Food insecurity, caloric intake and nutritional status among children under 5 years old: a predictive modelling analysis of the MAL-ED multi-country cohort
MAL-ED बहु-देशीय कोहोर्ट के डेटा का पुन: विश्लेषण करने वाले इस अध्ययन ने पाया कि सांख्यिकीय मॉडल खाद्य असुरक्षा के आधार पर बच्चों की पोषण संबंधी स्थिति या कैलोरी सेवन में परिवर्तनों की सटीक भविष्यवाणी करने में विफल रहे, जो यह सुझाव देता है कि माप त्रुटियों और संकटपूर्ण स्थितियों की तुलना में डेटा की सीमित परिवर्तनशीलता के कारण ऐसे पूर्वानुमान संभव नहीं हैं।
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
एक बड़ा सवाल: क्या हम भूखे बच्चों के भविष्य का अनुमान लगा सकते हैं?
कल्पना कीजिए कि आप एक संकट क्षेत्र में मानवीय सहायता कर्मी (humanitarian aid worker) हैं। आपको यह जानने की ज़रूरत है कि क्या बच्चे कुपोषण का शिकार होने वाले हैं (कम वजन या कमज़ोर होना), ताकि आप बहुत देर होने से पहले भोजन भेज सकें।
आमतौर पर, यह जानने के लिए, आपको बाहर जाना पड़ता है, हर बच्चे को मापना पड़ता है, और उनके माता-पिता से ठीक से पूछना पड़ता है कि उन्होंने कल क्या खाया था। लेकिन युद्ध क्षेत्रों या आपदा क्षेत्रों में, यह अक्सर असंभव होता है। आप गाँवों तक नहीं पहुँच सकते, या वहाँ जाना बहुत खतरनाक हो सकता है।
इसलिए, शोधकर्ताओं ने एक सरल प्रश्न पूछा: क्या हम एक कंप्यूटर मॉडल का उपयोग करके एक बच्चे के पोषण संबंधी भविष्य का "अनुमान" लगा सकते हैं?
वे दो चीजें जानना चाहते थे:
- क्या बच्चे का वजन बदलेगा? (इस आधार पर कि परिवार कितना भूखा है)।
- एक बच्चा कितना भोजन कर रहा है? (इस आधार पर कि परिवार कितना भूखा है)।
उन्हें उम्मीद थी कि यदि कंप्यूटर पैटर्न सीख जाता है, तो सहायता कर्मी केवल एक "खाद्य असुरक्षा" (food insecurity) स्कोर देखकर तुरंत जान पाएंगे कि बच्चे बीमार होने वाले हैं या नहीं, बिना हर एक बच्चे को मापे।
प्रयोग: कंप्यूटरों के लिए एक "प्रशिक्षण स्कूल"
इसका परीक्षण करने के लिए, शोधकर्ताओं ने नया डेटा नहीं बनाया। इसके बजाय, वे एक बहुत ही उच्च गुणवत्ता वाले, विस्तृत अध्ययन MAL-ED पर वापस गए। इस अध्ययन ने आठ अलग-अलग देशों (जैसे बांग्लादेश, पेरू और तंजानिया) में जन्म से लेकर 5 वर्ष की आयु तक हजारों बच्चों का पीछा किया।
MAL-ED अध्ययन को एक पूरी तरह से व्यवस्थित प्रशिक्षण स्कूल के रूप में समझें। इसके शिक्षक (शोधकर्ता) बहुत सख्त थे। उन्होंने हर महीने बच्चों का वजन मापा, माता-पिता से पूछा कि बच्चों ने पिछले 24 घंटों में क्या खाया, और हर बार ट्रैक किया कि बच्चों को बुखार या दस्त कब हुआ।
शोधकर्ताओं ने इस "परफेक्ट" डेटा का उपयोग किया और चार अलग-अलग प्रकार के कंप्यूटर "छात्रों" (सांख्यिकीय मॉडल) को भविष्यवाणियां करने के लिए प्रशिक्षित करने की कोशिश की। उन्होंने इस "स्कूल" के डेटा का उपयोग करके उन्हें सिखाया, और फिर यह परीक्षण किया कि क्या छात्र नए, अनदेखे डेटा पर सही उत्तरों का अनुमान लगा सकते हैं।
तीन अनुमान लगाने वाले खेल
शोधकर्ताओं ने खेलने के लिए तीन विशिष्ट खेल निर्धारित किए:
- खेल 1 (भूख से वजन का अनुमान): "यदि कोई परिवार कहता है कि वह खाद्य असुरक्षा (भोजन की चिंता) का सामना कर रहा है, तो क्या हम भविष्यवाणी कर सकते हैं कि बच्चे का वजन कम होगा?"
- खेल 2 (भोजन से वजन का अनुमान): "यदि हमें पता है कि एक बच्चे ने वास्तव में कितनी कैलोरी ली है, तो क्या हम भविष्यवाणी कर सकते हैं कि उसका वजन कम होगा?"
- खेल 3 (भूख से भोजन का अनुमान): "यदि कोई परिवार खाद्य असुरक्षित है, तो क्या हम सटीक रूप से अनुमान लगा सकते हैं कि बच्चे ने कितनी कैलोरी ली?"
