Metric Distortion of Social Welfare Functions

निर्णय लेने की दुनिया में, एक नया कर्मचारी रखने से लेकर ग्रुप नाइट के लिए फिल्म चुनने तक, हम अक्सर अपनी प्राथमिकताओं को रैंक करने के लिए लोगों पर भरोसा करते हैं। हम पूछते हैं, "आपका पसंदीदा कौन है?" या "आपकी शीर्ष पसंद क्या है?" और उन उत्तरों का उपयोग सामूहिक निर्णय लेने के लिए करते हैं। दशकों से, शोधकर्ता इस बात का अध्ययन कर रहे हैं कि जब हमें यह ठीक से नहीं पता होता कि लोग प्रत्येक विकल्प को कितना महत्व देते हैं, तो ये रैंकिंग अच्छे परिणामों में कितनी अच्छी तरह से परिवर्तित होती है। उन्होंने पाया कि सटीक तीव्रता (intensity) जाने बिना भी, केवल उनकी प्राथमिकता के क्रम को जानकर आश्चर्यजनक रूप से निष्पक्ष परिणाम प्राप्त किए जा सकते हैं। हालाँकि, इस कार्य का अधिकांश हिस्सा एक एकल विजेता चुनने पर केंद्रित था, जैसे कि एक राष्ट्रपति या एक सर्वश्रेष्ठ उम्मीदवार। वास्तविक जीवन अक्सर अधिक जटिल होता है। हमें अक्सर एक पूरी सूची बनाने की आवश्यकता होती है, जिसमें सभी को पहले से अंतिम तक रैंक किया जाता है, जैसे कि विश्वविद्यालय प्रवेश प्रतीक्षा सूची (admissions waitlist) या उत्पाद अनुशंसा फ़ीड (product recommendation feed)। इन परिदृश्यों में, स्थिति (position) मायने रखती है। पहले स्थान पर होना महत्वपूर्ण हो सकता है, जबकि दसवें स्थान पर होना लगभग अंतिम स्थान के समान ही हो सकता है। प्रश्न यह उठता है कि: यदि हम केवल जानते हैं कि लोग किस क्रम को पसंद करते हैं, लेकिन यह नहीं जानते कि वे पहले और दूसरे स्थान के बीच के अंतर को कितना महत्व देते हैं, तो हम सभी को संतुष्ट करने वाली एक पूर्ण सूची कितनी अच्छी तरह बना सकते हैं?

शोधकर्ताओं की एक टीम ने अब इस विशिष्ट चुनौती से निपटने के लिए काम किया है, जिसमें यह पता लगाया गया है कि एक पूर्ण रैंकिंग कैसे बनाई जाए जब मतदाताओं के पास विभिन्न स्थानों के लिए महत्व के अलग-अलग स्तर होते हैं। उन्होंने एक ऐसी स्थिति की कल्पना की जहाँ प्रत्येक व्यक्ति के पास एक गुप्त 'वैल्यू स्केल' (scale of values) है, जो यह तय करता है कि वे शीर्ष स्थान बनाम अंतिम स्थान के बारे में कितना परवाह करते हैं। कुछ लोग शायद केवल पहली सिफारिश की ही परवाह करते हों, जबकि अन्य उपयुक्त कुछ खोजने के लिए कई विकल्पों को देखने के लिए तैयार हो सकते हैं। शोधकर्ता यह जानना चाहते थे कि क्या एक मतदान प्रणाली एक पूर्ण रैंकिंग बना सकती है जो सभी के लिए उच्च गुणवत्ता वाली हो, भले ही वे इन गुप्त पैमानों को न देख पा रही हो। उन्होंने पाया कि उत्तर पूरी तरह से इस बात पर निर्भर करता है कि सिस्टम को कौन सी जानकारी उपयोग करने की अनुमति है। यदि सिस्टम ठीक जानता है कि प्रत्येक व्यक्ति प्रत्येक स्थिति को कितना महत्व देता है, तो वह सर्वोत्तम संभव गुणवत्ता वाली रैंकिंग बना सकता है, जिससे 3 का इष्टतम विरूपण (optimal distortion) प्राप्त होता है। यदि सिस्टम को मूल्यों का ज्ञान नहीं है लेकिन वह यह जानता है कि सभी लोग एक ही साझा पैमाने (shared scale) का पालन करते हैं, तो भी वह बहुत अच्छा प्रदर्शन कर सकता है, जहाँ परिणाम की गुणवत्ता इस बात पर निर्भर करती है कि वह साझा पैमाना कितना भिन्न है।

