← नवीनतम पेपर
💰 परिमाणात्मक वित्त

Experimentally Validated Digital Twins: Evaluating Workforce Training Programs in the Age of Big Data

यह शोधपत्र प्रदर्शित करता है कि बड़े पैमाने के प्रशासनिक डेटा पर प्रशिक्षित मशीन लर्निंग मॉडल "प्रायोगिक रूप से मान्य डिजिटल ट्विन्स" का निर्माण कर सकते हैं ताकि कार्यबल प्रशिक्षण कार्यक्रमों के प्रभावों का सटीक अनुमान लगाया जा सके, जिससे रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) के तुलनीय त्रुटि दर प्राप्त होती है और साथ ही स्थानों एवं समय के अनुसार कार्यक्रम की प्रभावशीलता में महत्वपूर्ण विविधताओं का भी पता चलता है।

मूल लेखक: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

प्रकाशित 2026-11-04
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

दशकों से, यह जानने के लिए कि क्या कोई कार्यक्रम वास्तव में काम करता है, 'रैंडमाइज्ड कंट्रोल्ड ट्रायल' (यादृच्छिक नियंत्रित परीक्षण) को स्वर्ण मानक माना जाता रहा है। इस दृष्टिकोण में, शोधकर्ता लोगों का एक समूह लेते हैं, यह तय करने के लिए कि किसे नई सेवा मिलेगी और किसे नहीं, एक सिक्का उछालते हैं, और फिर परिणामों की तुलना करते हैं। चूंकि असाइनमेंट रैंडम (यादृच्छिक) है, इसलिए किसी भी परिणाम के अंतर का श्रेय आत्मविश्वास के साथ स्वयं उस कार्यक्रम को दिया जा सकता है, न कि इस तथ्य को कि वे लोग जो इसमें शामिल हुए थे, वे पहले से ही अधिक प्रेरित थे या उनके पास बेहतर नौकरियां थीं। यह पद्धति आधुनिक नीति का आधार बन गई है, जो शिक्षा से लेकर नौकरी प्रशिक्षण तक हर निर्णय का मार्गदर्शन करती है। हालांकि, इन परीक्षणों को चलाना महंगा, धीमा और अक्सर हर मौजूदा कार्यक्रम के लिए करना असंभव होता है। परिणामस्वरूप, कई कार्यक्रम अपने मूल्य के कठोर प्रमाण के बिना संचालित होते हैं, जिससे नीति निर्माताओं को यह अनुमान लगाने के लिए मजबूर होना पड़ता है कि उनके निवेश मदद कर रहे हैं या नुकसान पहुँचा रहे हैं।

पारंपरिक रूप से विकल्प यह था कि अवलोकन संबंधी डेटा (ऑब्जर्वेशनल डेटा) को देखा जाए, जिसमें उन लोगों की तुलना की जाती है जिन्होंने स्वेच्छा से जुड़ने का निर्णय लिया और उन लोगों की जो नहीं जुड़े। लेकिन इतिहास ने दिखाया है कि यह एक खतरनाक रास्ता रहा है। क्योंकि जो लोग शामिल होने का चुनाव करते हैं, वे अक्सर उन लोगों से अलग होते हैं जो दूर रहते हैं—जैसे कि उनकी प्रेरणा या पारिवारिक समर्थन—जिसके कारण सरल तुलनाएं भ्रामक परिणाम दे सकती हैं। वर्षों तक, आम सहमति यह थी कि बिना रैंडमाइज्ड ट्रायल के, आप आंकड़ों पर भरोसा नहीं कर सकते। हालांकि, यह शोध पत्र डेटा के इस विशाल युग में उस निष्कर्ष पर पुनर्विचार करता है। शोधकर्ताओं ने एक सरल प्रश्न पूछा: यदि हमारे पास प्रत्येक अमेरिकी वयस्क का संपूर्ण कार्य और कर इतिहास उपलब्ध हो, और शक्तिशाली कंप्यूटर मॉडल का साथ हो, तो क्या हम एक व्यक्ति का एक आभासी संस्करण बना सकते हैं जो इतना सटीक हो कि वह बिल्कुल एक रैंडमाइज्ड कंट्रोल ग्रुप की तरह कार्य करे?

