोग का वास्तविक मूल्य इस पूर्व-मौजूदा ज्ञान में नहीं था, बल्कि उस ज्ञान को तोड़ने की क्षमता में था। व्यक्तिगत प्रोफाइल फीड करके, शोधकर्ता देख सके कि मॉडल उस ज्ञान को विभिन्न क्षेत्रों और सामाजिक समूहों में कैसे वितरित कर रहे थे, प्रभावी रूप से एक स्थिर तथ्य को समाज के एक गतिशील, संरचनात्मक मानचित्र में बदल रहे थे।
महत्वपूर्ण रूप से, लेखक इस बात पर जोर देते हैं कि यह भविष्य की भविष्यवाणी करने या मानव सर्वेक्षणों को बदलने के लिए एक उपकरण नहीं है। मॉडल यह नहीं समझते कि लोग इस तरह से क्यों मतदान करते हैं; उनके पास मानव निर्णय लेने की कोई कारण संबंधी (causal) समझ नहीं है। वे केवल उन पैटर्न को प्रतिबिंबित कर रहे हैं जिन्हें उन्होंने अपने प्रशिक्षण डेटा में देखा है। यदि इंटरनेट उन लेखों से भरा है जो शिक्षा को एक विशिष्ट पार्टी से जोड़ते हैं, तो मॉडल उस लिंक को सीख लेता है। इस कार्य का मूल्य एक नैदानिक उपकरण (diagnostic tool) के रूप में कार्य करने की इसकी क्षमता में निहित है, जो वैज्ञानिकों को यह जांचने की अनुमति देता है कि एक मॉडल ने मानव संस्कृति से क्या आत्मसात किया है। यह दर्शाता है कि इन प्रणालियों ने एक गैर-अंग्रेजी भाषी, बहु-दलीय लोकतंत्र की समाजशास्त्रीय नियमितताओं को आत्मसात कर लिया है, भले ही उन्हें मुख्य रूप से अंग्रेजी डेटा पर प्रशिक्षित किया गया हो। शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि ये मॉडल वास्तविकता के पूर्ण दर्पण नहीं हैं, फिर भी वे समाज के राजनीतिक व्यवहार के कंकाल को पुनर्गठित करने के लिए पर्याप्त शक्तिशाली हैं, जो हमें यह खोजने का एक नया तरीका प्रदान करते हैं कि हम कौन हैं और हम कैसे मतदान 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।