An Explainable Multimodal Framework for Adolescent Short Video Addiction Risk Prediction
यह अध्ययन एक व्याख्यात्मक बहुविध (multimodal) ढांचे का प्रस्ताव करता है जो किशोरों के शॉर्ट-वीडियो व्यसन के जोखिमों और नींद, शिक्षा, भावनाओं एवं सामाजिक अनुकूलन पर उनके नकारात्मक प्रभावों की गतिशील रूप से भविष्यवाणी करने के लिए विविध व्यवहार संबंधी और मनोवैज्ञानिक डेटा को एक ड्यूल-अटेंशन मैकेनिज्म और XGBoost के साथ एकीकृत करता 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
डिजिटल युग में, युवाओं के सूचना उपभोग करने का तरीका नाटकीय रूप से बदल गया है। लघु वीडियो (short videos), जो अपनी संक्षिप्त अवधि और तीव्र गति के लिए जाने जाते हैं, किशोरों के लिए मनोरंजन और सामाजिक जुड़ाव का एक प्राथमिक स्रोत बन गए हैं। जबकि ये प्लेटफॉर्म तत्काल जुड़ाव प्रदान करते हैं, शोधकर्ता लंबे समय से स्वस्थ आनंद और हानिकारक निर्भरता के बीच की महीन रेखा को लेकर चिंतित रहे हैं। लत की पहचान करने के पारंपरिक तरीके काफी हद तक किशोरों से इस बारे में पूछने पर निर्भर रहे हैं कि वे कितना समय वीडियो देखने में बिताते हैं या उन्हें अपनी भावनाओं के बारे में प्रश्नावली भरने के लिए कहा जाता है। हालाँकि, ये स्व-रिपोर्ट किए गए विवरण अक्सर उन सूक्ष्म, बदलते व्यवहारों के पैटर्न को पकड़ने में विफल रहते हैं जो किसी समस्या के विकसित होने का संकेत देते हैं। वे लत की गतिशील प्रकृति को समझने में संघर्ष करते हैं, जहाँ एक उपयोगकर्ता निर्दोष रूप से वीडियो देखना शुरू कर सकता है लेकिन धीरे-धीरे नियंत्रण खो सकता है, जिससे उसकी नींद, पढ़ाई और भावनात्मक कल्याण प्रभावित होता है। वैज्ञानिकों के लिए मुख्य चुनौती केवल समय की सीमाओं से आगे बढ़कर उन जटिल व्यवहारों के जाल को समझना है जो तकनीक के साथ एक जोखिम भरे संबंध को परिभाषित करते हैं।
इसे संबोधित करने के लिए, ग्वांगझू कॉलेज ऑफ कॉमर्स में किंग बियान के नेतृत्व में एक शोधकर्ता ने किशोरों के बीच लघु वीडियो की लत के जोखिम को मापने और भविष्यवाणी करने का एक नया तरीका विकसित किया है। केवल कुल देखने के घंटों जैसे एकल अंक पर निर्भर रहने के बजाय, यह अध्ययन विभिन्न डेटा स्रोतों का उपयोग करके एक गतिशील चित्र तैयार करता है। शोधकर्ता ने इस जानकारी को एकत्र किया कि किशोर लघु वीडियो प्लेटफॉर्म का उपयोग कैसे करते हैं, वे कितनी बार अपने फोन को अनलॉक करते हैं, उनका सोने का समय क्या है, उनका शैक्षणिक प्रदर्शन कैसा है, और उनकी मनोवैज्ञानिक अवस्थाएँ क्या हैं। इन विभिन्न सूचनाओं के धागों को एक साथ बुनकर, उन्होंने एक ऐसी प्रणाली बनाई जो न केवल यह देखती है कि एक छात्र क्या कर रहा है, बल्कि यह भी देखती है कि उनका व्यवहार समय के साथ कैसे बदल रहा है और यह उनके दैनिक जीवन को कैसे प्रभावित कर रहा है।
इस नए दृष्टिकोण का मूल एक कंप्यूटर मॉडल है जिसे एक अत्यंत चौकस पर्यवेक्षक की तरह कार्य करने के लिए डिज़ाइन किया गया है। यह सभी डेटा बिंदुओं को समान रूप से महत्वपूर्ण नहीं मानता; इसके बजाय, यह उन विशिष्ट व्यवहारों और समय अवधियों पर ध्यान केंद्रित करना सीखता है जो खतरे का संकेत देते हैं। उदाहरण के लिए, सिस्टम पहचानता है कि देर रात तक वीडियो देखना या पढ़ाई के घंटों के दौरान बार-बार एक ऐप खोलना, खाली समय में बहुत अधिक सामग्री देखने की तुलना में अधिक महत्व रखता है। यह एक किशोर के जीवन की लय पर भी बारीकी से ध्यान देता है, यह देखता है कि क्या व्यवहार का एक पैटर्न एक या दो सप्ताह में बढ़ रहा है। यह दोहरा फोकस मॉडल को उस छात्र और उस छात्र के बीच अंतर करने की अनुमति देता है जो केवल एक शौक का आनंद ले रहा है और वह जिसके उपयोग से उसकी नींद, ग्रेड या भावनात्मक स्थिरता बाधित होने लगी है।
