Hate Speech Classification In Roman Urdu: A Comparative Study On Parameter Efficient Fine-Tuning And Prompt Engineering

इंटरनेट एक विशाल, वैश्विक टाउन स्क्वायर बन गया है जहाँ हर संस्कृति के लोग अपने विचार साझा करते हैं, लेकिन यह खुला स्थान हानिकारक शब्दों को भी अत्यधिक गति से फैलने की अनुमति देता है। इन हानिकारक संदेशों, जिन्हें घृणास्पद भाषण (हेट स्पीच) के रूप में जाना जाता है, का पता लगाना कंप्यूटर के लिए एक कठिन कार्य है क्योंकि इसके लिए न केवल शब्दों को, बल्कि उनके पीछे के इरादे और संदर्भ को समझने की आवश्यकता होती है। यह विशेष रूप से उन भाषाओं के लिए सच है जो सख्त नियमों का पालन नहीं करती हैं या जिनके पास कंप्यूटरों को सिखाने के लिए पहले से लिखे गए उदाहरणों की बड़ी लाइब्रेरी नहीं है। रोमन उर्दू, जो लैटिन वर्णमाला का उपयोग करके उर्दू भाषा लिखने का एक तरीका है, ऐसे एक उदाहरण के रूप में सामने आती है। यह पाकिस्तान में और दुनिया भर में उर्दू बोलने वालों के बीच बोली जाती है, फिर भी यह अक्सर अनौपचारिक होती है, जिसमें स्पेलिंग और व्याकरण की विसंगतियां होती हैं जो इस बात पर निर्भर करती हैं कि कौन टाइप कर रहा है। क्योंकि मानक कंप्यूटर प्रोग्राम इस संरचना की कमी के कारण संघर्ष करते हैं, शोधकर्ता इन अव्यवस्थित, वास्तविक दुनिया के टेक्स्ट में हेट स्पीच को पहचानने के लिए मशीनों को सिखाने के नए, हल्के तरीके खोज रहे हैं, जिसमें भारी मात्रा में डेटा या महंगे सुपरकंप्यूटरों की आवश्यकता न हो।

तोनीमा जुबैर नामक एक शोधकर्ता ने इस चुनौती का सामना करने के लिए तीन अलग-अलग तरीकों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा तरीका कंप्यूटर को यह सिखाने में सबसे अच्छा हो सकता है कि वह एक हानिरहित टिप्पणी और एक घृणास्पद टिप्पणी के बीच अंतर कैसे करे। अध्ययन ने सोशल मीडिया से एकत्र की गई 72,000 से अधिक टिप्पणियों वाले एक विशिष्ट डेटासेट पर ध्यान केंद्रित किया, जहाँ अधिकांश टिप्पणियाँ हानिरहित थीं, लेकिन एक छोटे हिस्से में विषाक्त (टॉक्सिक) भाषा शामिल थी। परीक्षण किया गया पहला तरीका बस एक बड़े, पूर्व-प्रशिक्षित कंप्यूटर मॉडल से बिना किसी अतिरिक्त प्रशिक्षण के उत्तर का अनुमान लगाने के लिए कहना था, जिसे ज़ीरो-शॉट प्रॉम्प्टिंग (zero-shot prompting) नामक तकनीक के रूप में जाना जाता है। दूसरे तरीके में मॉडल को अनुमान लगाने से पहले उसे क्या देखना है, इसके कुछ उदाहरण देना शामिल था, जिसे फ्यू-शॉट प्रॉम्प्टिंग (few-shot prompting) कहा जाता है। तीसरा तरीका पैरामीटर-कुशल फाइन-ट्यूनिंग (parameter-efficient fine-tuning) नामक एक अधिक तकनीकी दृष्टिकोण था, जहाँ शोधकर्ताओं ने मॉडल की आंतरिक सेटिंग्स में बहुत छोटे, लक्षित समायोजन किए ताकि मॉडल को रोमन उर्दू के विशिष्ट पैटर्न को सीखने में मदद मिल सके, बजाय इसके कि पूरे मॉडल को शुरू से फिर से प्रशिक्षित करने का प्रयास किया जाए।

परिणामों ने दिखाया कि बिना किसी मदद के कंप्यूटर से अनुमान लगाने के लिए कहना अक्सर अविश्वसनीय था। जब मॉडलों को अपने हाल पर छोड़ दिया गया, तो वे अक्सर हानिरहित टिप्पणियों को विषाक्त के रूप में गलत लेबल करते थे या वास्तविक हेट स्पीच को पूरी तरह से मिस कर देते थे, जिसका मुख्य कारण यह था कि भाषा बहुत अनौपचारिक थी और डेटासेट गैर-विषाक्त टिप्पणियों की ओर बहुत अधिक झुका हुआ था। हालाँकि, जब शोधकर्ताओं ने मॉडलों को मार्गदर्शन देने के लिए केवल कुछ उदाहरण प्रदान किए, तो प्रदर्शन में काफी सुधार हुआ। वह तरीका जिसने सबसे सुसंगत और विश्वसनीय परिणाम दिए, वह था जिसने मॉडल में छोटे, सटीक समायोजन किए। मॉडल को इन हल्के अपडेट के साथ फाइन-ट्यून करके, कंप्यूटर केवल उदाहरणों या बिना किसी मदद के मिलने वाली तुलना में रोमन उर्दू की सूक्ष्म बारीकियों को बहुत बेहतर तरीके से पहचानने में सक्षम हुआ। इस दृष्टिकोण ने मॉडल को उच्च स्तर की सटीकता प्राप्त करने की अनुमति दी, जिससे वह अन्य तरीकों की तुलना में बेहतर संतुलन के साथ विषाक्त और गैर-विषाक्त दोनों टिप्पणियों की सही पहचान कर सका।

अध्ययन ने कंप्यूटर से पूछे जाने वाले प्रश्नों को फ्रेम करने के विभिन्न तरीकों का भी अन्वेषण किया, जैसे कि विशिष्ट वाक्य संरचनाओं का उपयोग करना या प्रॉम्प्ट में अदृश्य, सीखने योग्य टोकन जोड़ना। जबकि इन विविधताओं ने संभावना दिखाई और कभी-कभी कम डेटा के साथ अच्छा प्रदर्शन किया, वे उस तरीके से लगातार बेहतर प्रदर्शन नहीं कर सके जिसने मॉडल की आंतरिक सेटिंग्स को समायोजित किया था। शोध का सुझाव है कि हालांकि एक शक्तिशाली कंप्यूटर मॉडल को कुछ उदाहरणों के आधार पर अनुमान लगाने के लिए कहना एक तेज़ और संसाधन-अनुकूल विकल्प है, लेकिन यह अप्रत्याशित हो सकता है। इसके विपरीत, मॉडल में छोटे, कुशल परिवर्तन करना रोमन उर्दू जैसी कम-संसाधन वाली भाषाओं में हेट स्पीच का पता लगाने के लिए एक अधिक स्थिर और मजबूत समाधान प्रदान करता है। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह उन क्षेत्रों में ऑनलाइन सामग्री की निगरानी के लिए एक व्यावहारिक मार्ग प्रदान करता है जहाँ डेटा की कमी है और कंप्यूटिंग शक्ति सीमित है, जिससे यह सुनिश्चित होता है कि भारी, ऊर्जा-गहन प्रशिक्षण सत्रों की आवश्यकता के बिना हानिकारक भाषण की पहचान की जा सके।