Evidence-Grounded Mapping of Multimodal Human Sensing Psychological Transdiagnostic Dimensions
यह शोध पत्र GLOBEM डेटासेट का उपयोग करते हुए एक क्लिनिशियन-इन-द-लूप बेंचमार्क प्रस्तुत करता है ताकि यह मूल्यांकन किया जा सके कि लार्ज लैंग्वेज मॉडल्स मल्टीमॉडल सेंसिंग डेटा से साक्ष्य-आधारित (evidence-grounded) B-HiTOP प्रोफाइल कितनी अच्छी तरह से उत्पन्न कर सकते हैं, जिसमें यह पाया गया कि जबकि सिमेंटिक एब्स्ट्रैक्शन (semantic abstraction) सेल्फ-रिपोर्ट साक्ष्य को प्रभावी ढंग से व्यवस्थित करता है, यह अप्रत्यक्ष पैसिव व्यवहार संबंधी संकेतों के लिए एक सूचना बाधा (information bottleneck) के रूप में कार्य 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
एक ऐसी दुनिया की कल्पना करें जहाँ आपका फोन और घड़ी चुपचाप आपके दैनिक जीवन को ट्रैक कर सकें—आपकी नींद के पैटर्न, आप कितनी दूर चलते हैं, आप किससे बात करते हैं, और उस क्षण में आप कैसा महसूस करते हैं। वर्षों से, शोधकर्ता इस डेटा के प्रवाह को किसी व्यक्ति के मानसिक स्वास्थ्य की एक स्पष्ट तस्वीर में बदलने की आशा कर रहे हैं, ताकि साधारण चेकलिस्ट से आगे बढ़कर उन जटिल और परस्पर जुड़े तरीकों को समझा जा सके जिनसे लोग संकट का अनुभव करते हैं। यह पूछने के बजाय कि क्या किसी को अवसाद या चिंता जैसी कोई विशिष्ट बीमारी है, एक नया दृष्टिकोण जिसे 'हाइरार्किकल टैक्सोनॉमी ऑफ साइकोपैथोलॉजी' (Hierarchical Taxonomy of Psychopathology) कहा जाता है, मानव अनुभव के व्यापक आयामों को देखने का सुझाव देता है, जैसे कि भावनात्मक अस्थिरता या सामाजिक अलगाव, जो अक्सर विभिन्न स्थितियों में एक साथ दिखाई देते हैं। चुनौती यह थी कि बिना किसी डॉक्टर के वहां बैठे व्याख्या करने के, डिवाइस से प्राप्त कच्चे, मौन संकेतों को इन सार्थक मनोवैज्ञानिक अवधारणाओं में कैसे अनुवादित किया जाए।
इस अध्ययन में, शोधकर्ताओं ने यह परीक्षण करने का लक्ष्य रखा कि क्या आधुनिक कृत्रिम बुद्धिमत्ता (AI) उस व्याख्याकार के रूप में कार्य कर सकती है। उन्होंने एक प्रणाली बनाई यह देखने के लिए कि क्या लार्ज लैंग्वेज मॉडल्स—विशाल मात्रा में टेक्स्ट पर प्रशिक्षित उन्नत कंप्यूटर प्रोग्राम—किसी व्यक्ति के दैनिक डिजिटल पदचिह्नों को देख सकते हैं और उनकी मानसिक स्थिति का एक ऐसा प्रोफाइल तैयार कर सकते हैं जिसे एक मानव चिकित्सक उचित पाएगा। टीम ने GLOBEM नामक एक विशाल डेटासेट का उपयोग किया, जिसमें हजारों लोगों के वर्षों का डेटा शामिल है, जिसमें उनके उपकरणों से प्राप्त पैसिव सेंसर रीडिंग, उनके मूड के बारे में संक्षिप्त दैनिक सर्वेक्षण और उनके समग्र कल्याण के बारे में लंबे प्रश्नावली शामिल हैं। चूंकि मूल डेटासेट में वे विशिष्ट मानसिक स्वास्थ्य स्कोर शामिल नहीं थे जिनकी शोधकर्ताओं को भविष्यवाणी करनी थी, इसलिए वे केवल यह जांच नहीं कर सके कि कंप्यूटर पारंपरिक अर्थों में "सही" था या नहीं। इसके बजाय, उन्होंने एक अलग, अधिक व्यावहारिक प्रश्न पूछा: उपलब्ध साक्ष्यों को देखते हुए, किसी व्यक्ति की मानसिक स्थिति के बारे में कंप्यूटर का अनुमान तार्किक और बचाव योग्य है या नहीं?
