Optimising supervised machine learning algorithms predicting cigarette cravings and lapses for a smoking cessation just-in-time adaptive intervention (JITAI)
इस अध्ययन में यह पाया गया कि हालांकि मशीन लर्निंग मॉडल धूम्रपान के लैप्स (lapse) के जोखिमों का पता लगा सकते हैं, लेकिन उनका मध्यम समग्र प्रदर्शन और उच्च अंतर-व्यक्तिगत परिवर्तनशीलता यह सुझाव देती है कि मूल्यांकन की आवृत्ति को कम करना या भविष्यवाणियों को सरल बनाना लगातार परिणामों में सुधार नहीं करता है, जो यह संकेत देता है कि ऐसे एल्गोरिदमों का उपयोग जस्ट-इन-टाइम एडेप्टिव इंटरवेंशन के लिए स्टैंडअलोन समाधानों के बजाय नियम-आधारित दृष्टिकोणों के संयोजन में किया जाना सबसे अच्छा 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 आप अपने एक दोस्त को धूम्रपान छोड़ने में मदद करने की कोशिश कर रहे हैं। आप जानते हैं कि सबसे कठिन हिस्सा शारीरिक लत नहीं है, बल्कि अचानक से उठने वाली वह तीव्र इच्छा है जो बिना किसी पूर्व सूचना के आती है—जैसे जब वे तनाव में हों, बोर हो रहे हों, या दोस्तों के साथ बैठे हों।
यह अध्ययन एक डिजिटल सुरक्षा जाल (digital safety net) प्रयोग की तरह है। शोधकर्ता एक स्मार्ट फोन ऐप बनाना चाहते थे जो बिल्कुल सटीक रूप से भविष्यवाणी कर सके कि ये "खतरे के क्षेत्र" (लालसा या चूक) कब होने वाले हैं, ताकि वे व्यक्ति को सिगरेट जलाने से रोकने के लिए ठीक समय पर एक मददगार संदेश भेज सके।
लेकिन, इसमें एक पेंच है: यदि ऐप आपके दोस्त से बहुत अधिक सवाल पूछता है (जैसे "आप कैसा महसूस कर रहे हैं?" हर घंटे), तो वे परेशान हो जाएंगे और ऐप का उपयोग करना बंद कर देंगे। लेकिन यदि यह बहुत कम सवाल पूछता है, तो ऐप इतना "बेवकूफ" हो जाएगा कि वह भविष्यवाणी नहीं कर पाएगा।
शोधकर्ताओं ने इस "स्मार्ट प्रेडिक्टर" को बनाने के विभिन्न तरीकों का परीक्षण किया ताकि मददगार होने और परेशान न करने के बीच सही संतुलन बनाया जा सके। उन्होंने इसे इस प्रकार किया, कुछ सरल उपमाओं (analogies) का उपयोग करके:
1. "मौसम के पूर्वानुमान" की उपमा (परिणाम की भविष्यवाणी करना)
शोधकर्ताओं ने दो चीजों की भविष्यवाणी करने की कोशिश की:
- "चूक" (The Lapse): क्या आपके दोस्त ने वास्तव में सिगरेट पी? (यह भविष्यवाणी करने जैसा है कि क्या बारिश होगी)।
- "लालसा" (The Craving): क्या आपके दोस्त को धूम्रपान करने की तीव्र इच्छा हुई, भले ही उन्होंने ऐसा न किया हो? (यह भविष्यवाणी करने जैसा है कि क्या आसमान तूफानी दिख रहा है)।
निष्कर्ष: यह भविष्यवाणी करना कि बारिश होगी (एक चूक), लालसा (एक क्रेविंग) की भविष्यवाणी करने की तुलना में बहुत आसान था। लालसाएँ मूड स्विंग्स की तरह होती हैं—वे बहुत तेजी से बदलती हैं और बहुत व्यक्तिगत होती हैं, जिन्हें कंप्यूटर पूरी तरह से नहीं भांप सकता।
2. "कैमरा फ्रीक्वेंसी" की उपमा (कितनी बार सवाल पूछना है)
टीम ने अलग-अलग गति से सवाल पूछने का परीक्षण किया:
- उच्च गति (High Speed): दिन में 16 बार पूछना (प्रत्येक जागते हुए घंटे में)।
- कम गति (Low Speed): दिन में केवल 3 बार पूछना।
आश्चर्यजनक बात: आप सोच सकते हैं कि अधिक सवाल पूछने से कंप्यूटर अधिक स्मार्ट हो जाता है। लेकिन वास्तविक चूक (लैप्स) की भविष्यवाणी करने के लिए, कम सवाल पूछना वास्तव में बेहतर काम करता था!
