Different representation learning objectives recover distinct latent structures from the same psychometric data

कक्षा के शांत कोनों में, एक शिक्षक का दैनिक अनुभव और एक बच्चे का व्यवहार गहराई से एक-दूसरे से जुड़े होते हैं। हम जानते हैं कि एक शिक्षक की कल्याण की भावना, उनके कौशल में उनका आत्मविश्वास, और उनके द्वारा निर्मित भावनात्मक वातावरण यह आकार दे सकता है कि बच्चे कैसे व्यवहार करते हैं और सीखते हैं। दशकों से, वैज्ञानिकों ने शिक्षकों और बच्चों को उनकी भावनाओं और कार्यों के बारे में लंबी सूचियों को भरने के लिए कहकर इस संबंध का अध्ययन किया है। पारंपरिक रूप से, शोधकर्ताओं ने इन सैकड़ों व्यक्तिगत उत्तरों को लिया है, उन्हें कुछ सारांशित अंकों (summary scores) में जोड़ा है, और फिर उन अंकों के बीच पैटर्न की तलाश की है। यह विधि काम तो करती है, लेकिन यह मानती है कि सबसे महत्वपूर्ण कहानी औसत (averages) में छिपी होती है। यह एक बच्चे के मूड या एक शिक्षक के तनाव के बारे में एक एकल प्रश्न की विस्तृत, जटिल वास्तविकता को उस अंतिम संख्या के रूप में कम महत्वपूर्ण मानती है जिसे वह बनाने में मदद करता है।

हाल ही में, मानव व्यवहार के अध्ययन में एक नया दृष्टिकोण उभरा है, जो कच्चे, व्यक्तिगत उत्तरों को सीधे देखने के लिए शक्तिशाली कंप्यूटर प्रणालियों का उपयोग करता है। ये प्रणालियाँ, जिन्हें अक्सर 'रिप्रजेंटेशन लर्निंग' (representation learning) कहा जाता है, बिना यह बताए कि उन्हें पहले क्या खोजना है, उच्च-आयामी डेटा (high-dimensional data) में छिपे हुए पैटर्न खोजने की कोशिश करती हैं। वे हजारों विशिष्ट विवरणों को एक सरल मानचित्र में संकुचित कर सकती हैं जहाँ समान चीजें एक-दूसरे के करीब स्थित होती हैं। इन उपकरणों का उपयोग करने वाले वैज्ञानिकों के मन में एक स्वाभाविक प्रश्न उठता है: यदि आप एक ही सेट के प्रश्नावली उत्तरों को विभिन्न कंप्यूटर प्रणालियों में डालते हैं, तो क्या वे सभी एक ही छिपा हुआ मानचित्र खोजते हैं? या क्या कंप्यूटर का विशिष्ट लक्ष्य उस मानचित्र को बदल देता है जिसे वह खींचता है? यह प्रश्न महत्वपूर्ण है क्योंकि यदि कंप्यूटर का लक्ष्य मानचित्र को बदल देता है, तो डेटा में जो "सत्य" हमें मिलता है, वह उस उपकरण पर अधिक निर्भर हो सकता है जिसका हम उपयोग कर रहे हैं, न कि उन लोगों पर जिनका हम अध्ययन कर रहे हैं।

शोधकर्ताओं की एक टीम ने साइप्रस में एक बड़े प्रीस्कूल अध्ययन के डेटा का उपयोग करके इस प्रश्न का उत्तर देने का प्रयास किया। उनके पास 757 मेल खाते शिक्षक-बच्चे के जोड़े थे, जहाँ प्रत्येक शिक्षक ने अपने कल्याण और नौकरी के बारे में 139 प्रश्न भरे थे, और प्रत्येक बच्चे का 82 प्रश्नों पर मूल्यांकन किया गया था। शोधकर्ता यह देखना चाहते थे कि क्या वे इन जुड़े हुए प्रश्नावली का उपयोग एक साझा मानचित्र बनाने के लिए कर सकते हैं जहाँ एक शिक्षक और उनका विशिष्ट बच्चा एक-दूसरे के करीब दिखाई दे। साथ ही, वे यह भी देखना चाहते थे कि क्या यह मानचित्र स्वाभाविक रूप से उन बच्चों को भी समूहीकृत करेगा जिनके व्यवहार संबंधी प्रोफाइल समान हैं, जैसे कि वे जो अत्यधिक अनुकूल (adaptable) हैं बनाम वे जो संघर्ष कर रहे हैं।