इसका उत्तर देने के लिए, शोधकर्ताओं ने प्रतिभागियों के जीवन के लगभग 15,000 दैनिक स्नैपशॉट्स के साथ एक कठोर परीक्षण आधार तैयार किया। उन्होंने कृत्रिम बुद्धिमत्ता को 29 अलग-अलग मानसिक स्वास्थ्य संकेतकों के लिए स्कोर की भविष्यवाणी करने के लिए कहा, जिनमें उदासी की भावना से लेकर आवेग नियंत्रण (impulse control) की समस्याएं तक शामिल हैं। उन्होंने कंप्यूटर द्वारा यह करने के दो अलग-अलग तरीकों का परीक्षण किया। पहले तरीके में, कंप्यूटर सीधे सभी कच्चे डेटा—सेंसर नंबर, सर्वेक्षण उत्तर और प्रश्नावली परिणामों—को देखता है और एक ही बार में प्रत्येक मानसिक स्वास्थ्य संकेतक के लिए एक स्कोर आवंटित करने का प्रयास करता है। दूसरे तरीके में, कंप्यूटर पहले डेटा को एक व्यापक मनोवैज्ञानिक विवरण में सारांशित करता है, जैसे कि किसी व्यक्ति की सामान्य स्थिति का वर्णन करने वाला एक छोटा पैराग्राफ, और फिर उस सारांश का उपयोग करके विशिष्ट स्कोर आवंटित करता है, बिना मूल नंबरों को दोबारा देखे।
परिणामों ने एक आश्चर्यजनक सत्य प्रकट किया कि ये मशीनें जानकारी को कैसे संसाधित करती हैं। जब कंप्यूटर स्वयं-रिपोर्ट किए गए डेटा पर निर्भर था, जैसे कि दैनिक सर्वेक्षण और प्रश्नावली जहाँ लोग स्पष्ट रूप से अपनी भावनाओं का वर्णन करते हैं, तो दो-चरणीय विधि काफी बेहतर काम करती थी। बिखरे हुए सर्वेक्षण उत्तरों को एक सुसंगत कहानी में व्यवस्थित करके, कंप्यूटर विशिष्ट मानसिक स्वास्थ्य लक्षणों के बारे में बहुत अधिक समझदारीपूर्ण भविष्यवाणियां करने में सक्षम था। हालांकि, कहानी पूरी तरह से बदल गई जब कंप्यूटर पैसिव सेंसिंग डेटा पर निर्भर था, जैसे कि कोई व्यक्ति कितना चला या उसने कितनी बार अपने फोन का उपयोग किया। इस मामले में, दो-चरणीय विधि ने कंप्यूटर को और भी खराब बना दिया। जब AI ने कच्चे सेंसर डेटा को एक सामान्य विवरण में सारांशित करने का प्रयास किया, तो ऐसा लगा कि वह उन सूक्ष्म, विशिष्ट विवरणों को खो रहा है जो वास्तव में सटीक निर्णय लेने के लिए आवश्यक थे। कंप्यूटर अत्यधिक सतर्क हो गया, और अक्सर लगभग हर चीज़ के लिए न्यूनतम संभव स्कोर आवंटित करने लगा, प्रभावी रूप से यह कहते हुए कि "कुछ भी गलत नहीं है", जबकि डेटा ने इसके विपरीत संकेत दिए होंगे।
यह निष्कर्ष बताता है कि मानसिक स्वास्थ्य निगरानी के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने का कोई एक सबसे अच्छा तरीका नहीं है। सबसे अच्छा दृष्टिकोण पूरी तरह से इस बात पर निर्भर करता है कि किस प्रकार की जानकारी का उपयोग किया जा रहा है। यदि डेटा लोगों द्वारा यह बताने से आता है कि वे कैसा महसूस करते हैं, तो उस जानकारी को पहले सारांशित करना कंप्यूटर को बड़ी तस्वीर समझने में मदद करता है। लेकिन यदि डेटा व्यवहार को ट्रैक करने वाले शांत सेंसरों से आता है, तो इसे पहले सारांशित करने से वे सटीक विवरण छिन सकते हैं जो वास्तव में मायने रखते हैं, जो एक बाधा (bottleneck) के रूप में कार्य करता है जो कंप्यूटर को पूर्ण वास्तविकता देखने से रोकता है। अध्ययन का निष्कर्ष है कि इन प्रणालियों के वास्तव में उपयोगी होने के लिए, उन्हें विश्लेषण किए जा रहे डेटा की विशिष्ट प्रकृति के अनुरूप डिज़ाइन किया जाना चाहिए, न कि एक 'वन-साइज़-फिट्स-ऑल' रणनीति लागू करनी चाहिए। यह सावधानीपूर्वक संरेखण आवश्यक है यदि हम अपने दैनिक जीवन के शांत संकेतों को हमारे मानसिक कल्याण को समझने में वास्तव में मदद करने वाले उपकरण में बदलना चाहते 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।