Probabilities beyond Belnap-Dunn logic: dealing with gaps, gluts and reliability

तर्क (Logic) और प्रायिकता (Probability) को लंबे समय से दुनिया का वर्णन करने के लिए दो अलग-अलग भाषाओं के रूप में देखा जाता रहा है। तर्क इस बात का अध्ययन है कि हम कैसे तर्क करते हैं, यह निर्धारित करना कि यदि अन्य चीजें सत्य हैं तो क्या सत्य होना चाहिए। प्रायिकता अनिश्चितता का अध्ययन है, जो यह मापता है कि किसी घटना के होने की कितनी संभावना है। सदियों से, ये क्षेत्र एक सख्त धारणा के तहत काम करते आए हैं: कि प्रत्येक कथन या तो सत्य है या असत्य, और हमारा दुनिया का ज्ञान इतना पूर्ण है कि हम किसी भी घटना की संभावना के लिए एक एकल संख्या निर्धारित कर सकें। यह सिक्का उछालने या मौसम के पूर्वानुमान के लिए अच्छा काम करता है, जहाँ परिणाम स्पष्ट होता है। लेकिन जब हम विरोधाभासी, अपूर्ण या केवल अविश्वसनीय जानकारी का सामना करते हैं, तो यह संघर्ष करता है। यदि एक गवाह कहता है कि कार लाल थी, और दूसरा कहता है कि वह नीली थी, तो शास्त्रीय तर्क (classical logic) टूट जाता है क्योंकि कार दोनों नहीं हो सकती। यदि किसी ने कार को देखा ही नहीं है, तो शास्त्रीय तर्क बिना अनुमान लगाने के मजबूर हुए उस सूचना के पूर्ण अभाव को दर्शाने का कोई तरीका नहीं रखता।

इन अव्यवस्थित वास्तविकताओं को संभालने के लिए, शोधकर्ताओं ने ऐसी प्रणालियाँ विकसित की हैं जो "अंतरालों" (जहाँ हम कुछ नहीं जानते) और "ग्लट्स" (जहाँ हमारे पास विरोधाभासी जानकारी है) की अनुमति देती हैं। इन प्रणालियों को, जिन्हें गैर-शास्त्रीय तर्क (non-classical logics) के रूप में जाना जाता है, सत्य को एक स्विच के बजाय एक स्पेक्ट्रम के रूप में देखती है। हालाँकि, एक बड़ी चुनौती शेष थी: आप इन लचीली प्रणालियों में कथनों की प्रायिकता कैसे निर्धारित करते हैं? यदि एक कथन सत्य और असत्य दोनों हो सकता है, या दोनों में से कुछ भी नहीं, तो आप इसके होने की संभावना की गणना कैसे करते हैं? यह प्रश्न आर्टिफिशियल इंटेलिजेंस, कानूनी तर्क और किसी भी ऐसे क्षेत्र के लिए महत्वपूर्ण है जहाँ मशीनों या मनुष्यों को अपूर्ण, विरोधाभासी या अविश्वसनीय डेटा के आधार पर निर्णय लेने होते हैं। इन जटिल परिदृश्यों में अनिश्चितता को मापने के एक मजबूत तरीके के बिना, तर्क करने के हमारे उपकरण एक ऐसी दुनिया में फंसे रह जाते हैं जो वास्तविक होने के लिए बहुत सरल है।

शोधकर्ताओं के एक दल ने एक परिष्कृत छह-मूल्य वाली तर्क प्रणाली (six-valued logic system) पर आधारित प्रायिकता के लिए एक नया ढांचा पेश करके इस अंतर को पाट दिया है। उनका कार्य, जो हाल ही के एक अध्ययन में प्रकाशित हुआ है, पारंपरिक चार-मूल्य वाली प्रणालियों से आगे बढ़ता है जो केवल सत्य, असत्य, दोनों, या दोनों में से कुछ भी नहीं को दर्शाती हैं। पाँचवें और छठे आयाम को जोड़कर—जो स्वयं सूचना की विश्वसनीयता या "शास्त्रीयता" (classicality) का प्रतिनिधित्व करता है—उन्होंने यह मापने का एक तरीका बनाया है कि कोई कथन न केवल कितना सत्य है, बल्कि हम उस सत्य के स्रोत पर कितना भरोसा कर सकते हैं। यह विश्वास का एक सूक्ष्म विश्लेषण करने की अनुमति देता है, जो दृढ़ विश्वास, एक कमजोर अनुमान, एक विरोधाभास और साक्ष्य के पूर्ण अभाव के बीच अंतर करता है।

