How Occam's razor guides human decision-making
पूर्व-पंजीकृत व्यवहार संबंधी प्रयोग प्रदर्शित करते हैं कि मानव निर्णय लेना औपचारिक सांख्यिकीय मॉडल चयन सिद्धांतों के अनुरूप है, क्योंकि वे ओवरफिटिंग से बचने के लिए अनिश्चित डेटा हेतु सरल स्पष्टीकरणों को व्यवस्थित रूप से प्राथमिकता देते हैं, एक ऐसी प्रवृत्ति जो प्रतिकूल होने पर भी बनी रहती है और मनुष्यों को कुछ कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क्स) से अलग करती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
दैनिक जीवन की अव्यवस्थित वास्तविकता में, हमें जो कुछ भी दिखाई देता है उसे समझाने के लिए प्रतिस्पर्धी कहानियों के बीच चयन करने के लिए निरंतर मजबूर किया जाता है। जब एक कार शुरू नहीं होती, तो हम मृत बैटरी, एक दोषपूर्ण अल्टरनेटर, या इंजन में किसी भूत को दोष दे सकते हैं। हमारे मस्तिष्क को इन संभावनाओं के माध्यम से छंटनी करनी पड़ती है, जो अक्सर बहुत कम जानकारी के साथ होती है, ताकि यह तय किया जा सके कि कौन सा स्पष्टीकरण सबसे अधिक संभावित रूप से सत्य है। सदियों से, दार्शनिकों और वैज्ञानिकों ने इस प्रक्रिया के लिए एक मार्गदर्शक नियम प्रस्तावित किया है, जिसे 'ओकाम का रेज़र' (Occam's razor) के रूप में जाना जाता है। यह सिद्धांत सुझाव देता है कि जब दो स्पष्टीकरण तथ्यों को समान रूप से सटीक रूप से समझाते हैं, तो सरल वाला विकल्प आमतौर पर बेहतर होता है। यह एक मानसिक शॉर्टकट है जो उस कहानी का पक्ष लेता है जिसमें कम गतिशील भाग, कम धारणाएं और त्रुटि की कम गुंजाइश हो। लेकिन हालांकि यह विचार विचारकों का लंबे समय से पसंदीदा रहा है, यह स्पष्ट नहीं रहा है कि क्या मानव मस्तिष्क वास्तव में उसी सटीक, गणितीय तरीके से इसका उपयोग करता है जैसा कि सिद्धांत भविष्यवाणी करता है, या हम केवल उन चीजों के प्रति एक अस्पष्ट प्राथमिकता रखते हैं जो कम जटिल महसूस होती हैं।
शोधकर्ताओं की एक टीम ने अब इस प्रश्न को दर्शन के क्षेत्र से प्रयोगशाला में स्थानांतरित कर दिया है, जिसका उपयोग यह मापने के लिए किया गया है कि लोग सरलता को सटीकता के विरुद्ध ठीक कैसे तौलते हैं। उन्होंने पाया कि मानव निर्णय लेने की प्रक्रिया वास्तव में ओकाम के रेज़र के एक विशिष्ट, मात्रात्मक रूप का पालन करती है। शोर युक्त, अनिश्चित डेटा का सामना करते समय, लोग स्वाभाविक रूप से सरल स्पष्टीकरण को पसंद करते हैं, न कि केवल इसलिए कि यह सही महसूस होता है, बल्कि इसलिए क्योंकि उनका मस्तिष्क एक जटिल सांख्यिकीय गणना करने का कार्य करता है जो रैंडम चांस (यादृच्छिक संयोग) से धोखा खाने से बचने के लिए एक कहानी के सभी संभावित संस्करणों का औसत निकालता है। सरलता के प्रति यह प्राथमिकता इतनी गहरी जमी हुई है कि यह तब भी बनी रहती है जब लोगों को स्पष्ट रूप से इसे अनदेखा करने और केवल सबसे सटीक फिट पर ध्यान केंद्रित करने के लिए कहा जाता है। एक आश्चर्यजनक विरोधाभास में, कंप्यूटर प्रोग्राम जो समान समस्याओं को हल करने के लिए प्रशिक्षित किए गए थे, उन्होंने इस सरलता पूर्वाग्रह को केवल तभी अपनाया जब उन्हें विशेष रूप से इसके लिए प्रोग्राम किया गया था, जिससे यह संकेत मिलता है कि सरल स्पष्टीकरणों को पसंद करने की मानवीय प्रवृत्ति हमारी संज्ञानात्मक प्रक्रिया का एक मौलिक लक्षण है, न कि केवल एक सीखी गई रणनीति।