सबसे कठिन स्थिति तब उत्पन्न होती है जब सिस्टम को भार (weights) के बारे में कुछ भी पता नहीं होता, और प्रत्येक व्यक्ति का अपना अनूठा, गुप्त पैमाना होता है। इस मामले में, शोधकर्ताओं ने सिद्ध किया कि चाहे मतदान नियम कितना भी चतुर क्यों न हो, रैंकिंग की गुणवत्ता अनिवार्य रूप से घट जाएगी। उन्होंने दिखाया कि परिणाम में त्रुटि (error) रैंक किए जा रहे उम्मीदवारों की संख्या के साथ रैखिक रूप से (linearly) बढ़ती है। सरल शब्दों में, यदि आप एक छोटे समूह की रैंकिंग कर रहे हैं, तो सिस्टम एक अच्छा काम कर सकता है, लेकिन यदि आप बड़ी संख्या में उम्मीदवारों की रैंकिंग कर रहे हैं, तो यह जानकारी कि लोग विशिष्ट स्थानों के महत्व को कैसे देखते हैं, एक अच्छा परिणाम सुनिश्चित करना असंभव बना देती है। यह खोज एक मौलिक सीमा को उजागर करती है: बिना यह जाने कि मतदाता विभिन्न स्थानों को कितना महत्व देते हैं, बड़े समूहों के लिए एक पूर्ण रैंकिंग पाना पहुँच से बाहर है।

शोधकर्ताओं ने अपनी धारणाओं का परीक्षण करने के लिए रैंकिंग बनाने के लिए एक चरण-दर-चरण विधि बनाई। कल्पना करें कि एक सूची को एक समय में एक स्थान भरकर बनाया जा रहा है, सबसे ऊपर से शुरू करते हुए। प्रत्येक चरण में, सिस्टम वर्तमान प्राथमिकताओं के आधार पर उस विशिष्ट स्थिति के लिए सबसे अच्छा उपलब्ध उम्मीदवार चुनता है। उन्होंने पाया कि यदि सिस्टम को भार (weights) का पता है, तो यह सरल चरण-दर-चरण दृष्टिकोण इष्टतम रूप से काम करता है, जिससे 3 का सर्वोत्तम संभव विरूपण प्राप्त होता है। उन्होंने प्रत्येक चरण में विजेता चुनने के लिए एक विशिष्ट, परिष्कृत पद्धति का उपयोग किया, जिसने उन्हें यह सिद्ध करने की अनुमति दी कि अंतिम सूची उतनी ही अच्छी होगी जितनी कि सैद्धांतिक रूप से सर्वोत्तम सूची हो सकती है। यह एक महत्वपूर्ण खोज थी क्योंकि इसने दिखाया कि एक पूर्ण सूची बनाने के लिए केवल एक एकल विजेता चुनने की तुलना में गुणवत्ता का त्याग करने की आवश्यकता नहीं है, बशर्ते सिस्टम के पास सही जानकारी हो।

जब भार छिपे हुए होते हैं लेकिन सभी के लिए समान होते हैं, तो शोधकर्ताओं ने पाया कि वही चरण-दर-चरण पद्धति अभी भी काम करती है, लेकिन परिणाम की गुणवत्ता साझा पैमाने के आकार के आधार पर बदल जाती है। यदि हर कोई प्रत्येक स्थिति को लगभग समान महत्व देता है, तो सिस्टम 1 के विरूपण के साथ कार्य करता है, जिसका अर्थ है कि परिणाम इष्टतम सामाजिक कल्याण (social welfare) के साथ पूरी तरह से संरेखित है। यदि हर कोई केवल शीर्ष स्थान को महत्व देता है, तो सिस्टम ठीक उतना ही अच्छा प्रदर्शन करता है जितना कि एकल विजेता चुनने के समय। इसका प्रदर्शन इन दोनों चरम सीमाओं के बीच सुचारू रूप से चलता है। शोधकर्ताओं ने इस प्रदर्शन के लिए एक सटीक सूत्र प्रदान किया, जो दिखाता है कि समूह के मूल्यों में भिन्नता अंतिम परिणाम को कैसे प्रभावित करती है।