शोधकर्ताओं ने अपनी प्रणाली को LET+K नामक एक तर्क पर बनाया है, जो एक ऑपरेटर पेश करके पिछले मॉडलों का विस्तार करता है जो एक "विश्वसनीयता जांच" (reliability check) के रूप में कार्य करता है। रोजमर्रा की भाषा में, यह ऑपरेटर एक प्रणाली को यह कहने की अनुमति देता है, "मेरे पास इस दावे के लिए साक्ष्य है, और वह साक्ष्य ठोस है," या "मेरे पास इस दावे के लिए साक्ष्य है, लेकिन स्रोत अविश्वसनीय है।" यह अंतर महत्वपूर्ण है। एक मानक प्रणाली में, यदि आपके पास एक विरोधाभास है, तो आपको इसे तर्क की पूर्ण विफलता मानने के लिए मजबूर किया जा सकता है। इस नई प्रणाली में, आप विरोधाभास को स्वीकार कर सकते हैं और साथ ही यह भी नोट कर सकते हैं कि जानकारी जो इसे उत्पन्न कर रही है वह अविश्वसनीय है, जिससे तर्क प्रक्रिया बिना ध्वस्त हुए जारी रह सकती है। टीम ने छह विशिष्ट संभावना क्षेत्रों में काम करने वाले प्रायिकता फलनों (probability functions) को परिभाषित किया: विश्वसनीय विश्वास, अविश्वसनीय विश्वास, संघर्ष, अविश्वसनीय अविश्वास, विश्वसनीय अविश्वास, और पूर्ण अनिश्चितता।

इन अमूर्त अवधारणाओं को काम करने योग्य बनाने के लिए, लेखकों ने "ट्विस्ट स्ट्रक्चर्स" (twist structures) का उपयोग करके इन प्रायिकताओं को दृश्यमान बनाने का एक नया तरीका विकसित किया है। एक मानचित्र की कल्पना करें जहाँ दुनिया की प्रत्येक संभावित स्थिति को केवल दो के बजाय छह विशिष्ट क्षेत्रों में विभाजित किया गया है। जब कोई जानकारी आती है, तो वह केवल "सत्य" या "असत्य" पर नहीं उतरती; वह इस छह-भाग वाले मानचित्र के विशिष्ट हिस्सों को आलोकित करती है। शोधकर्ताओं ने सिद्ध किया कि उनके नए प्रायिकता फलन गणितीय रूप से सुदृढ़ और पूर्ण हैं, जिसका अर्थ है कि वे सख्त तार्किक नियमों का पालन करते हैं जो विरोधाभासों को रोकते हैं और यह सुनिश्चित करते हैं कि संख्याएँ हमेशा सही ढंग से जुड़ती हैं। उन्होंने दिखाया कि इन फलनों को तीन अलग-अलग तरीकों से परिभाषित किया जा सकता है—एक-आयामी, तीन-आयामी और छह-आयामी—और तीनों दृष्टिकोण पूरी तरह से समकक्ष हैं, बस एक ही डेटा को अलग-अलग कोणों से देख रहे हैं।

इस शोध की एक प्रमुख उपलब्धि "जेफ्रे अपडेट" (Jeffrey's update) का विस्तार है, जो एक प्रसिद्ध विधि है कि जब नए साक्ष्य आते हैं तो विश्वास कैसे बदलता है। शास्त्रीय दुनिया में, यदि आप एक नया तथ्य सीखते हैं, तो आप अपनी प्रायिकता को इस आधार पर अपडेट करते हैं कि वह तथ्य निश्चित है। लेकिन वास्तविक दुनिया में, नए साक्ष्य अक्सर अनिश्चित होते हैं। शोधकर्ताओं ने अपने छह-मूल्य वाले सिस्टम के लिए इस अपडेट नियम को अनुकूलित किया है। उन्होंने प्रदर्शित किया कि कैसे संभावनाओं को तब समायोजित किया जाता है जब आप यह सीखते हैं कि एक कथन "कुछ हद तक विश्वसनीय" या "कुछ हद तक विरोधाभासी" है, न कि केवल सत्य या असत्य। उन्होंने दोनों तरीकों के अपडेट करने के गणितीय परिभाषा और तार्किक प्रमाण प्रदान किए कि ये दोनों विधियाँ समान हैं, यह सुनिश्चित करते हुए कि सिस्टम सुसंगत है चाहे आप इसे कच्चे नंबरों के दृष्टिकोण से देखें या तार्किक नियमों के दृष्टिकोण से।