शुरुआत करने के लिए, शोधकर्ताओं ने पहले एक मानक, सुस्थापित विधि का उपयोग करके एक "व्यवहार संबंधी मानचित्र" (behavioral map) कैसा दिखता है, यह स्थापित किया। उन्होंने बच्चों के 82 व्यवहार संबंधी प्रश्नों को लिया और मुख्य पैटर्न खोजने के लिए 'प्रिंसिपल कंपोनेंट एनालिसिस' (principal component analysis) नामक तकनीक का उपयोग किया। इस प्रक्रिया ने बच्चों के चार स्पष्ट समूह प्रकट किए। एक समूह ने उच्च स्तर की अनुकूल कार्यक्षमता (adaptive functioning) दिखाई, जिसका अर्थ है कि वे सामाजिक स्थितियों को अच्छी तरह से संभालते हैं। एक अन्य समूह मध्यम रूप से अनुकूल था, तीसरा समूह कुछ भेद्यता (vulnerability) दिखाता था, और चौथा समूह उच्च व्यवहार संबंधी जोखिमों का सामना कर रहा था। ये समूह स्पष्ट और अलग थे; उच्च-जोखिम वाले समूह के बच्चे व्यवहार पैमाने पर उच्च-कार्यक्षमता वाले समूह की तुलना में बहुत अलग स्कोर करते थे। इसने पुष्टि की कि डेटा में बच्चों के व्यवहार के संबंध में एक मजबूत, प्राकृतिक संरचना मौजूद थी।

इसके बाद, शोधकर्ताओं ने एक ऐसा मानचित्र बनाने की कोशिश की जो शिक्षकों को उनके विशिष्ट बच्चों से जोड़ सके। उन्होंने 'कॉन्ट्रास्टिव लर्निंग' (contrastive learning) नामक एक आधुनिक कंप्यूटर लर्निंग पद्धति का उपयोग किया। कल्पना कीजिए कि एक प्रणाली को बताया जाता है, "यहाँ एक शिक्षक है और यहाँ उनका बच्चा है; उनके डिजिटल फिंगरप्रिंट्स को बहुत समान बनाओ। यहाँ एक शिक्षक है और एक बच्चा है जो एक-दूसरे को नहीं जानते; उनके फिंगरप्रिंट्स को बहुत अलग बनाओ।" कंप्यूटर ने इस लक्ष्य को प्राप्त करने के लिए अपने आंतरिक मानचित्र को समायोजित करना सीखा। परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने कंप्यूटर से किसी दिए गए शिक्षक के लिए सही बच्चे को खोजने के लिए कहा, तो यह मानक विधि की तुलना में बहुत बेहतर तरीके से सफल रहा। मानक विधि के साथ, कंप्यूटर केवल 0.13% बार सही बच्चे का अनुमान लगा सका। नई कॉन्ट्रास्टिव लर्निंग पद्धति के साथ, इसने पहली बार में ही 7.27% बार सही बच्चे को पहचाना, और शीर्ष दस अनुमानों के भीतर 56.14% बार सफल रहा। इसने सिद्ध कर दिया कि कंप्यूटर एक विशिष्ट शिक्षक और उनके विशिष्ट छात्र के बीच के अनूठे संबंध को सफलतापूर्वक सीख सकता है।

