A Safety-First Machine Learning Framework for Precision Public Health: Segmenting Vaccine Hesitancy Among Iranian Adults

कल्पना कीजिए कि आप पूरे शहर को एक नए नियम पर सहमत करने की कोशिश कर रहे हैं, जैसे कि एक विशिष्ट प्रकार की टोपी पहनना। यदि आप मेगाफोन से हर किसी पर बिल्कुल एक ही जैसा तेज़ संदेश चिल्लाते हैं, तो कुछ लोग इसे सुनेंगे, लेकिन अन्य लोग इससे परेशान हो सकते हैं, उन्हें लग सकता है कि उनकी स्वतंत्रता को खतरा है, और वे अपनी बात साबित करने के लिए टोपी को उल्टा पहनने का फैसला कर सकते हैं। यह कुछ वैसा ही है जैसा तब होता है जब सार्वजनिक स्वास्थ्य अधिकारी लोगों को वैक्सीन लगवाने के लिए मनाने की कोशिश करते हैं और "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) वाला दृष्टिकोण अपनाते हैं। कभी-कभी, बहुत अधिक दबाव डालने से लोग अपनी ज़िद पर अड़ जाते हैं, जिसे वैज्ञानिक "मनोवैज्ञानिक प्रतिक्रिया" (psychological reactance) कहते हैं।

इसे ठीक करने के लिए, "प्रिसिजन पब्लिक हेल्थ" (सटीक सार्वजनिक स्वास्थ्य) नामक एक क्षेत्र एक मेगाफोन के बजाय एक कुशल दर्जी की तरह काम करने की कोशिश कर रहा है। सभी को एक ही बात चिल्लाकर बताने के बजाय, यह पता लगाने की कोशिश करता है कि कौन पहले से ही वैक्सीन लगवाने के लिए तैयार है, कौन दुविधा में है, और कौन इसके खिलाफ है, ताकि सही व्यक्ति को सही संदेश भेजा जा सके। यह शोध पत्र इस बारे में है कि हम ऐसा करने के लिए कंप्यूटर का उपयोग कैसे कर सकते हैं, विशेष रूप से ईरान के वयस्कों के लिए। यह पूछता है: क्या हम लोगों के रहने की जगह और उनकी उम्र जैसे सरल तथ्यों को देखकर उनके वैक्सीन के प्रति दृष्टिकोण का अनुमान लगा सकते हैं, और क्या हम इसे सुरक्षित रूप से कर सकते हैं ताकि हम अनजाने में गलत लोगों को परेशान न करें?

---

डिजिटल ट्राइएज नर्स

इस अध्ययन में, शोधकर्ताओं की एक टीम ने एक विशेष कंप्यूटर फ्रेमवर्क बनाया है जिसे वैक्सीन के प्रति दृष्टिकोण के लिए "डिजिटल ट्राइएज नर्स" के रूप में कार्य करने के लिए डिज़ाइन किया गया है। वे केवल यह अनुमान नहीं लगाना चाहते थे कि कौन टीका लगवाएगा; वे 457 ईरानी वयस्स्कों को तीन अलग-अलग समूहों में बांटना चाहते थे: स्वीकार करने वाले (जो तैयार हैं), दुविधा में रहने वाले (जो अनिश्चित हैं और जिन्हें बातचीत की आवश्यकता है), और प्रतिरोधी (जो वर्तमान में इसके विरुद्ध हैं)।

इस डेटा को सुरागों के एक सेट के रूप में समझें। लोगों से सीधे यह पूछने के बजाय कि, "क्या आप वैक्सीन से डरते हैं?" (जिससे वे रक्षात्मक हो सकते हैं), कंप्यूटर ने उनकी आयु, उनकी नौकरी और सबसे महत्वपूर्ण रूप से, उनके निवास स्थान के प्रांत जैसे वस्तुनिष्ठ सुरागों को देखा। यह किसी से उनका पसंदीदा आइसक्रीम फ्लेवर सीधे पूछने के बजाय, यह देखकर अनुमान लगाने जैसा है कि वे तटीय शहर में रहते हैं (शायद उन्हें साल्टी कैरामेल पसंद है) बनाम एक पहाड़ी गाँव (शायद वे मिंट चॉकलेट चिप पसंद करते हैं)।

"सुरक्षा-प्रथम" का नियम

यहाँ इस शोध पत्र का सबसे रोमांचक और चतुर हिस्सा है। शोधकर्ता जानते थे कि कंप्यूटर पूर्ण नहीं होते हैं। कभी-कभी, सुराग भ्रमित करने वाले होते हैं, और कंप्यूटर अनिश्चित हो सकता है कि कोई व्यक्ति किस समूह से संबंधित है। कई कंप्यूटर प्रोग्रामों में, मशीन को फिर भी अनुमान लगाने के लिए मजबूर किया जाता है, जिससे गलतियाँ हो सकती हैं।