शोधकर्ताओं ने एक विजुअल गेम बनाकर इसका परीक्षण करने के लिए हाथ बढ़ाया जहाँ प्रतिभागियों को जासूस के रूप में कार्य करना था। कंप्यूटर स्क्रीन पर, दस लाल बिंदुओं का एक बादल एक केंद्रीय बिंदु के आसपास कुछ हद तक यादृच्छिक रूप से बिखरा हुआ दिखाई दिया। ये बिंदु दो छिपे हुए आकारों में से एक द्वारा उत्पन्न किए गए थे, या तो एक सीधी रेखा या एक घुमावदार चाप (arc), जो डेटा के "स्रोत" के रूप में कार्य करते थे। प्रतिभागियों का काम यह अनुमान लगाना था कि किस आकार ने बिंदुओं को उत्पन्न किया। आकार काले रंग के बनाए गए थे और बिंदु लाल थे, जिससे एक स्पष्ट दृश्य पहेली बनी। कार्य को वैज्ञानिक रूप से कठोर बनाने के लिए, शोधकर्ताओं ने खेल के चार अलग-अलग संस्करण डिजाइन किए। प्रत्येक संस्करण में, उन्होंने दो आकारों के बीच इस तरह मुकाबला कराया जिससे जटिलता की एक विशिष्ट गणितीय विशेषता को अलग किया जा सके। एक संस्करण ने एक एकल बिंदु बनाम एक लंबी रेखा की तुलना की, जो यह परीक्षण करता है कि लोग चरों (variables) की संख्या को कैसे संभालते हैं। दूसरा संस्करण अलग-अलग लंबाई की दो रेखाओं की तुलना करता था, जो उस संभावित क्षेत्र के आकार का परीक्षण करता था जिसे आकार कवर कर सकता है। तीसरा संस्करण डेटा के सापेक्ष आकार की स्थिति को देखता था, और चौथा संस्करण यह जांचता था कि आकार डेटा से कितनी दूर मुड़ता है।
इन प्रयोगों में, शोधकर्ता प्रत्येक परीक्षण के लिए गणितीय रूप से पूर्ण उत्तर की गणना कर सकते थे। एक आदर्श पर्यवेक्षक, बेयसियन सांख्यिकी (Bayesian statistics) के सख्त नियमों का पालन करते हुए, केवल बिंदुओं के सबसे करीब वाले आकार को ही नहीं खोजेगा। इसके बजाय, यह आदर्श पर्यवेक्षक हर उस संभावित स्थिति पर विचार करेगा जो आकार ले सकता था और उनका औसत निकालेगा। यह प्रक्रिया उन आकारों को स्वाभाविक रूप से दंडित करती है जो बहुत अधिक लचीले या बहुत बड़े होते हैं, क्योंकि वे अपनी "व्याख्यात्मक शक्ति" को स्क्रीन पर बहुत अधिक फैला देते हैं, जिससे विशिष्ट बिंदुओं के वास्तविक स्रोत होने की उनकी संभावना कम हो जाती है। शोधकर्ताओं ने भविष्यवाणी की कि यदि मनुष्य इस प्रकार के सांख्यिकीय तर्क का उपयोग कर रहे हैं, तो उनके विकल्प जटिल आकारों से हटकर सरल आकारों की ओर स्थानांतरित हो जाएंगे, भले ही जटिल आकार तकनीकी रूप से बिंदुओं के अधिक करीब हों।
परिणामों ने पुष्टि की कि मनुष्य वास्तव में ऐसा ही करते हैं। जब डेटा संदिग्ध था, जिसका अर्थ था कि बिंदु दोनों आकारों से लगभग समान दूरी पर थे, प्रतिभागियों ने लगातार सरल विकल्प को चुना। लेकिन अध्ययन इससे आगे बढ़कर केवल यह दिखाने तक सीमित नहीं रहा कि एक सामान्य प्राथमिकता है; इसने उच्च सटीकता के साथ उस प्राथमिकता की ताकत को मापा। हजारों विकल्पों का विश्लेषण करके, 200 से अधिक प्रतिभागियों के माध्यम से, टीम ने पाया कि लोग आकारों की चार विशिष्ट ज्यामितीय विशेषताओं के प्रति संवेदनशील थे: उनकी विमा (dimensionality - उनके पास कितने पैरामीटर हैं), उनकी सीमाएं (boundaries - वे कहाँ समाप्त होते हैं), उनका आयतन (volume - वे कितना स्थान घेरते हैं), और उनकी मजबूती (robustness - वे कैसे मुड़ते हैं)। प्रतिभागियों के चुनाव मात्रात्मक रूप से मॉडल की भविष्यवाणियों के अनुरूप थे। वे केवल अस्पष्ट रूप से "सरल" चीजों को पसंद नहीं कर रहे थे; वे इन विशिष्ट ज्यामितीय कारकों को इस तरह से तौल रहे थे जो सभी संभावित कारणों को एकीकृत करने के सैद्धांतिक आदर्श के करीब था।