अध्ययन ने यह भी पता लगाया कि यह प्रणाली "बायेसियन अपडेट" (Bayesian update) को कैसे संभालती है, जिसका उपयोग तब किया जाता है जब साक्ष्य निश्चित होता है। उन्होंने दिखाया कि उनकी नई प्रणाली स्वाभाविक रूप से पुराने, शास्त्रीय तरीकों को विशेष मामलों के रूप में शामिल करती है। यदि जानकारी पूरी तरह से विश्वसनीय है और विरोधाभास असंभव है, तो प्रणाली बिल्कुल उसी तरह व्यवहार करती है जैसा कि हम शास्त्रीय तर्क को जानते हैं। लेकिन जब जानकारी अव्यवस्थित होती है, तो प्रणाली जटिलता को समायोजित करने के लिए लचीली हो जाती है। इसका मतलब है कि नया ढांचा हमारे मौजूदा उपकरणों को बदलता नहीं है; यह उन्हें सामान्य बनाता है, उन स्थितियों के लिए एक अधिक शक्तिशाली टूलकिट प्रदान करता है जहाँ दुनिया सरल होने से इनकार करती है।

इस कार्य के निहितार्थ किसी भी ऐसे क्षेत्र के लिए महत्वपूर्ण हैं जो अनिश्चित डेटा से निपटता है। सूचना की विश्वसनीयता को उसके सत्य मान के साथ मापने का एक कठोर तरीका प्रदान करके, शोधकर्ताओं ने हमें विरोधाभासों के बारे में बिना अपना मानसिक संतुलन खोए सोचने का एक तरीका दिया है। उन्होंने दिखाया है कि यह संभव है कि एक प्रायिकता का गणितीय सिद्धांत हो जो इस तथ्य का सम्मान करता है कि कुछ जानकारी विरोधाभासी है, कुछ गायब है, और कुछ केवल अविश्वसनीय है। यह केवल एक सैद्धांतिक अभ्यास नहीं है; यह ऐसी कृत्रिम बुद्धिमत्ता (AI) बनाने की दिशा में एक आवश्यक कदम है जो मानव ज्ञान की अव्यवस्थित, विरोधाभासी और अविश्वसनीय प्रकृति के बीच नेविगेट कर सके। शोध पत्र यह निष्कर्ष निकालता है कि इस ढांचे का उपयोग विश्वास संशोधन (belief revision) प्रणालियों को बेहतर बनाने के लिए कैसे किया जा सकता है, जिससे एजेंट प्राप्त साक्ष्य की गुणवत्ता के प्रति संवेदनशील होकर अपने विचारों को अपडेट कर सकें।

अंत में, यह शोध अनिश्चितता के बारे में सोचने का एक अधिक ईमानदार तरीका प्रदान करता है। यह स्वीकार करता है कि दुनिया हमेशा श्वेत और श्याम नहीं होती है, और हमारा ज्ञान अक्सर मजबूत विश्वासों, कमजोर अनुमानों और खुले विरोधाभासों का एक मिश्रण होता है। इन सभी अवस्थाओं को एक साथ वर्णित करने के लिए एक गणितीय भाषा बनाकर, लेखकों ने साक्ष्य के एक अधिक सुदृढ़ और लचीले तर्क की नींव रखी है। उनका कार्य सिद्ध करता है कि हम अपने विश्वासों की विश्वसनीयता को उतनी ही सटीकता से माप सकते हैं जितनी सटीकता से हम उनकी संभावना को मापते हैं, जो एक अपूर्ण दुनिया में तर्क के एक नए युग के द्वार खोलता है।