NepOOC-M: Bilingual Nepali-English Benchmark and Comparative Analysis of Multimodal Architectures for OOC Detection

डिजिटल युग में, एक झूठ अक्सर सच की तुलना में अधिक तेज़ी से फैलता है, लेकिन ऐसा हमेशा इसलिए नहीं होता कि सच को छिपाया गया है। कभी-कभी, झूठ खुद सच से ही निर्मित होता है। यह 'आउट-ऑफ-कॉन्टेक्स्ट' (संदर्भ से बाहर) गलत सूचना का स्वरूप है, जो एक भ्रामक अभ्यास है जहाँ एक वास्तविक, अपरिवर्तित तस्वीर को एक झूठे या भ्रामक कैप्शन के साथ जोड़ा जाता है। छवि अप्रतिबंधित रहती है; एक वास्तविक भीड़, एक वास्तविक इमारत, या एक वास्तविक व्यक्ति की तस्वीर को उसके मूल क्षण और स्थान से लिया जाता है। धोखा पूरी तरह से उस कहानी में निहित है जो उसके साथ सुनाई जाती है। दस साल पहले की बाढ़ की तस्वीर को वर्तमान आपदा के रूप में प्रस्तुत किया जा सकता है, या किसी दूसरे देश के राजनेता की फोटो को यह दावा करते हुए दिखाया जा सकता है कि वह किसी अन्य देश में है। क्योंकि छवि स्वयं प्रामाणिक है, इसलिए यह उन दृश्य जांचों को पास कर लेती है जो आमतौर पर डॉक्टर्ड (छेड़छाड़ की गई) तस्वीरों या डीपफेक को पकड़ लेती हैं। कंप्यूटर और मनुष्यों दोनों के लिए चुनौती नकली छवि को पहचानना नहीं है, बल्कि यह समझना है कि उसके साथ जुड़ी कहानी फ्रेम में कैद वास्तविकता से मेल नहीं खाती।

वर्षों से, शोधकर्ताओं ने इन विसंगतियों को पकड़ने के लिए उपकरण बनाए हैं, लेकिन उनका अधिकांश कार्य अंग्रेजी भाषा के समाचारों और उच्च-संसाधन वाले परिवेशों पर केंद्रित रहा है। इसने दुनिया के अन्य हिस्सों में, विशेष रूप से उन क्षेत्रों में जहाँ भाषाएँ और संस्कृतियाँ विशिष्ट हैं, इन धोखों को समझने में एक महत्वपूर्ण अंतर छोड़ दिया। नेपाल में, जहाँ गलत सूचना राजनीतिक तनाव को भड़का सकती है या प्राकृतिक आपदाओं के दौरान घबराहट फैला सकती है, वहां यह समस्या गंभीर है। स्थानीय संदर्भ अत्यंत महत्वपूर्ण है; एक कैप्शन किसी विशिष्ट गाँव, स्थानीय अधिकारी या क्षेत्रीय घटना का संदर्भ दे सकता है जिसे एक अंग्रेजी बोलने वाली प्रणाली कभी भी संदिग्ध के रूप में नहीं पहचान पाएगी। इसे संबोधित करने के लिए, संजीव खतिवडा नामक एक शोधकर्ता ने एक नए प्रकार का टेस्ट बेड बनाने का लक्ष्य रखा, जिसे विशेष रूप से नेपाली भाषा और वहां फैलने वाली गलत सूचना के अनूठे तरीकों के लिए डिज़ाइन किया गया था।

इसका परिणाम एक नया डेटा संग्रह है जिसे 'नेपओओसी' (NepOOC) कहा जाता है, जो नेपाली के लिए इस प्रकार का पहला सार्वजनिक बेंचमार्क है। इसमें 1,090 जोड़ी चित्र और कैप्शन शामिल हैं, जो ईमानदार पोस्ट और भ्रामक पोस्ट के बीच समान रूप से विभाजित हैं। भ्रामक पोस्टों को पांच प्रकार के झूठों में सावधानीपूर्वक वर्गीकृत किया गया था: पूरी तरह से मनगढ़ंत कहानियाँ, ऐसे कैप्शन जो तथ्यात्मक रूप से गलत हैं लेकिन समय या स्थान के बारे में नहीं हैं, गलत समय की छवियां, गलत स्थान की छवियां, और गलत लोगों की छवियां। डेटा विश्वसनीय सुनिश्चित करने के लिए, कई विशेषज्ञों ने इन जोड़ियों की समीक्षा की, और वे उच्च स्तर की निरंतरता के साथ भ्रामक पोस्टों के वर्गीकरण पर सहमत हुए। इस डेटासेट में तथ्य-जांच रिपोर्टों, समाचार पोर्टलों और सोशल मीडिया अभिलेखागार से लिए गए वास्तविक उदाहरण शामिल हैं, जो इन झूठों के वास्तविक स्वरूप को दर्शाते हैं।

