Mood impacts confidence through biased learning of reward likelihood
यह शोध पत्र कम्प्यूटेशनल मॉडलिंग और दो स्वतंत्र अध्ययनों के माध्यम से यह प्रदर्शित करता है कि मनोदशा संबंधी विकार (mood disturbances) आत्म-विश्वास को सीधे बदलकर नहीं, बल्कि रिवॉर्ड-आधारित निर्णय लेने की प्रक्रिया में रिवॉर्ड लर्निंग सिग्नल्स के क्रमिक संचय (gradual accumulation) को विकृत करके आत्मविश्वास को प्रभावित करते हैं, एक ऐसी प्रक्रिया जो उच्च हाइपोमेनिक लक्षणों वाले व्यक्तियों में और अधिक बढ़ जाती 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
कल्पना कीजिए कि आपका मस्तिष्क एक स्मार्ट नेविगेशन ऐप की तरह है जो आपके गंतव्य (आपके लक्ष्यों) तक पहुँचने का सबसे अच्छा रास्ता खोजने की कोशिश कर रहा है। यह ऐप ट्रैफ़िक रिपोर्ट (पुरस्कारों) से लगातार सीखता है ताकि आपको बता सके कि आपके सफल होने की कितनी संभावना है। आमतौर पर, यह वास्तविक डेटा के आधार पर अपने मानचित्र को अपडेट करता है।
लेकिन क्या होता है जब आपका मूड (मनोदशा) उस मानचित्र पर एक ग्लिच वाले फिल्टर की तरह काम करने लगता है?
यह शोध पत्र ठीक इसी बात की पड़ताल करता है। शोधकर्ता यह समझना चाहते थे कि हमारी अपनी क्षमताओं में विश्वास क्यों अचानक से ऊपर-नीचे होता रहता है जब हम उदास या उत्साहित महसूस कर रहे होते हैं, भले ही हमारे वास्तविक कौशल में कोई बदलाव न आया हो। उन्होंने दो मुख्य सिद्धांतों का परीक्षण किया:
- "डायरेक्ट ओवरराइड" सिद्धांत: मूड एक मैनुअल बटन की तरह काम करता है जो ऐप को तुरंत मजबूर कर देता है कि "आप सफल होंगे!" या "आप विफल होंगे!", चाहे वास्तविक ट्रैफ़िक डेटा कुछ भी कहे।
- "डिस्टॉर्टेड डेटा" (विकृत डेटा) सिद्धांत: मूड सीधे अंतिम उत्तर को नहीं बदलता; इसके बजाय, यह जैसे-जैसे ट्रैफ़िक रिपोर्ट आती है, उन्हें मरोड़ देता है। ऐप को लगता है कि डेटा वास्तव में जो है उससे अलग है, इसलिए यह धीरे-धीरे इस बारे में गलत निष्कर्ष बनाता है कि सफलता की कितनी संभावना है।
उन्होंने इसका परीक्षण कैसे किया:
शोधकर्ताओं ने दो अध्ययन किए (एक लैब में और एक ऑनलाइन) जहाँ उन्होंने लोगों के मूड को बदला और फिर उन्हें एक खेल खेलने के लिए कहा जहाँ उन्हें अनुमान लगाना था कि कौन से विकल्प पुरस्कार दिलाएंगे। हर अनुमान के बाद, खिलाड़ियों को अपनी आत्मविश्वास की दर बताने के लिए कहा गया।
उन्हें क्या पता चला:
"डायरेक्ट ओवरराइड" सिद्धांत गलत साबित हुआ। मूड ने आत्मविश्वास पर तुरंत स्विच नहीं पलटा। इसके बजाय, "डिस्टॉर्टेड डेटा" सिद्धांत विजेता रहा।
यहाँ मुख्य खोज है:
- धीमी गति (The Slow Burn): जब लोगों के मूड में बदलाव किया गया, तो उनका आत्मविश्वास तुरंत नहीं बदला। इसमें समय लगा। जैसे-जैसे वे खेल खेलते रहे और सीखते रहे, उनका आत्मविश्वास धीरे-धीरे उनके मूड की दिशा में बढ़ने लगा।
- मशीन में भूत (The Ghost in the Machine): मूड हेरफेर रुकने के बाद भी, और लोगों के "सामान्य" महसूस करने के बाद भी, वह आत्मविश्वास जो उन्होंने उस "ग्लिच वाले" मूड के दौरान बनाया था, बना रहा। ऐसा लग रहा था जैसे मूड ने गुप्त रूप से उनके दिमाग में खेल के इतिहास को ही फिर से लिख दिया हो।
- आवर्धक लेंस (The Magnifying Glass): अध्ययन में पाया गया कि जिन लोगों का मूड स्वाभाविक रूप से अधिक अस्थिर होता है (विशेष रूप से वे जिनमें "हाइपोमैनिक लक्षण" अधिक होते हैं), वे इस ग्लिच के प्रति अधिक संवेदनशील थे। उनके नेविगेशन ऐप्स मूड फिल्टर द्वारा अधिक आसानी से विकृत हो जाते थे।
निष्कर्ष:
शोध पत्र यह निष्कर्ष निकालता है कि जब हम एक निश्चित तरीके से महसूस करते हैं, तो यह केवल हमें अधिक या कम आत्मविश्वासी महसूस नहीं कराता है। बल्कि, हमारा मूड वास्तव में हमारे अनुभवों से सीखने के तरीके को पक्षपाती (bias) बना देता है। यह सफलता या विफलता के "साक्ष्य" को संसाधित करने के तरीके को बदल देता है। समय के साथ, यह विकृत लर्निंग (सीखना) आत्मविश्वास (या आत्मविश्वास की कमी) का एक झूठा अहसास पैदा करती है जो बहुत वास्तविक लगता है, भले ही वास्तविक तथ्य न बदले हों।
इसे गाड़ी चलाना सीखते समय रंगीन चश्मे पहनने जैसा समझें। आप केवल यह महसूस नहीं कर रहे हैं कि आप एक बुरे ड्राइवर हैं; चश्मे वास्तव में सड़क के संकेतों को अलग दिखा रहे हैं, जिससे आप उस तरह से गाड़ी चलाना सीखते हैं जैसे आप स्पष्ट चश्मे पहनकर सीखते।
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।