Computational Personality Assessment: A Data- Driven Machine Learning Approach Using Engineered Behavioral Features
यह शोध पत्र एक डेटा-संचालित मशीन लर्निंग पाइपलाइन प्रस्तुत करता है जो तीन मिश्रित व्यवहार संबंधी विशेषताओं (composite behavioral features) को इंजीनियर करके और 13 एल्गोरिदम का मूल्यांकन करके अंतर्मुखी-बहिर्मुखी वर्गीकरण की सटीकता को 91.90% तक महत्वपूर्ण रूप से सुधारता है, जो यह प्रदर्शित करता है कि एक सांख्यिकीय रूप से सुदृढ़ ढांचे के भीतर के-नियरेस्ट नेबर्स (K-Nearest Neighbors) का प्रदर्शन सर्वश्रेष्ठ है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि आपका एक नया दोस्त "अंतर्मुखी" (introvert - वह व्यक्ति जो अकेले रहकर ऊर्जा प्राप्त करता है) है या "बहिर्मुखी" (extrovert - वह व्यक्ति जिसे दूसरों के साथ रहने से ऊर्जा मिलती है)। आमतौर पर, आप उनसे जैसे सवाल पूछ सकते हैं, "क्या आपको पार्टियाँ पसंद हैं?" या "क्या आप बड़ी भीड़ के बाद थक जाते हैं?" लेकिन लोग हमेशा ईमानदार नहीं होते, या शायद वे खुद भी इसका उत्तर नहीं जानते। यहीं पर कंप्यूटेशनल साइकोलॉजी (computational psychology) काम आती है। यह एक ऐसा क्षेत्र है जहाँ वैज्ञानिक कंप्यूटर और गणित का उपयोग यह पता लगाने के लिए करते हैं कि लोग कैसे व्यवहार करते हैं, न कि केवल वे क्या कहते हैं। वे मशीन लर्निंग (machine learning) को देखते हैं, जो मूल रूप से कंप्यूटर को उदाहरणों से सीखना सिखाना है, ताकि छिपे हुए व्यक्तित्व के संकेतों को पहचाना जा सके। बड़ा सवाल यह है: क्या हम एक ऐसा कंप्यूटर प्रोग्राम बना सकते हैं जो किसी व्यक्ति की दैनिक आदतों को देखे—जैसे कि वे कितनी बार बाहर जाते हैं या वे अकेले में कितना समय बिताते हैं—और बिना कोई उबाऊ सर्वेक्षण भरे, उनके व्यक्तित्व के प्रकार का सटीक अनुमान लगा सके?
यह शोध पत्र एक जासूसी कहानी की तरह है जहाँ जासूस कंप्यूटर वैज्ञानिक हैं, और सुराग डिजिटल पदचिह्न (digital footprints) हैं। शोधकर्ताओं, मीरा सोलगामा और ज़ीलकुमार भार्गव ने एक सुपर-स्मार्ट व्यक्तित्व डिटेक्टर बनाने का निर्णय लिया। उन्होंने कंप्यूटर को केवल कच्चा डेटा नहीं दिया; उन्होंने मास्टर शेफ की तरह काम किया, जिसमें उन्होंने सरल सामग्रियों (जैसे "अकेले बिताया गया समय" या "मंच का डर") को आपस में मिलाया ताकि तीन बिल्कुल नए, "इंजीनियर किए गए" (engineered) तत्वों का निर्माण किया जा सके। उन्होंने इन नए मिश्रणों को सोशल रेशियो (Social Ratio), सोशल इंगेजमेंट (Social Engagement), और रिकवरी नीड (Recovery Need) नाम दिया। इसे इस तरह सोचें: जैसे केक में केवल कितनी चीनी है, यह मापने के बजाय, आपने "स्वीटनेस बैलेंस" नामक एक नया स्वाद बनाया जो आपको बताता है कि चीनी आटे के साथ कैसे प्रतिक्रिया करती है। उन्होंने यह देखने के लिए 13 अलग-अलग कंप्यूटर "मस्तिष्क" (एल्गोरिदम) का परीक्षण किया कि कौन सा एल्गोरिदम अंतर्मुखी और बहिर्मुखी के बीच के अंतर को सबसे बेहतर तरीके से पहचान सकता है।