हालाँकि, कहानी पूरी तरह से बदल जाती है जब भार छिपे हुए होते हैं और प्रत्येक व्यक्ति के लिए अलग होते हैं। शोधकर्ताओं ने प्रदर्शित किया कि इस अराजक वातावरण में, सिस्टम गुणवत्ता में महत्वपूर्ण गिरावट से बच नहीं सकता है। उन्होंने ऐसे विशिष्ट उदाहरण बनाए जहाँ सर्वोत्तम संभव रैंकिंग उस किसी भी मतदान नियम से कहीं बेहतर थी जो भार जाने बिना उत्पन्न किया जा सकता था। उन्होंने सिद्ध किया कि सर्वोत्तम संभव परिणाम और वास्तविक परिणाम के बीच का अंतर सीधे उम्मीदवारों की संख्या के साथ बढ़ता है। दस उम्मीदवारों के लिए त्रुटि कम है; सौ उम्मीदवारों के लिए, त्रुटि बहुत बड़ी है। यह परिणाम इस आशा को खारिज करता है कि कोई चतुर एल्गोरिदम बिना अधिक जानकारी के इस समस्या को ठीक कर सकता है। यह एक कठोर सीमा स्थापित करता है: एक बड़ी समूह के लिए उच्च-गुणवत्ता वाली रैंकिंग प्राप्त करने के लिए, आपको या तो यह जानना होगा कि लोग स्थानों को कितना महत्व देते हैं या यह स्वीकार करना होगा कि परिणाम अपूर्ण होगा।

अध्ययन ने यह भी देखा कि लोग अपने मूल्यों को सामान्य (normalize) करने के दो अलग-अलग तरीके अपनाते हैं। एक परिदृश्य में, हर कोई पूरी सूची में एक निश्चित मात्रा में कुल मूल्य वितरित करता है, जैसे कि सभी स्थितियों के बीच एक डॉलर को विभाजित करना। दूसरे में, हर कोई शीर्ष स्थान को एक निश्चित मान (एक) देता है, चाहे वे शेष भाग को कितना भी महत्व दें। शोधकर्ताओं ने पाया कि इन दोनों यथार्थवादी परिदृश्यों में, छिपे हुए, भिन्न भारों की समस्या समान रैखिक त्रुटि वृद्धि की ओर ले जाती है। चाहे मतदाता अपने आंतरिक पैमानों को कैसे भी व्यवस्थित करें, यदि वे अलग-अलग हैं और सिस्टम उन्हें देख नहीं सकता, तो रैंकिंग की गुणवत्ता सूची लंबी होने के साथ घट जाएगी। यह अनुशंसा प्रणालियों (recommendation systems) या भर्ती समितियों के डिजाइनरों के लिए एक स्पष्ट चेतावनी प्रदान करता है: यदि आप विविध समूह के साथ काम कर रहे हैं जिनकी प्राथमिकताएं अलग-अलग हैं, तो आप एक पूर्ण सूची प्राप्त करने के लिए सरल रैंकिंग विधियों पर भरोसा नहीं कर सकते बिना उनकी प्राथमिकताओं के बारे में अधिक विशिष्ट डेटा एकत्र किए।

अंततः, यह कार्य सीमित जानकारी के साथ हम क्या हासिल कर सकते हैं, इसकी सीमाओं को स्पष्ट करता है। यह दिखाता है कि एक अच्छा सामूहिक निर्णय लेने का मार्ग उपलब्ध जानकारी की संरचना पर बहुत अधिक निर्भर करता है। जब हम भारों को जानते हैं, तो हम 3 का इष्टतम विरूपण प्राप्त कर सकते हैं। जब हम जानते हैं कि भार सभी के लिए समान हैं, तो हम भिन्नता के आधार पर 1 का विरूपण (यदि भार समान हैं) या 1 और एकल-विजेता सीमा के बीच का परिणाम प्राप्त कर सकते हैं। लेकिन जब भार छिपे हुए और अलग-अलग होते हैं, तो हम एक ऐसी दीवार से टकराते हैं जहाँ समूह का आकार ही परिणाम की गुणवत्ता को निर्धारित करता है। शोधकर्ताओं ने केवल एक नया मतदान तरीका प्रस्तावित नहीं किया; उन्होंने संभव के क्या आयाम हैं, उनका मानचित्रण किया, यह दिखाते हुए कि जब जानकारी गायब होती है तो निष्पक्षता और दक्षता के नियम कहाँ टूट जाते हैं। उनके निष्कर्षों ने किसी भी व्यक्ति के लिए एक व्यावहारिक मार्गदर्शिका प्रदान की है जो पूर्ण रैंकिंग में प्राथमिकताओं को एकत्रित करने का प्रयास कर रहा है, और हमें याद दिलाया है कि कार्य की जटिलता शामिल लोगों की विविधता के साथ बढ़ती है।