Collecting health narratives at scale: A multi-study evaluation of speech-to-text in health surveys

मानव beings अक्सर अपने स्वास्थ्य के बारे में ऐसी कहानियाँ संजोए रखते हैं जिन्हें संख्याएँ और चेकलिस्ट नहीं पकड़ सकतीं। जबकि डॉक्टर और शोधकर्ता लक्षणों और स्थितियों को ट्रैक करने के लिए मानकीकृत प्रश्नों पर भरोसा करते हैं, ये कठोर प्रारूप किसी व्यक्ति के वास्तविक अनुभव की बनावट को चूक सकते हैं। एक रोगी अपने दर्द का वर्णन कैसे करता है, वे अपने दैनिक संघर्षों के बारे में कौन से अप्रत्याशित विवरण साझा करते हैं, और वे अपने लक्षणों को अपने जीवन से किस अनूठे तरीके से जोड़ते हैं, इसकी सूक्ष्मता खुले-अंत वाले वृत्तांतों (stories) में मौजूद होती है। फिर भी, बड़े समूहों से इन आख्यानों को एकत्र करना ऐतिहासिक रूप से एक धीमी और महंगी प्रक्रिया रही है, जिसमें आमतौर पर एक शोधकर्ता को प्रत्येक व्यक्ति का व्यक्तिगत रूप से साक्षात्कार करने के लिए बैठना पड़ता है। यह सीमा जनसंख्या स्वास्थ्य की हमारी समझ में एक अंतर छोड़ देती है, क्योंकि सबसे विस्तृत विवरण अक्सर अनकहे रह जाते हैं क्योंकि उन्हें बड़े पैमाने पर एकत्र करना बहुत कठिन होता है।

शोधकर्ताओं की एक टीम ने यह देखने के लिए हाथ आजमाया कि क्या आधुनिक तकनीक ऑनलाइन सर्वेक्षणों में स्पीच-टू-टेक्स्ट (speech-to-text) उपकरणों का उपयोग करके इस अंतर को पाट सकती है। वे यह जानना चाहते थे कि क्या लोग टाइप करने के बजाय माइक्रोफ़ोन में अपने उत्तर बोलने के इच्छुक होंगे, और क्या ऐसा करने से वास्तव में अधिक समृद्ध और विस्तृत कहानियाँ प्राप्त होंगी। इसका परीक्षण करने के लिए, उन्होंने चार बहुत अलग समूहों के प्रतिभागियों को आमंत्रित किया: पोस्ट-कोविड-19 स्थिति के साथ रह रहे लोग, स्वस्थ वयस्क, यौन कार्य में संलग्न व्यक्ति, और वृद्ध वयस्क। प्रत्येक सर्वेक्षण में, शोधकर्ताओं ने लोगों को एक विकल्प दिया। वे कीबोर्ड पर टाइप करके खुले-अंत वाले प्रश्नों के उत्तर दे सकते थे, या वे स्पीच-टू-टेक्स्ट सुविधा का उपयोग करके अपने उत्तर ज़ोर से बोल सकते थे, जिसे कंप्यूटर फिर लिखित शब्दों में ट्रांसक्राइब (transcribe) कर देगा।

परिणामों ने दिखाया कि बोलने से प्रतिक्रियाओं की प्रकृति मापने योग्य तरीकों से बदल गई। जब लोगों ने बोलने का विकल्प चुना, तो उनके उत्तर काफी लंबे थे। दो अध्ययनों में, बोले गए उत्तरों में टाइप किए गए उत्तरों की तुलना में सैकड़ों अधिक वर्ण (characters) थे, जिसमें एक समूह में प्रति उत्तर लगभग नौ सौ वर्णों की वृद्धि देखी गई। बोले गए शब्दों में अधिक अद्वितीय विषयगत शब्द (content words)—वे विशिष्ट संज्ञाएं और क्रियाएं जो एक कहानी के मूल अर्थ को वहन करती हैं—शामिल थे, जो यह सुझाव देते हैं कि बोलने से लोगों को अधिक विशिष्ट विचार साझा करने की अनुमति मिली। हालाँकि, बोले गए उत्तर पूरी तरह से परिष्कृत नहीं थे; उनमें 'फिलर वर्ड्स' (filler words) का अनुपात अधिक था और टाइप किए गए उत्तरों की तुलना में शब्दों के प्रकारों में थोड़ी कम विविधता देखी गई। यह इंगित करता है कि जहाँ भाषण (speech) ने अधिक मात्रा और विशिष्ट विवरणों को अनलॉक किया, वहीं इसने बातचीत के स्वाभाविक, बिना संपादित प्रवाह को भी पेश किया।

हालाँकि, तकनीक को अपनाने की दर सभी समूहों में एक समान नहीं थी। टाइप करने के बजाय बोलने का चयन करने की दर नाटकीय रूप से भिन्न थी, जो कुछ समूहों में एक प्रतिशत से भी कम से लेकर अन्य समूहों में अस्सी प्रतिशत तक थी। यह बड़ा अंतर बताता है कि बोलने का निर्णय गहरा व्यक्तिगत है और विशिष्ट स्थिति से अत्यधिक प्रभावित होता है। जिन्होंने टूल का उपयोग किया, उन्होंने आम तौर पर इसकी सुविधा और इसके द्वारा प्रदान की जाने वाली सहजता के लिए इसकी प्रशंसा की, और उल्लेख किया कि टाइप करने के बजाय बस बात करना आसान लगा। फिर भी, कई अन्य लोग गोपनीयता संबंधी चिंताओं, सार्वजनिक स्थानों पर बोलने की झिझक, या बस टाइपिंग के दौरान मिलने वाले नियंत्रण के प्रति अपनी पसंद के कारण हिचकिचाते रहे।

अध्ययन यह निष्कर्ष निकालता है कि स्पीच-टू-टेक्स्ट बड़ी आबादी से समृद्ध स्वास्थ्य आख्यान एकत्र करने के लिए एक व्यवहार्य उपकरण है, लेकिन यह एक 'वन-साइज-फिट्स-ऑल' (एक ही समाधान सबके लिए) समाधान नहीं है। यह तकनीक तब सबसे अच्छा काम करती है जब इसका कार्यान्वयन अध्ययन किए जा रहे विशिष्ट समूह और उस वातावरण के अनुसार सावधानीपूर्वक तैयार किया गया हो जिसमें वे उत्तर दे रहे हैं। कुछ लोगों के लिए, बोलना उनके जीवन की अधिक कहानियाँ साझा करने का द्वार खोलता है; दूसरों के लिए, संदर्भ और सहजता की बाधाएं अभी भी बहुत ऊँची हैं। आगे का मार्ग इन अंतरों को समझने और ऐसे सर्वेक्षणों को डिजाइन करने में निहित है जो लोगों के अद्वितीय अनुभवों और प्राथमिकताओं का सम्मान करते हों।