परिणाम काफी रोमांचक थे। दौड़ जीतने वाला कंप्यूटर मस्तिष्क के-नियरेस्ट नेबर्स (K-Nearest Neighbors - K-NN) कहलाया। इसने 91.90% बार सही उत्तर दिया। शोधकर्ताओं ने पाया कि उनके विशेष "इंजीनियर किए गए" तत्व ही असली गुप्त सामग्री (secret sauce) थे। जब उन्होंने केवल पुराने, सरल तत्वों का उपयोग करके कंप्यूटर का परीक्षण किया, तो इसने लगभग 79.5% बार सही उत्तर दिया। लेकिन जैसे ही उन्होंने अपने तीन नए मिश्रण जोड़े, सटीकता 12.4% बढ़ गई। यह सामने आया कि K-NN एल्गोरिदम सबसे अच्छा था क्योंकि नए तत्वों ने डेटा को दो अलग, साफ कंचों के ढेर जैसा बना दिया था—एक ढेर अंतर्मुखी के लिए और दूसरा बहिर्मुखी के लिए—जिससे कंप्यूटर के लिए उन्हें छाँटना आसान हो गया।
दिलचस्प बात यह है कि यह शोध पत्र सुझाव देता है कि आपको समस्या हल करने के लिए हमेशा सबसे जटिल, भविष्यवादी कंप्यूटर मस्तिष्क की आवश्यकता नहीं होती है। जबकि कुछ अन्य अध्ययनों ने डीप न्यूरल नेटवर्क (जो विशाल, जटिल जाल की तरह होते हैं) का उपयोग किया था, यह सरल K-NN मॉडल उतना ही अच्छा, या शायद उससे भी बेहतर काम कर गया, क्योंकि डेटा बहुत अच्छी तरह से व्यवस्थित था। शोधकर्ताओं ने यह सुनिश्चित करने के लिए सख्त गणितीय परीक्षण (जिन्हें पेयर्ड टी-टेस्ट कहा जाता है) भी चलाए कि शीर्ष मॉडलों के बीच का अंतर केवल भाग्य नहीं था। उन्होंने पाया कि शीर्ष तीन मॉडल वास्तव में सांख्यिकीय रूप से समान थे, जिसका अर्थ है कि यदि आप गति या सरलता के लिए कोई दूसरा मॉडल चुनना चाहते हैं, तो आप सटीकता में बहुत अधिक कमी किए बिना ऐसा कर सकते हैं।
हालाँकि, लेखक सावधान करते हैं कि इसे कोई जादुई क्रिस्टल बॉल न कहा जाए। वे बताते हैं कि उनका डेटा स्व-रिपोर्ट किए गए जवाबों से आया था, जिसका अर्थ है कि लोग थोड़े पक्षपाती हो सकते थे। इसके अलावा, व्यक्तित्व केवल एक साधारण "हाँ या ना" वाला स्विच नहीं है; यह एक स्लाइडिंग स्केल (बदलते पैमाने) की तरह है। शोध पत्र सुझाव देता है कि हालांकि यह तरीका इस विशिष्ट डेटासेट के लिए बहुत अच्छा काम करता है, हमें इसे बिना और अधिक परीक्षण के हर जगह हर किसी पर लागू करने में सावधानी बरतने की आवश्यकता है। फिर भी, कुल मिलाकर, उन्होंने दिखाया कि डेटा बिंदुओं को संयोजित करने के बारे में रचनात्मक रूप से सोचकर, हम मानव व्यवहार को पहले की तुलना में थोड़ा बेहतर समझने वाले उपकरण बना सकते हैं।
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।