परिणाम: कंप्यूटर चकरा गए
परिणाम निराशाजनक थे। कंप्यूटर मॉडल अनुमान लगाने में बहुत खराब थे।
"धुंधली फोटो" का प्रभाव: पेपर में इसे "रिग्रेशन डाइल्यूशन" (regression dilution) के रूप में वर्णित किया गया है। कल्पना कीजिए कि आप एक तेज़ चलती कार की फोटो लेने की कोशिश कर रहे हैं, लेकिन कैमरा हिल रहा है। फोटो धुंधली आती है। आप देख सकते हैं कि कार वहां है, लेकिन आप यह नहीं बता सकते कि वह ठीक कहाँ है या कितनी तेज़ जा रही है।
- इस अध्ययन में, "धुंधलापन" इस तथ्य से आया कि मानवीय माप कभी भी पूर्ण नहीं होते। माता-पिता से पूछना कि "क्या आपको भोजन की चिंता थी?" या "आपके बच्चे ने कितना खाया?" व्यक्तिपरक है और त्रुटियों के प्रति संवेदनशील है।
- क्योंकि इनपुट डेटा "धुंधला" था, इसलिए कंप्यूटर की भविष्यवाणियां भी धुंधली थीं। मॉडल "खाद्य असुरक्षा" और "वजन घटने" के बीच एक सीधी रेखा नहीं खींच सके।
"कमजोर संकेत" की समस्या: शोधकर्ताओं ने पाया कि जिन देशों का उन्होंने अध्ययन किया, वहां "भोजन की चिंता करने" और "बच्चे के वजन घटने" के बीच का संबंध आश्चर्यजनक रूप रूप से कमजोर था।
- उपमा: एक घर की कल्पना करें जिसकी छत टपक रही है। आप उम्मीद करेंगे कि फर्श तुरंत गीला हो जाएगा। लेकिन इन परिवारों में, "फर्श" (बच्चे का वजन) गीला नहीं हुआ, भले ही "छत" (खाद्य सुरक्षा) टपक रही थी। क्यों? क्योंकि परिवारों के पास अन्य तरीके (जैसे बच्चों को खिलाने के लिए वयस्कों का कम खाना या बचत का उपयोग करना) भी होते हैं। कंप्यूटर मॉडल इन छिपे हुए सामंजस्य तंत्रों (coping mechanisms) को नहीं देख सका।
"एक ही आकार सबके लिए" की विफलता: भले ही उन्होंने कंप्यूटर को किसी एक विशिष्ट देश (जैसे केवल पेरू या केवल भारत) के लिए प्रशिक्षित करने की कोशिश की, फिर भी वह सटीक भविष्यवाणी करने में विफल रहा।
यह क्यों विफल हुआ? (धुंधलेपन के पीछे का "क्यों")
पेपर कुछ कारण सुझाता है कि कंप्यूटर यह काम क्यों नहीं कर सके:
- डेटा बहुत "सुरक्षित" था: MAL-ED अध्ययन स्थिर समुदायों में किया गया था, न कि किसी युद्ध या बड़े अकाल के बीच में। यह एक पार्किंग लॉट में गाड़ी चलाकर रेस कार चलाने का हुनर सीखने जैसा है। वे "चरम" स्थितियां जहाँ खाद्य असुरक्षा तत्काल भुखमरी की ओर ले जाती है, डेटा में मौजूद नहीं थीं, इसलिए मॉडलों ने यह कभी नहीं सीखा कि वास्तविक संकट में क्या देखना है।
- मापन त्रुटियाँ: भोजन के सेवन को मापने के उपकरण (माता-पिता से यह पूछना कि उन्होंने कल क्या खाया) notoriously (कुख्यात रूप से) गलत होते हैं। यह केवल देखकर आटे की थैली के सटीक वजन का अनुमान लगाने जैसा है। कंप्यूटर ने वास्तविक संकेत के बजाय "शोर" (यादृच्छिक त्रुटियों) में पैटर्न खोजने की कोशिश की।
- बहुत सारे चर (Variables): बच्चे का वजन केवल भोजन के बारे में नहीं है। यह इस बारे में भी है कि उसे बुखार है या नहीं, स्तनपान चल रहा है या नहीं, उसे दस्त हैं या नहीं, और उसकी उम्र क्या है। कंप्यूटर ने इन सभी गेंदों को संभालने की कोशिश की, लेकिन "भोजन" वाली गेंद बहुत छोटी और धुंधली थी जिससे भविष्यवाणी में कोई खास अंतर नहीं पड़ा।
मुख्य निष्कर्ष
पेपर निष्कर्ष निकालता है कि आप केवल एक सांख्यिकीय शॉर्टकट का उपयोग करके बाल कुपोषण की भविष्यवाणी नहीं कर सकते।
- इसका अर्थ यह है: आप एक सर्वेक्षण ले सकते हैं जो कहता है कि "50% परिवार खाद्य असुरक्षित हैं" और उसे एक सूत्र में डालकर अगले महीने कितने बच्चे कुपोषित होंगे, इसका एक विश्वसनीय नंबर प्राप्त कर सकते हैं।
- वास्तविकता की जाँच: कंप्यूटर मॉडल इसलिए विफल रहे क्योंकि वास्तविक दुनिया एक सरल समीकरण के लिए बहुत जटिल और अव्यवस्थित है। "भोजन की चिंता करने" और "बच्चे के बीमार होने" के बीच का संबंध एक सीधी रेखा नहीं है; यह सामंजस्य रणनीतियों, बीमारियों और मापन त्रुटियों का एक उलझा हुआ जाल है।
सीख: यदि आप संकट में बच्चों के कुपोषण के बारे में जानना चाहते हैं, तो आपको अभी भी बाहर जाकर उन्हें मापना होगा। आप केवल खाद्य असुरक्षा डेटा के आधार पर एक कंप्यूटर मॉडल का उपयोग करके इसका अनुमान नहीं लगा सकते। "शॉर्टकट" काम नहीं 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।