Characterizing the visual representation of objects from the child's view
छोटे बच्चों के प्रथम-व्यक्ति (फर्स्ट-पर्सन) वीडियो के 30 लाख से अधिक फ्रेमों का विश्लेषण करके, यह अध्ययन प्रकट करता है कि यद्यपि वस्तुओं की श्रेणियों के प्रति बच्चों का दृश्य अनुभव अत्यधिक विषम और परिवर्तनशील है, फिर भी वे ऐसे उदाहरणों का सामना करते हैं जो मानक फोटोग्राफों की तुलना में अधिक सुदृढ़ सुपरऑर्डिनेट (सर्वोपरि) समूह बनाते हैं, जो यह सुझाव देता है कि मजबूत दृश्य शिक्षण गैर-मानक और विरल इनपुट के बीच इन संरचनात्मक पैटर्नों का लाभ उठाने पर निर्भर करता 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 एक रोबोट को दुनिया को पहचानना सिखाने की कोशिश कर रहे हैं। आप सोच सकते हैं कि सबसे अच्छा तरीका यह है कि उसे सेब, कुर्सियों और कुत्तों की हजारों बेहतरीन, स्टूडियो-रोशनी वाली तस्वीरें दिखाई जाएं, जो कैमरे की ओर बिल्कुल सही ढंग से देख रहे हों। लेकिन क्या होगा अगर वह रोबोट वास्तव में एक बच्चा होता? बच्चे दुनिया को एक साफ-सुथरी, चुनिही गैलरी के माध्यम से नहीं देखते। वे इसे अपनी आँखों से देखते हैं, एक निचले कोण से, अक्सर तब जब वे रेंग रहे होते हैं, कुछ पहुँचने की कोशिश कर रहे होते हैं, या घूम रहे होते हैं। उनका दृश्य अव्यवस्थित, धुंधला और आश्चर्यों से भरा होता है। यह शोध पत्र उस अव्यवस्थित वास्तविकता में उतरता है। यह एक सरल लेकिन गहरा प्रश्न पूछता है: एक छोटे बच्चे के लिए वास्तविक दृश्य जगत वास्तव में कैसा दिखता है? इसका उत्तर देने के लिए, शोधकर्ताओं ने इस बात पर गौर किया कि बच्चे चीजों को समूहों (जैसे "जानवर" या "फर्नीचर") में कैसे वर्गीकृत करना सीखते हैं और उन्होंने बच्चों द्वारा देखी जाने वाली अराजक, वास्तविक जीवन की छवियों की तुलना उन व्यवस्थित फोटो एल्बमों से की जिनका उपयोग वैज्ञानिक आमतौर पर सीखने का अध्ययन करने के लिए करते हैं। लक्ष्य यह समझना है कि बच्चे इतने अविश्वसनीय और तेज़ सीखने वाले क्यों हैं, जबकि वे एक ऐसी दुनिया देखते हैं जो उन पाठ्यपुस्तकों से बिल्कुल अलग है जिनका उपयोग हम कंप्यूटर को सिखाने के लिए करते हैं।
कहानी 'बेबीव्यू' (BabyView) नामक वीडियो फुटेज के एक विशाल संग्रह के साथ शुरू होती है। इसे "बच्चा क्या देखता है" की एक विशाल लाइब्रेरी समझें। शोधकर्ताओं ने 5 से 36 महीने के 31 बच्चों के सिर पर छोटे कैमरे बांधे और उनके घर पर उनके दैनिक जीवन के 868 घंटों से अधिक रिकॉर्ड किए। यह बहुत सारा वीडियो है! फिर उन्होंने एक अत्यंत स्मार्ट कंप्यूटर प्रोग्राम (एक ऑब्जेक्ट डिटेक्शन मॉडल) का उपयोग करके इस फुटेज के 30 लाख से अधिक फ्रेम को स्कैन किया ताकि यह पहचाना जा सके कि बच्चे किन वस्तुओं को देख रहे थे। वे चीजों की 129 विशिष्ट श्रेणियों की तलाश कर रहे थे, जैसे कप, कुर्सियाँ, कुत्ते और सेब।
उन्होंने पाया कि यह दुनिया बेहद असंतुलित थी। ठीक वैसे ही जैसे एक संगीत प्लेलिस्ट में जहाँ कुछ गाने बार-बार बजाए जाते हैं जबकि अधिकांश को अनदेखा कर दिया जाता है, बच्चों की दृश्य दुनिया कुछ चुनिंद वस्तुओं द्वारा हावी थी। कप और कुर्सियों जैसी चीजें लगातार दिखाई देती थीं, जबकि अन्य श्रेणियां, जैसे पेंगुइन या जिराफ, दुर्लभ मेहमान थे। यह "लॉन्ग-टेल्ड" (long-tailed) वितरण का अर्थ है कि बच्चे सब कुछ थोड़ा-थोड़ा नहीं देखते; वे कुछ विशिष्ट चीजों को बहुत अधिक देखते हैं।