- क्यों? कल्पना कीजिए कि आप भीड़ भरे कमरे में चोर को पहचानने की कोशिश कर रहे हैं। यदि आप हर सेकंड एक फोटो लेते हैं, तो आपको केवल हलचल का धुंधलापन मिलेगा। यदि आप हर कुछ मिनटों में एक फोटो लेते हैं, तो आपको स्पष्ट रूप से दिखेगा कि वास्तव में कौन हिल रहा है।
- हालांकि, लालसाओं के लिए, कम सवाल पूछने से ऐप कम समझदार हो गया। एक क्षणिक भावना जैसे कि लालसा को पकड़ने के लिए आपको बार-बार अपडेट की आवश्यकता होती है।
3. "पर्सनल ट्रेनर" की उपमा (व्यक्तिगत डेटा का उपयोग करना)
शोधकर्ताओं ने दो प्रकार के "ट्रेनरों" का परीक्षण किया:
- ग्रुप ट्रेनर (The Group Trainer): एक कोच जो 37 लोगों के डेटा के आधार पर जानता है कि सभी के लिए क्या काम करता है।
- पर्सनल ट्रेनर (The Personal Trainer): एक कोच जो भविष्यवाणी करने से पहले, आपके दोस्त की विशिष्ट आदतों को सीखने के लिए शुरुआती कुछ दिनों तक केवल उन्हें देखता है।
निष्कर्ष:
- चूक (Lapses) की भविष्यवाणी करने के लिए, "पर्सनल ट्रेनर" (आपके दोस्त के अपने डेटा का उपयोग करके) उन विशिष्ट क्षणों को पकड़ने में थोड़ा बेहतर था जब वे चूक गए थे।
- लालसा (Cravings) की भविष्यवाणी करने के लिए, "पर्सनल ट्रेनर" वास्तव में और भी खराब प्रदर्शन करता था। ऐसा लगता है कि केवल कुछ दिनों के डेटा से किसी व्यक्ति की विशिष्ट आदतों को सीखने की कोशिश ने एल्गोरिदम को भ्रमित कर दिया। "ग्रुप ट्रेनर" (सामान्य नियम) वास्तव में अधिक विश्वसनीय था।
4. "बैकपैक" की उपमा (कितने वेरिएबल्स की जांच करनी है)
ऐप 34 अलग-अलग चीजों (मूड, स्थान, समय, दर्द का स्तर, आदि) की जांच कर सकता था। शोधकर्ताओं ने पूछा: "क्या हमें अपने बैकपैक में ये सभी 34 सामान रखने चाहिए, या हम केवल शीर्ष 15 चीजें रख सकते हैं?"
निष्कर्ष: वे अधिकांश भारी सामान फेंक सकते थे! एल्गोरिदम ने केवल कुछ प्रमुख सवालों (जैसे "क्या आप तनाव में हैं?" या "क्या आपके पास सिगरेट पास में है?") के साथ लगभग वैसा ही प्रदर्शन किया जैसा कि पूरी सूची के साथ किया था। यह एक अच्छी खबर है क्योंकि इसका मतलब है कि ऐप बहुत सरल और कम कष्टदायक हो सकता है।
निचोड़: यह आपके लिए क्या मायने रखता है?
अध्ययन से पता चला है कि जबकि कंप्यूटर धूम्रपान की चूक की भविष्यवाणी करने में बेहतर हो रहे हैं, वे अभी तक पूर्ण "क्रिस्टल बॉल" (भवि счет बताने वाला गोला) नहीं बने हैं।
- अच्छी खबर: हम एक सरल ऐप बना सकते हैं जो कम सवाल पूछता है (दिन में 3 से 5 बार) और फिर भी अधिकांश "चूक" के क्षणों को पकड़ लेता है।
- बुरी खबर: ऐप एकदम सटीक नहीं है। यह कभी-कभी तब चेतावनी भेजेगा जब आप खतरे में नहीं होंगे (गलत अलार्म), या जब आप खतरे में होंगे तब इसे मिस कर देगा।
- समाधान: केवल कंप्यूटर पर भरोसा न करें। सबसे अच्छा दृष्टिकोण एक हाइब्रिड (मिश्रित) है: सामान्य नियमों के आधार पर "हेड अप" (चेतावनी) देने के लिए कंप्यूटर का उपयोग करें, लेकिन इसे मानवीय बुद्धिमत्ता और सरल नियमों (जैसे "यदि आप तनाव महसूस कर रहे हैं, तो टहलने जाएं") के साथ जोड़ें।
संक्षेप में: शोधकर्ताओं ने एक तरीका खोजा जिससे एक "स्मार्ट सुरक्षा जाल" बनाया जा सके जो बहुत भारी न हो, लेकिन वे चेतावनी देते हैं कि इस पर 100% भरोसा न करें। यह एक सहायक उपकरण है, लेकिन इसे निर्देशित करने के लिए एक मानवीय हाथ की आवश्यकता होती 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।