इस नए डेटासेट के साथ, शोधकर्ता ने पांच अलग-अलग कंप्यूटर प्रणालियों का परीक्षण किया यह देखने के लिए कि कौन सा झूठ को पकड़ने में सबसे बेहतर है। ये प्रणालियाँ सरल टेक्स्ट रीडर से लेकर जटिल मशीनों तक फैली हुई थीं, जो चित्र और शब्दों को एक साथ देखने का प्रयास करती थीं। लक्ष्य यह देखना था कि क्या चित्र को देखने से कंप्यूटर को झूठ समझने में मदद मिली, या केवल कैप्शन पढ़ना पर्याप्त था। निष्कर्ष आश्चर्यजनक और स्पष्ट थे। सबसे अच्छा प्रदर्शन करने वाली प्रणाली एक मल्टीमॉडल मॉडल थी जिसने एक विज़ुअल एनालाइज़र और एक टेक्स्ट रीडर को जोड़ा था, लेकिन यह उस प्रणाली से बेहतर नहीं थी जिसने केवल टेक्स्ट को पढ़ा था। वास्तव में, एक मॉडल जिसने केवल शब्दों को देखा, उसने उस सबसे जटिल सिस्टम के समान ही उच्च स्कोर प्राप्त किया जो चित्र और शब्दों दोनों को देखता था।

डेटा ने दिखाया कि चित्र का दृश्य भाग इस पहेली को सुलझाने में लगभग कोई मदद नहीं कर सका। जब शोधकर्ताओं ने उन प्रणालियों का परीक्षण किया जिन्होंने टेक्स्ट को पूरी तरह से अनदेखा करते हुए केवल चित्रों को देखा, तो वे रैंडम अनुमान लगाने से बेहतर प्रदर्शन नहीं कर सके। चित्र स्वयं, प्रामाणिक होने के कारण, धोखे के कोई संकेत नहीं रखते थे। झूठ पूरी तरह से कहानी में था। टेक्स्ट-ओनली सिस्टम, जिसने कैप्शन को पढ़ा और दुनिया के अपने ज्ञान के विरुद्ध उसकी जाँच की, वह लगभग पूर्ण सटीकता के साथ विसंगति की पहचान करने में सक्षम था। यह सुझाव देता है कि इस विशिष्ट प्रकार की समस्या के लिए, डेटा के वर्तमान पैमाने पर, शब्द ही आवश्यक जानकारी ले जाते हैं। विज़ुअल फीचर्स, जो अक्सर आर्टिफिशियल इंटेलिजेंस अनुसंधान का केंद्र होते हैं, इस संदर्भ में मौन थे।

अध्ययन ने यह भी पता लगाया कि क्या कंप्यूटर प्रणालियों को अधिक जटिल या विशिष्ट बनाना बेहतर परिणाम ला सकता है। उन्होंने विभिन्न प्रकार के न्यूरल नेटवर्क का परीक्षण किया और मॉडल को विशेष रूप से नेपाली में उपयोग होने वाली देवनागरी लिपि के अनुकूल बनाने का प्रयास किया। परिणामों ने संकेत दिया कि ये आर्किटेक्चरल बदलाव महत्वपूर्ण अंतर नहीं बना पाए। एक मानक, अच्छी तरह से प्रशिक्षित टेक्स्ट रीडर उतना ही प्रभावी था जितना कि एक विशिष्ट मॉडल। सफलता के लिए सबसे महत्वपूर्ण कारक मशीन की जटिलता नहीं, बल्कि वह डेटा था जिससे उसे सीखना था। जब शोधकर्ताओं ने कम मात्रा में प्रशिक्षण डेटा के साथ प्रणालियों का परीक्षण किया, तो अधिक जटिल मॉडल संघर्ष करते दिखे, जबकि सरल टेक्स्ट-आधारित मॉडल स्थिर रहे। यह एक स्पष्ट मार्ग की ओर संकेत करता है: बेहतर पहचान की कुंजी अधिक जटिल एल्गोरिदम बनाना नहीं, बल्कि इन झूठों के अधिक उदाहरण एकत्र करना है ताकि सिस्टम को सिखाया जा सके।

यह कार्य आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक सामान्य धारणा को चुनौती देता है, जो अक्सर यह मान लेता है कि विज़न और लैंग्वेज को मिलाने से हमेशा बेहतर प्रदर्शन होता है। नेपाल में आउट-ऑफ-कॉन्टेक्ट गलत सूचना के मामले में, विज़ुअल घटक अनावश्यक था। यह एक भाषाई धोखा था, जो लोगों, स्थानों और घटनाओं के बारे में किए गए विशिष्ट दावों में निहित था। अध्ययन निष्कर्ष निकालता है कि कम-संसाधन वाली भाषाओं और गलत सूचना के विशिष्ट प्रकारों के लिए, जटिल मल्टीमॉडल सिस्टम बनाने की कोशिश करने के बजाय टेक्स्ट पर ध्यान केंद्रित करना और डेटासेट का विस्तार करना प्रगति का अधिक सीधा और प्रभावी मार्ग है। यह रेखांकित करता है कि कभी-कभी, सबसे शक्तिशाली उपकरण केवल सुनाई जा रही कहानी की बेहतर समझ होना है।