लेकिन असली जादू केवल यह नहीं था कि वे क्या देखते थे, बल्कि यह था कि वे कैसे देखते थे। शोधकर्ताओं ने बच्चे के दृश्य की तुलना 'थिंग्स' (THINGS) नामक एक प्रसिद्ध, क्यूरेटेड डेटासेट से की, जो तस्वीरों का एक संग्रह है जिसका उपयोग वैज्ञानिक यह अध्ययन करने के लिए करते हैं कि मनुष्य वस्तुओं को कैसे पहचानते हैं। 'थिंग्स' डेटासेट में, तस्वीरें आमतौर पर उत्तम होती हैं: एक असली कुत्ते की स्पष्ट, सामने की ओर से ली गई तस्वीर। हालाँकि, बच्चे के दृश्य में, चीजें अराजक थीं। एक "कुत्ता" एक भरा हुआ खिलौना (stuffed animal), एक किताब में बना चित्र, एक खिलौना, या एक असली कुत्ता हो सकता है जिसे अजीब कोण से देखा गया हो, जो सोफे के पीछे आंशिक रूप से छिपा हो, या अंधेरे कमरे में हो। बच्चे विभिन्न प्रकार के स्वरूपों और अजीब दृष्टिकोणों में वस्तुओं को देखते थे।
यहाँ एक चौंकाने वाला मोड़ है: भले ही बच्चे का दृश्य इतना अव्यवस्थित और परिवर्तनशील था, फिर भी कंप्यूटर मॉडल ने पाया कि वस्तुएं बहुत तार्किक तरीके से एक साथ जुड़ी हुई थीं। जब शोधकर्ताओं ने देखा कि विभिन्न वस्तुओं के बीच समानता कितनी थी, तो उन्होंने पाया कि "सुपरऑर्डिनेट" (superordinate) समूह—बड़े वर्ग जैसे "जानवर" या "भोजन"—वास्तव में बच्चे के इस अव्यवस्थित, वास्तविक दुनिया के दृश्य में 'थिंग्स' डेटासेट की साफ, उत्तम तस्वीरों की तुलना में अधिक मजबूती से जुड़े हुए थे। ऐसा लगता है जैसे वास्तविक जीवन की अराजकता ने "सभी प्रकार के जानवरों" के बीच के संबंधों को एक व्यवस्थित फोटो एल्बम की तुलना में और भी अधिक मजबूत और स्पष्ट बना दिया है।
यह पैटर्न व्यक्तिगत बच्चों को देखते समय भी बना रहा। भले ही हर बच्चे का घर अलग हो, जिसमें अलग-अलग खिलौने और फर्नीचर हों, लेकिन उनके मस्तिष्क द्वारा इन श्रेणियों को व्यवस्थित करने का तरीका आश्चर्यजनक रूप से सुसंगत था। चाहे बच्चा बहुत सारी खिलौना कारों को देखे या असली कारों को, दुनिया के उनके "मानचित्र" ने बड़े समूहों को एक साथ बनाए रखा।
शोध पत्र यह सुझाव देता है कि यह अनूठा, अव्यवस्थित और अत्यधिक परिवर्तनशील दृश्य इनपुट ही शायद बच्चों को इतनी तेज़ी से सीखने में मदद करता है। पूर्ण, लेबल वाली तस्वीरों की आवश्यकता के बजाय, बच्चे एक ही श्रेणी (जैसे "जानवर") को कई अलग-अलग, भ्रमित करने वाले रूपों में देखने से लाभ उठाते हैं। यह अतिरेक (redundancy)—एक कुत्ते को एक खिलौने, एक चित्र और एक असली जानवर के रूप में एक साथ देखना—मस्तिष्क को यह समझने में मदद कर सकता है कि किसी चीज़ को "जानवर" बनाने वाला मूल नियम क्या है, भले ही विवरण धुंधले हों।
शोधकर्ता सावधानी बरतते हुए उल्लेख करते हैं कि उनके निष्कर्ष मुख्य रूप से पश्चिमी, समृद्ध घरों के विशिष्ट डेटा पर आधारित हैं, और उनके कंप्यूटर मॉडल पूर्ण नहीं हैं (उन्होंने कुछ चीजें मिस कीं या गलतियाँ कीं)। हालाँकि, परिणाम दृढ़ता से संकेत देते हैं कि मनुष्यों के सीखने और कंप्यूटरों के सीखने के बीच का "डेटा अंतराल" केवल अधिक डेटा होने के बारे में नहीं है; यह सही प्रकार के डेटा के बारे में है। बच्चे किसी संग्रहालय से नहीं सीख रहे हैं; वे एक अव्यवस्थित, घूमते हुए, बिखरे हुए खेल के मैदान से सीख रहे हैं। मशीनों को बनाने के लिए जो मनुष्यों की तरह सीख सकें, हमें उन्हें केवल उत्तम तस्वीरें खिलाना बंद करना होगा और उन्हें वास्तविक दुनिया के इस सुंदर, अराजक बिखराव को देना शुरू करना होगा।
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।