लेकिन इस टीम ने एक "सेफ्टी वाल्व" जोड़ा। उन्होंने एक नियम निर्धारित किया: यदि कंप्यूटर अपने अनुमान में पर्याप्त आश्वस्त नहीं है, तो उसे अनुमान नहीं लगाना चाहिए। इसके बजाय, वह उस व्यक्ति को स्वचालित रूप से "दुविधा में रहने वाले" समूह में भेज देता है। क्यों? क्योंकि सार्वजनिक स्वास्थ्य की दुनिया में, एक अनिश्चित व्यक्ति को केवल एक मैत्रीपूर्ण बातचीत (दुविधा वाला रास्ता) की आवश्यकता वाले व्यक्ति के रूप में मानना, उसे गलती से "प्रतिरोधी" के रूप में लेबल करने और ऐसा संदेश भेजने से कहीं अधिक सुरक्षित है जो उसे क्रोधित कर सकता है।

शोधकर्ताओं ने पाया कि यह सुरक्षा नियम एक गेम-चेंजर था। अध्ययन के लगभग 20% लोग इतने भ्रमित करने वाले थे कि सेफ्टी वाल्व सक्रिय हो गया और उन्हें "दुविधा में रहने वाले" समूह में भेज दिया गया। इसका मतलब था कि कंप्यूटर ने जोखिम भरी गलतियों से बचने में सफलता पाई, यह सुनिश्चित करते हुए कि किसी को भी गलती से दबाव वाला संदेश न मिले।

कंप्यूटर ने वास्तव में क्या पाया

कंप्यूटर मॉडल ने पूर्ण सटीकता प्राप्त नहीं की—उसने वर्गीकरणों को लगभग 47.28% सही ढंग से पहचाना। हालांकि यह कम लग सकता है, लेकिन यह केवल रैंडम अनुमान लगाने (जो कि 33.33% सही होता) की तुलना में 42% का सुधार था। इससे भी महत्वपूर्ण बात यह है कि कंप्यूटर ने कुछ आश्चर्यजनक पैटर्न प्रकट किए:

1. स्थान सबसे अधिक मायने रखता है: किसी के दृष्टिकोण की भविष्यवाणी करने के लिए सबसे बड़ा सुराग उनकी आय या लिंग नहीं था, बल्कि वे कहाँ रहते थे। पूर्वी अज़रबैजान और इस्फ़हान जैसे प्रांतों के लोगों का विश्वास स्तर अन्य लोगों की तुलना में बहुत अलग था। यह सुझाव देता है कि स्वास्थ्य प्रणालियों में विश्वास गहराई से स्थानीय होता है, जैसे कि एक शहर के विभिन्न मोहल्लों का अपना अलग माहौल हो सकता है।
2. आयु एक फिल्टर है: युवा लोग (18-34 वर्ष) "प्रतिरोधी" या "दुविधा में रहने वाले" समूहों में होने की अधिक संभावना रखते थे। शोध पत्र सुझाव देता है कि ऐसा इसलिए हो सकता है क्योंकि युवा अक्सर बड़े वयस्कों की तुलना में वैक्सीन के शारीरिक दुष्प्रभावों को अधिक तीव्रता से महसूस करते हैं, जिससे वे अधिक सतर्क हो जाते हैं।
3. व्यक्तिगत क्षति: दिलचस्प बात यह है कि जिन लोगों के परिवार के सदस्य कोविड-19 से मृत्यु के शिकार हुए थे, उनके "स्वीकार करने वाले" समूह में होने की अधिक संभावना थी। ऐसा लगता है कि वास्तविक जीवन की त्रासदी ने विज्ञान पर भरोसा करने के लिए एक शक्तिशाली प्रेरक के रूप में कार्य किया।

मुख्य निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि हम सभी को एक ही संदेश नहीं दे सकते। एक "सुरक्षा-प्रथम" दृष्टिकोण का उपयोग करके, स्वास्थ्य अधिकारी सरल डेटा जैसे आयु और स्थान का उपयोग यह पहचानने के लिए कर सकते हैं कि किसे हल्के से प्रेरित करने की आवश्यकता है, किसे विस्तृत स्पष्टीकरण की आवश्यकता है, और किसे सम्मानजनक बातचीत की आवश्यकता है।

शोधकर्ता स्वीकार करते हैं कि उनका मॉडल कोई जादुई क्रिस्टल बॉल नहीं है—यह मनुष्यों को बेहतर निर्णय लेने में मदद करने के लिए एक उपकरण है। कठिन मामलों के लिए कंप्यूटर को यह कहने की अनुमति देकर कि "मैं निश्चित नहीं हूँ, चलिए एक इंसान से बात करते हैं," यह फ्रेमवर्क यह सुनिश्चित करता है कि लक्ष्य केवल सही होना नहीं, बल्कि दयालु और प्रभावी होना है। यह एक अराजक भीड़ को व्यक्तियों के समूह में बदलने का ब्लूप्रिंट है, जहाँ प्रत्येक व्यक्ति को ठीक उसी तरह की मदद मिलती है जिसकी उन्हें सुरक्षित और सूचित महसूस करने के लिए आवश्यकता होती है।