हार्वर्ड और 'अपॉर्चुनिटी इनसाइट्स' संस्था के अर्थशास्त्रियों के नेतृत्व वाली टीम ने कार्यबल प्रशिक्षण कार्यक्रमों के विशिष्ट मामले का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने एक विशाल डेटासेट एकत्र किया जिसमें 327 मिलियन अमेरिकियों के कर रिकॉर्ड शामिल थे, जो 1999 से 2025 तक उनकी कमाई को ट्रैक करता था। उन्होंने इन रिकॉर्डों को विभिन्न नौकरी प्रशिक्षण कार्यक्रमों में भाग लेने वाले 1,00,000 से अधिक लोगों की जानकारी से जोड़ा। अतीत में किए जाने वाले छोटे सर्वेक्षणों की तरह प्रत्येक प्रतिभागी के लिए एक सटीक मिलान खोजने के बजाय, उन्होंने एक परिष्कृत भविष्यवाणी मॉडल बनाने के लिए मशीन लर्निंग का उपयोग किया। इस मॉडल ने पूरी आबादी से सीखकर यह भविष्यवाणी करना सीखा कि यदि उन्होंने कभी प्रशिक्षण नहीं लिया होता, तो उनकी आय क्या होती। शोधकर्ताओं ने इन भविष्यवाणियों को "डिजिटल ट्विन्स" (डिजिटल जुड़वां) कहा—सांख्यिकीय रूप से वे प्रतिनिधि जो प्रतिभागियों के विकल्प के रूप में कार्य करते हैं और दर्शाते हैं कि प्रशिक्षण प्राप्त न करने पर उनके साथ क्या होता।

यह देखने के लिए कि ये डिजिटल ट्विन्स कितने प्रभावी हैं, शोधकर्ताओं को एक बेंचमार्क की आवश्यकता थी। वे 3,700 से अधिक मौजूदा रैंडमाइज्ड ट्रायल्स की ओर मुड़े जो पहले से ही 2000 और 2019 के बीच नौकरी प्रशिक्षण कार्यक्रमों के लिए आयोजित किए गए थे। ये परीक्षण उन वास्तविक, प्रयोगात्मक रूप से सत्यापित उत्तरों को प्रदान करते थे कि प्रतिभागियों ने वास्तव में कितनी कमाई की, जबकि अन्य लोगों को शामिल न होने के लिए रैंडमली चुना गया था। शोधकर्ताओं ने उन्हीं समूहों पर अपनी डिजिटल ट्विन पद्धति लागू की। उन्होंने कंप्यूटर मॉडल से प्रतिभागियों की पिछली कार्य हिस्ट्री, जनसांख्यिकी और उनके रहने के स्थान के आधार पर उनकी आय की भविष्यवाणी करने को कहा, और फिर उन भविष्यवाणियों की वास्तविक परीक्षण परिणामों से तुलना की।

परिणाम चौंकाने वाले थे। डिजिटल ट्विन्स द्वारा की गई भविष्यवाणियां रैंडमाइज्ड ट्रायल्स के परिणामों से उल्लेखनीय सटीकता के साथ मेल खाती थीं। कंप्यूटर के अनुमान और वास्तविक प्रयोगात्मक परिणाम के बीच का अंतर इतना कम था कि वह स्वयं ट्रायल्स में पाए जाने वाले प्राकृतिक सांख्यिकीय शोर (स्टैटिस्टिकल नॉइज़) के बराबर था। वास्तव में, डिजिटल ट्विन के अनुमानों में त्रुटि रैंडमाइज्ड ट्रायल्स में पाई गई त्रुटि से भी थोड़ी कम थी, क्योंकि कंप्यूटर मॉडल के पास सीखने के लिए डेटा का एक बहुत बड़ा पूल उपलब्ध था। शोधकर्ताओं ने पाया कि काम करने का पुराना तरीका, जो छोटे सर्वेक्षणों और सरल गणित पर निर्भर था, दो गुने से अधिक बड़े एरर (त्रुटियों) का उत्पादन करता था। सफलता की कुंजी केवल अधिक डेटा नहीं था, बल्कि लचीले कंप्यूटर मॉडल का उपयोग करना था जो वास्तविक मानव जीवन की जटिलताओं को संभाल सकें, जैसे कि कई वर्षों और विभिन्न उद्योगों में एक व्यक्ति की कमाई को ट्रैक करना।