जब शोधकर्ता ने इस प्रणाली का परीक्षण किया, तो उन्होंने पाया कि यह पिछले तरीकों की तुलना में जोखिम वाले किशोरों की पहचान करने में काफी बेहतर थी। मॉडल ने उच्च सटीकता के साथ लत के जोखिमों की सफलतापूर्वक भविष्यवाणी की, और उन छात्रों को सही ढंग से चिह्नित किया जो गंभीर होने से पहले खतरनाक पैटर्न की ओर बढ़ रहे थे। इससे भी महत्वपूर्ण बात यह है कि सिस्टम केवल छात्र को "जोखिम में" लेबल करने पर ही नहीं रुक गया। इसने विस्तृत स्पष्टीकरण भी दिया कि जोखिम क्यों था। यह सटीक रूप से बता सका कि प्राथमिक खतरा नींद की कमी, शैक्षणिक ध्यान में गिरावट, भावनात्मक संकट, या सामाजिक बातचीत में कठिनाइयों में से कहाँ से आ रहा था। विवरण का यह स्तर महत्वपूर्ण है क्योंकि यह माता-पिता, शिक्षकों और मानसिक स्वास्थ्य पेशेवरों को उनके हस्तक्षेप को अनुकूलित करने की अनुमति देता है। जिस छात्र की मुख्य समस्या देर रात तक जागना है, उसे उस छात्र की तुलना में अलग प्रकार की सहायता की आवश्यकता होती है जो भावनात्मक तनाव से बचने के लिए वीडियो का उपयोग कर रहा है।
अध्ययन ने यह भी पता लगाया कि विभिन्न समय सीमाएं भविष्यवाणियों की सटीकता को कैसे प्रभावित करती हैं। उन्होंने पाया कि सात-दिवसीय विंडो (समय अंतराल) पर व्यवहार को देखना सबसे अच्छा संतुलन प्रदान करता है। एक छोटी विंडो एक खराब दिन पर बहुत तेज़ी से प्रतिक्रिया दे सकती है, जबकि एक लंबी विंडो जोखिम भरे व्यवहार के अचानक उछाल को मिस कर सकती है। सात-दिवसीय अवधि एक छात्र के सप्ताह की प्राकृतिक लय के साथ अच्छी तरह मेल खाती है, जो तीव्र परिवर्तनों के प्रति संवेदनशीलता खोए बिना रात्रिगत उपयोग और सप्ताहांत की आदतों के संचयी प्रभाव को पकड़ लेती है।
शायद सबसे महत्वपूर्ण निष्कर्ष यह है कि यह प्रणाली विभिन्न प्रकार के साक्ष्यों को जोड़कर काम करती है। जब शोधकर्ता ने पहेली के किसी भी एकल हिस्से को हटाया—जैसे कि नींद के पैटर्न या मनोवैज्ञानिक अवस्था का डेटा—तो जोखिमों की भविष्यवाणी करने की मॉडल की क्षमता में उल्लेखनीय गिरावट आई। यह पुष्टि करता है कि लत एक एकल व्यवहार नहीं है बल्कि एक जटिल अवस्था है जिसमें एक किशोर के जीवन के कई हिस्से शामिल हैं। यह प्रणाली प्रभावी रूप से एक व्यापक स्वास्थ्य मॉनिटर के रूप में कार्य करती है, जो डिजिटल पदचिह्नों को वास्तविक दुनिया के परिणामों के साथ एकीकृत करके एक स्पष्ट, व्याख्या योग्य चेतावनी संकेत बनाती है।
इस कार्य के निहितार्थ केवल निगरानी से कहीं अधिक हैं। प्रत्येक व्यक्ति के लिए एक व्यक्तिगत जोखिम प्रोफाइल तैयार करके, यह ढांचा लक्षित सहायता के लिए एक मार्ग प्रदान करता है। एक किशोर जो संभावित जोखिम के लक्षण दिखा रहा है, उसे सिस्टम सोने से पहले स्क्रीन टाइम प्रबंधित करने के लिए एक सौम्य अनुस्मारक सुझा सकता है। मध्यम जोखिम दिखाने वालों के लिए, यह स्कूल काउंसलरों को भावनात्मक सहायता या शैक्षणिक सहायता प्रदान करने के लिए सचेत कर सकता है। उच्च जोखिम के मामलों में, यह अधिक नुकसान को रोकने के लिए परिवार और पेशेवरों के बीच एक समन्वित प्रयास का संकेत देता है। शोधकर्ता इस बात पर जोर देते हैं कि लक्ष्य छात्रों को दंडित करना या लेबल करना नहीं है, बल्कि ऐसे व्यावहारिक अंतर्दृष्टि प्रदान करना है जो उन्हें उनकी डिजिटल आदतों पर नियंत्रण पाने में मदद करें।
यह अध्ययन स्थिर, एक-समान मूल्यांकन से किशोर कल्याण की एक गतिशील, डेटा-संचालित समझ की ओर एक बदलाव का प्रतिनिधित्व करता है। यह प्रदर्शित करता है कि एक किशोर के डिजिटल और भौतिक व्यवहारों द्वारा सुनाई जाने वाली पूरी कहानी को सुनकर, हम समस्याओं को जल्दी पहचान सकते हैं और अधिक प्रभावी ढंग से हस्तक्षेप कर सकते हैं। यह प्रणाली अकेले लत के मुद्दे को हल करने का दावा नहीं करती है, बल्कि यह समस्या के तंत्र को समझने के लिए एक शक्तिशाली उपकरण प्रदान करती है। यह नुकसान की ओर ले जाने वाले अदृश्य पैटर्न को देखने का एक तरीका प्रदान करती है, जो कच्चे डेटा को अगली पीढ़ी के मानसिक स्वास्थ्य की रक्षा के लिए एक स्पष्ट मार्गदर्शक में बदल देता 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।