हालाँकि, एक आश्चर्यजनक समस्या तब सामने आई जब शोधकर्ताओं ने इस नए मानचित्र के भीतर बच्चों के व्यवहार संबंधी समूहों को देखा। जबकि कंप्यूटर शिक्षकों को बच्चों से मिलाने में उत्कृष्ट था, वह बच्चों को उनके व्यवहार के आधार पर समूहीकृत करने में बहुत खराब था। पहले पाए गए चार स्पष्ट व्यवहार संबंधी समूह लगभग गायब हो गए थे। अत्यधिक अनुकूल बच्चे पूरे मानचित्र पर बिखरे हुए थे, जो उच्च जोखिम वाले बच्चों के साथ मिल गए थे। कंप्यूटर ने शिक्षक-बच्चे के संबंध को इतनी अच्छी तरह से सीख लिया था कि इसने बच्चों के व्यवहार संबंधी प्रकारों के बीच के अंतर को लगभग मिटा दिया था। मानचित्र संबंधों के लिए अनुकूलित (optimized) था, व्यक्तित्व के लिए नहीं।

यह परीक्षण करने के लिए कि क्या यह एक मौलिक समझौता (trade-off) था, शोधकर्ताओं ने एक तीसरी पद्धति का प्रयास किया। उन्होंने एक ऐसी प्रणाली बनाई जिसके पास दो काम एक साथ थे: उसे शिक्षकों को बच्चों से मिलाना था, और साथ ही उसे बच्चे के व्यवहार संबंधी समूह की भविष्यवाणी भी करनी थी। उन्हें उम्मीद थी कि यह कंप्यूटर को दोनों प्रकार की जानकारी बनाए रखने के लिए मजबूर करेगा। परिणाम एक समझौता था। सिस्टम व्यवहार संबंधी समूहों को फिर से एक साथ रखने में बहुत बेहतर हो गया, जिससे समूह स्पष्ट और अलग हो गए। लेकिन इस सुधार की एक कीमत चुकानी पड़ी। सिस्टम की अपने विशिष्ट शिक्षक-बच्चे को मिलाने की क्षमता नाटकीय रूप से गिर गई, जो वापस मानक विधि के स्तरों के समान हो गई।

अध्ययन यह निष्कर्ष निकालता है कि इस डेटा का कोई एक, एकल, पूर्ण मानचित्र नहीं है। कंप्यूटर जो छिपा हुआ ढांचा पाता है, वह पूरी तरह से इस बात पर निर्भर करता है कि उसे क्या खोजने के लिए कहा गया है। यदि लक्ष्य एक शिक्षक और एक बच्चे के बीच संबंध खोजना है, तो कंप्यूटर एक ऐसा मानचित्र पाता है जो उन संबंधों से भरा होता है लेकिन व्यवहार संबंधी समूहों को खो देता है। यदि लक्ष्य व्यवहार संबंधी समूह खोजना है, तो वह उन्हें पाता है लेकिन विशिष्ट शिक्षक-बच्चे के लिंक खो देता है। शोधकर्ता सुझाव देते हैं कि शिक्षक-बच्चा पत्राचार (correspondance) और व्यवहार संबंधी फेनोटाइप (phenotypes) एक ही डेटा के भीतर मौजूद दो अलग-अलग प्रकार के संगठन हैं। दोनों में से कोई भी दूसरे से अधिक "वास्तविक" नहीं है, लेकिन एक एकल कंप्यूटर मॉडल दोनों को समान रूप से कैप्चर नहीं कर सकता है। यह निष्कर्ष एक चेतावनी के रूप में कार्य करता है कि जब हम मानव व्यवहार का अध्ययन करने के लिए उन्नत उपकरणों का उपयोग करते हैं, तो हमें जो उत्तर मिलते हैं, वे उस प्रश्न से आकार लेते हैं जो हम मशीन से पूछते हैं। डेटा केवल पढ़ने के लिए वहां पड़ा नहीं है; यह अलग-अलग सत्य प्रकट करता है, यह इस पर निर्भर करता है कि हम इसे देखने के लिए किस लेंस का उपयोग करते हैं।