Self-Supervised Speech Representations Track Spoken Language Convergence to Adult Models in Infants and Children Who Are Deaf/Hard-of-Hearing
यह अध्ययन प्रदर्शित करता है कि स्व-पर्यवेक्षित भाषण एम्बेडिंग (self-supervised speech embeddings), रोजमर्रा की ध्वनिक रिकॉर्डिंग का उपयोग करके, बधिर या सुनने में अक्षम बच्चों और उनके देखभाल करने वालों के बीच बोले गए भाषा के पैटर्न के अभिसरण (convergence) को प्रभावी ढंग से ट्रैक कर सकते हैं, जो पारंपरिक मूल्यांकन विधियों के लिए एक स्केलेबल, भाषा-तटस्थ विकल्प प्रदान 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
भाषा एक जीवित चीज़ है जो बढ़ती और बदलती है, जिसे उस ध्वनि से आकार मिलता है जो एक बच्चा हर दिन सुनता है। दशकों से, वैज्ञानिक जानते हैं कि बच्चे धीरे-धीरे अपने आस-पास के वयस्कों की तरह बोलना सीखते हैं, एक प्रक्रिया जिसे 'कन्वर्जेंस' (अभिसरण) कहा जाता है। पारंपरिक रूप से, वयस्क भाषण की ओर इस धीमी प्रगति को ट्रैक करना एक श्रमसाध्य कार्य था। शोधकर्ताओं को ऑडियो रिकॉर्डिंग के घंटों के साथ बैठना पड़ता था, और बच्चे द्वारा बोले गए हर शब्द और ध्वनि को मैन्युअल रूप से ट्रांसक्राइब (लिखना) करना पड़ता था, एक ऐसी प्रक्रिया जिसमें विशेषज्ञ ज्ञान की आवश्यकता होती थी और जिसे दुनिया की केवल एक बहुत छोटी fraction (अंश) भाषाओं के लिए ही किया जा सकता था। यह बाधा यह सुनिश्चित करती थी कि बच्चों का विकास, विशेष रूप से सुनने में कठिनाई वाले बच्चों का विकास, समझना धीमा और कठिन बना रहा। हालाँकि, एक नया दृष्टिकोण उभरा है जो मानवीय ट्रांसक्रिप्शन की आवश्यकता को पूरी तरह से समाप्त कर देता है, जो शब्दों के बजाय सीधे भाषण के कच्चे ध्वनिक पैटर्न (acoustic patterns) को देखता है ताकि यह देखा जा सके कि एक बच्चे की आवाज़ अपने देखभाल करने वालों की आवाज़ों से कितनी करीब से मेल खाती है।
हाल ही में, स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं ने इस नई पद्धति को उन बच्चों के समूह पर लागू किया जो बधिर या सुनने में अक्षम थे। ये बच्चे, जो शैशवावस्था से लेकर पूर्व-स्कूली आयु तक के हैं, ध्वनि तक पहुँचने के लिए हियरिंग एड या कॉकलियर इम्प्लांट का उपयोग करते हैं, लेकिन उनकी भाषा की राह असमान और चुनौतीपूर्ण हो सकती है। टीम यह जानना चाहती थी कि क्या वे केवल उनके दैनिक जीवन की ध्वनि तरंगों (sound waves) का विश्लेषण करके यह माप सकते हैं कि ये बच्चे वयस्क भाषण के पैटर्न के साथ कितनी अच्छी तरह तालमेल बिठा रहे हैं, बिना यह जाने कि विशिष्ट शब्द क्या बोले जा रहे हैं। ऐसा करने के लिए, उन्होंने 34 बच्चों को एक शर्ट में पहने जाने वाले एक विशेष रिकॉर्डिंग डिवाइस से सुसज्जित किया, जिसने बच्चों के सामान्य कार्यों के दौरान एक बार में 16 घंटे तक का ऑडियो कैप्चर किया। कुल मिलाकर, टीम ने 925 घंटों से अधिक की रिकॉर्डिंग एकत्र की, जिससे बच्चों और उनकी देखभाल करने वाली वयस्क महिलाओं के रोजमर्रा के ध्वनियों का एक विशाल पुस्तकालय तैयार हुआ।
शोधकर्ताओं ने एक कंप्यूटर मॉडल का उपयोग किया जिसे मानव भाषण की संरचना को समझने के लिए प्रशिक्षित किया गया था, एक ऐसा उपकरण जो ध्वनि को 'एम्बेडिंग' (embedding) नामक एक गणितीय प्रतिनिधित्व में बदल देता है। इस प्रक्रिया को एक व्यक्ति द्वारा की जाने वाली प्रत्येक ध्वनि को एक विशाल, अदृश्य मानचित्र (map) में रखने जैसा समझें जहाँ समान ध्वनियाँ पास-पास होती हैं और भिन्न ध्वनियाँ दूर-दूर होती हैं। टीम ने बच्चों द्वारा की गई ध्वनियों का मानचित्रण किया और उन्हें रिकॉर्डिंग में मौजूद वयस्क महिलाओं की ध्वनियों के केंद्रीय मानचित्र से तुलना की। उन्होंने मानचित्र पर बच्चे की ध्वनियों और वयस्क की ध्वनियों के बीच की दूरी को मापा। मूल विचार सरल था: जैसे-जैसे बच्चा बोलना सीखता है, उसकी आवाज़ एक वयस्क की तरह अधिक सुनाई देनी चाहिए, जिसका अर्थ है कि उनके मानचित्र पर उनकी ध्वनियों के बीच की दूरी कम होनी चाहिए।