इस पद्धति के सत्यापन के बाद, शोधकर्ताओं ने इसका उपयोग उन स्थानों और समयों पर नौकरी प्रशिक्षण कार्यक्रमों को देखने के लिए किया जहाँ कभी कोई रैंडमाइज्ड ट्रायल नहीं किया गया था। उन्होंने पाया कि इन कार्यक्रमों की सफलता एक निश्चित संख्या नहीं थी; यह इस बात पर अत्यधिक निर्भर करती थी कि कार्यक्रम कहाँ स्थित था और वह किस वर्ष में आयोजित किया गया था। उदाहरण के लिए, 'ईयर अप यूनाइटेड' नामक एक विशिष्ट कार्यक्रम ने परिणामों की एक विस्तृत श्रृंखला दिखाई। कुछ शहरों और कुछ वर्षों में, इस कार्यक्रम ने प्रतिभागियों की वार्षिक आय में $12,000 से अधिक की वृद्धि की, जबकि अन्य स्थानों या वर्षों में, यह वृद्धि बहुत कम थी। ये अंतर केवल संयोग या रैंडम चांस नहीं थे, जो यह सुझाव देते हैं कि एक कार्यक्रम की प्रभावशीलता स्थानीय स्थितियों और इस बात पर निर्भर करती है कि उसे किसी विशिष्ट समय पर कैसे चलाया जा रहा है।

अध्ययन ने यह भी उजागर किया कि ये कार्यक्रम कैसे काम करते हैं। आय में सबसे बड़ी वृद्धि उन कार्यक्रमों से आई जो केवल कौशल सिखाने से आगे बढ़कर, प्रतिभागियों को इंटर्नशिप और विशिष्ट उच्च-वेतन वाले उद्योगों में सक्रिय रूप से नियुक्त करते थे। शोधकर्ताओं ने पाया कि कार्यक्रम द्वारा लोगों को इन लक्षित क्षेत्रों की नौकरियों में रखने में जितनी अधिक सफलता मिलती थी, आय में वृद्धि उतनी ही अधिक होती थी। इसके अलावा, ये लाभ अस्थायी नहीं थे। जिन प्रतिभागियों ने कार्यक्रम के दो साल बाद आय में बड़ी वृद्धि देखी, उन्होंने दस से पंद्रह साल बाद भी अपने डिजिटल ट्विन्स की तुलना में काफी अधिक कमाया। यह निरंतरता उन 90 प्रतिशत प्रतिभागियों के लिए भी बनी रही जिन्होंने अंततः अपनी शुरुआती नौकरियां छोड़ दी थीं। डेटा बताता है कि ये कार्यक्रम केवल लोगों को वेतन नहीं दिलाते; वे उन्हें एक करियर सीढ़ी पर रखते हैं जो उनके पूरे कामकाजी जीवन में फल देती है, चाहे वे कहीं भी काम करें।

लेखकों का निष्कर्ष है कि जबकि रैंडमाइज्ड ट्रायल्स इन विधियों की सटीकता की जांच करने के लिए एक महत्वपूर्ण उपकरण बने हुए हैं, बिग डेटा के युग ने मूल्यांकन के परिदृश्य को बदल दिया है। अब "डिजिटल ट्विन्स" बनाने का विकल्प मौजूद है जो यह विश्वसनीय, वास्तविक समय के करीब के साक्ष्य प्रदान कर सकते हैं कि क्या कोई कार्यक्रम काम कर रहा है, भले ही औपचारिक प्रयोग का अभाव हो। यह दृष्टिकोण नीति निर्माताओं को यह देखने की अनुमति देता है कि एक कार्यक्रम किसी विशिष्ट शहर या वर्ष में कैसा प्रदर्शन कर रहा है, बजाय इसके कि वे किसी दूसरे स्थान पर वर्षों पहले किए गए ट्रायल के एकल औसत पर निर्भर रहें। निष्कर्षों से पता चलता है कि समृद्ध डेटा और लचीले मॉडलों का उपयोग करके, हम अवलोकन संबंधी डेटा (ऑब्जर्वेशनल डेटा) के भरोसेमंद होने के पुराने विवाद से आगे बढ़ सकते हैं और इसका उपयोग यह समझने के लिए कर सकते हैं कि हस्तक्षेपों की सफलता और विफलता के पीछे के विशिष्ट विवरण क्या 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।

Digest आज़माएँ →