यह समझने के लिए कि क्या यह एक सीखा हुआ व्यवहार था या कुछ अधिक मौलिक, शोधकर्ताओं ने मानव प्रतिभागियों की तुलना कृत्रिम तंत्रिका नेटवर्क (artificial neural networks) से की, जो मस्तिष्क की नकल करने के लिए डिज़ाइन किया गया एक प्रकार का कंप्यूटर प्रोग्राम है। उन्होंने इन नेटवर्कों को उन्हीं बिंदु-और-आकार की पहेलियों को हल करने के लिए प्रशिक्षित किया। जब नेटवर्कों को गणितीय रूप से पूर्ण "जेनरेटिव" समाधान खोजने के लिए प्रशिक्षित किया गया—जिसके लिए सरलता पूर्वाग्रह का उपयोग करना आवश्यक है—तो उन्होंने इसे सीखा और मनुष्यों से बेहतर प्रदर्शन किया। हालांकि, जब शोधकर्ताओं ने निर्देश बदल दिए और नेटवर्कों को "मैक्सिमम लाइकलीहुड" (maximum likelihood) समाधान खोजने के लिए कहा—जिसका अर्थ है कि उन्हें बस बिंदुओं के सबसे करीब वाले आकार को चुनना चाहिए, जटिलता को अनदेखा करना चाहिए—तो नेटवर्क तुरंत अनुकूलित हो गए। उन्होंने सरलता के प्रति कोई प्राथमिकता दिखाना बंद कर दिया और नए कार्य पर पूर्ण रूप से प्रदर्शन किया।
हालांकि, मानव प्रतिभागी इतनी आसानी से नहीं बदले। यहाँ तक कि जब उन्हें जटिलता को अनदेखा करने और केवल निकटतम आकार चुनने के निर्देश दिए गए, तब भी वे सरल विकल्पों को पसंद करते रहे। उनका मस्तिष्क सभी संभावनाओं को एकीकृत करने वाले तंत्र को बंद करने में असमर्थ प्रतीत होता है। यह सुझाव देता है कि सरलता को पसंद करना एक लचीली रणनीति नहीं है जिसे हम स्मार्ट होने के लिए अपनाते हैं, बल्कि यह सूचना को संसाधित करने का एक मूल हिस्सा है। हम स्वाभाविक रूप से उन कई तरीकों का औसत निकालते हैं जिनसे एक कहानी सच हो सकती है, जो हमें शोर (noise) के आधार पर अति-अनुकूलन (overfitting) से बचाता है, जबकि मशीनें केवल तभी ऐसा करती हैं जब हम स्पष्ट रूप से उनमें यह क्षमता निर्मित करते हैं।
अध्ययन ने यह भी खुलासा किया कि हालांकि मनुष्य उल्लेखनीय रूप से सक्षम हैं, लेकिन वे पूर्ण नहीं हैं। उन लोगों के बीच कि वे सरलता के नियमों को कितनी मजबूती से लागू करते हैं, व्यक्तिगत अंतरों की एक विस्तृत श्रृंखला थी। कुछ प्रतिभागी गणितीय आदर्श के बहुत करीब थे, जबकि अन्य कुछ विशेषताओं, जैसे आकार के आकार या उसके वक्रता (curvature) के प्रति कम संवेदनशील थे। दिलचस्प बात यह है कि जो लोग आदर्श से दूर थे, वे अधिक गलतियाँ करते थे, जिससे पता चलता है कि एक शोर भरी दुनिया में सटीक निर्णय लेने के लिए इस आंतरिक "सरलता फिल्टर" को ट्यून करना महत्वपूर्ण है। शोधकर्ताओं ने नोट किया कि लोग विभिन्न विशेषताओं को अलग-अलग तरीके से तौलते प्रतीत होते थे, शायद इसलिए क्योंकि कुछ को कंप्यूट करना दूसरों की तुलना में आसान होता है। उदाहरण के लिए, किसी आकार में चरों की संख्या गिनना, आकार द्वारा घेरे गए कुल स्थान के आयतन की गणना करने की तुलना में मस्तिष्क के लिए सरल हो सकता है, जिससे नियम को लागू करने में एक स्वाभाविक असंतुलन पैदा होता है।
अंततः, यह कार्य मानव विचार की छिपी हुई मशीनरी की एक दुर्लभ, मात्रात्मक झलक प्रदान करता है। यह दिखाता है कि हमारा मस्तिष्क केवल पैटर्न-मैचिंग मशीन नहीं है जो निकटतम फिट की तलाश करती है। इसके बजाय, वे परिष्कृत सांख्यिकीविद् की तरह कार्य करते हैं जो लगातार पूछते हैं, "यह और कितने तरीकों से हो सकता था?" और उत्तर का उपयोग अपने निर्णयों का मार्गदर्शन करने के लिए करते हैं। सभी संभावित स्पष्टीकरणों को एकीकृत करके, हम इस जाल में फंसने से बचते हैं कि एक जटिल, लचीली कहानी सिर्फ इसलिए सच है क्योंकि वह संयोग से वर्तमान डेटा के अनुकूल बैठती है। यह अध्ययन पुष्टि करता है कि ओकाम का रेज़र केवल एक दार्शनिक सुझाव नहीं है कि हमें कैसे सोचना चाहिए, बल्कि यह इस बात का विवरण है कि हम वास्तव में कैसे सोचते हैं, जो मानव संज्ञान का एक अंतर्निर्मित लक्षण है जो हमें अनिश्चितता और शोर से भरी दुनिया में नेविगेट करने में मदद करता है।
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।