परिणामों ने पुष्टि की कि यह दूरी वास्तव में कम होती है जैसे-जैसे बच्चों को सुनने का अधिक अनुभव होता है। अध्ययन ने "हियरिंग एज" (सुनने की आयु) को मापा, जो केवल उनके जन्मदिन के बजाय वह समय है जब से एक बच्चे को अपने उपकरणों के माध्यम से प्रवर्धित (amplified) ध्वनि तक पहुँच प्राप्त हुई है। विश्लेषण ने एक स्पष्ट पैटर्न दिखाया: एक बच्चे ने जितने लंबे समय तक अपने हियरिंग एड या इम्प्लांट का उपयोग किया है, उसकी भाषण ध्वनियाँ अपने आस-पास के वयस्कों द्वारा की गई ध्वनियों के उतने ही करीब आती गईं। यह अभिसरण तब भी हुआ जब शोधकर्ताओं ने अन्य कारकों, जैसे कि बच्चे की आवाज़ के पिच या उनके स्वर की अवधि को भी ध्यान में रखा। निष्कर्ष बताते हैं कि कंप्यूटर मॉडल सफलतापूर्वक उन सूक्ष्म तरीकों को पकड़ रहा था जिनसे बच्चों के भाषण की संरचना समय के साथ परिपक्व होती है, जो शुरुआती, कम व्यवस्थित ध्वनियों से वयस्क भाषण के जटिल पैटर्न की ओर बढ़ती है।
केवल समय बीतने को ट्रैक करने से परे, शोधकर्ताओं ने यह परीक्षण किया कि क्या ध्वनि की समानता का यह माप वास्तव में मानक भाषा परीक्षणों में बच्चे के प्रदर्शन की भविष्यवाणी कर सकता है। उन्होंने अपने 'साउंड मैप' की दूरी की तुलना उन परीक्षणों के स्कोर से की जो शब्दावली के आकार और व्यंजन ध्वनियों को सटीक रूप से बोलने की क्षमता को मापते हैं। अध्ययन में पाया गया कि जिन बच्चों की भाषण ध्वनियाँ मानचित्र पर वयस्क मॉडल के अधिक करीब थीं, उनमें शब्दावली का आकार और उच्चारण कौशल भी बेहतर था। यह उन शब्दों के लिए भी सत्य था जिन्हें बच्चे समझते थे और उन शब्दों के लिए भी जिन्हें वे बोल सकते थे। यह माप विशेष रूप से इस बात की भविष्यवाणी करने में मजबूत था कि एक बच्चा व्यंजन ध्वनियों को कितनी अच्छी तरह बना सकता है, जो भाषण विकास का एक प्रमुख मील का पत्थर है। महत्वपूर्ण रूप से, शोधकर्ताओं ने अपनी पद्धति की विश्वसनीयता का परीक्षण करने के लिए उन त्रुटियों का अनुकरण (simulate) किया जो तब हो सकती हैं जब एक कंप्यूटर शोर वाले कमरे में एक बच्चे की आवाज़ और एक वयस्क की आवाज़ के बीच अंतर करने की कोशिश करता है। यहाँ तक कि जब उन्होंने इन सिम्युलेटेड गलतियों को पेश किया, तब भी मुख्य निष्कर्ष स्थिर रहा, जो सुझाव देता है कि यह विधि वास्तविक दुनिया की अव्यवस्थित रिकॉर्डिंग के साथ काम करने के लिए पर्याप्त मजबूत है।
यह अध्ययन यह दावा नहीं करता है कि यह नया मीट्रिक स्पीच थेरेपिस्ट के सावधानीपूर्ण कार्य को बदल सकता है या अपने आप में किसी विशिष्ट भाषा विकार का निदान कर सकता है। शोधकर्ता सावधानी बरतते हुए कहते हैं कि उनकी पद्धति भाषण की ध्वनिक संरचना (acoustic structure) को मापती है, जो भाषा की पूर्ण जटिलता से संबंधित तो है लेकिन उससे अलग है। यह अभी तक यह नहीं बता सकता कि क्या एक बच्चा किसी विशिष्ट व्याकरणिक नियम को समझता है या क्या वह किसी विशिष्ट प्रकार का शब्द उत्पन्न कर सकता है। हालाँकि, यह कार्य भाषा के विकास को देखने के लिए एक शक्तिशाली नया उपकरण प्रदान करता है जो स्केलेबल (विस्तार योग्य) और भाषा-तटस्थ है। महंगे ट्रांसक्रिप्शन और विशेषज्ञ भाषाविदों की आवश्यकता को हटाकर, यह दृष्टिकोण अधिक से अधिक बच्चों, विशेष रूप से सुनने की क्षमता की कमी वाले बच्चों की प्रगति की निगरानी करने का द्वार खोलता है। यह सुझाव देता है कि बच्चे कैसे बोलना सीखते हैं, इसे समझने का मार्ग न केवल उन शब्दों में पाया जा सकता है जो वे कहते हैं, बल्कि उन ध्वनियों के वास्तविक स्वरूप में भी है जो वे बनाते 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।