Revisiting Semantic Markers of Schizophrenia: A Machine Learning Analysis of Verbal Fluency Features

अपने मस्तिष्क की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ हर विचार एक किताब है। जब आप बोलते हैं, तो आप अनिवार्य रूप से गलियारों में घूम रहे होते हैं, अलमारियों से किताबें निकाल रहे होते हैं, और किसी को बता रहे होते हैं कि आपको क्या मिला। अधिकांश लोगों के लिए, यह सैर सुचारू होती है; वे जल्दी से "जानवरों" या "रसोई के औजारों" के बारे में किताबें ढूंढ सकते हैं और एक के बाद एक कई संबंधित शीर्षक बाहर निकाल सकते हैं। लेकिन कुछ लोगों के लिए, यह लाइब्रेरी थोड़ी अराजक हो सकती है। किताबें बिखरी हुई हो सकती हैं, गलियारे भ्रमित करने वाले हो सकते हैं, या उनके बीच के संबंध धुंधले हो सकते हैं। यह कुछ वैसा ही है जैसा सिज़ोफ्रेनिया (schizophrenia) वाले लोगों के मन में होता है, जो एक गंभीर मानसिक स्वास्थ्य स्थिति है और जो सोचने और महसूस करने को बहुत कठिन बना सकती है। इस अराजकता को समझने के लिए डॉक्टर एक "वर्बल फ्लूएंसी टेस्ट" (Verbal Fluency Test) का उपयोग करते हैं। यह एक सरल खेल है: "एक मिनट में जितने भी जानवरों के नाम आप बता सकते हैं, बताइए।" जबकि इस खेल को स्कोर करने का पुराना तरीका केवल यह गिनता था कि व्यक्ति ने कितने शब्द कहे, वैज्ञानिकों ने महसूस किया कि उन्होंने उन्हें कैसे कहा, यह भी उतना ही मायने रखता है। क्या वे "शेर" से "टोस्टर" तक बहुत बड़ा उछाल (big jump) ले रहे हैं, या वे एक समय तक "बिल्ली परिवार" में ही रुकते हैं और फिर आगे बढ़ते हैं? यह शोध पत्र इस लाइब्रेरी के डिजिटल पक्ष में उतरता है, और यह पता लगाने के लिए कंप्यूटर प्रोग्रामों का उपयोग करता है कि व्यक्ति के शब्दों के चयन में कौन से विशिष्ट पैटर्न सिज़ोफ्रेनिया की पहचान करने के लिए सबसे अच्छे संकेत हैं।

इस अध्ययन के पीछे के शोधकर्ताओं ने, जो बनारस हिंदू विश्वविद्यालय की एक टीम है, मशीन लर्निंग नामक एक शक्तिशाली उपकरण का उपयोग करके इन शब्द पैटर्नों को देखने का एक नया दृष्टिकोण अपनाया। मशीन लर्निंग को एक अत्यंत बुद्धिमान छात्र के रूप में समझें जो दो समूहों के बीच अंतर पहचानने के लिए हजारों उदाहरणों को पढ़ता है—इस मामले में, सिज़ोफ्रेनिया वाले लोग और स्वस्थ स्वयंसेवक। टीम ने उन लोगों के डेटासेट के साथ शुरुआत की जिन्होंने "जानवरों के नाम बताने" वाला टेस्ट दिया था। चूंकि मूल डेटा में यह लेबल नहीं था कि कौन कौन है, इसलिए तीन विशेषज्ञ मनोवैज्ञानिकों ने सावधानीपूर्वक शब्द सूचियों की समीक्षा की और उन्हें लेबल किया, और उच्च स्तर की विश्वसनीयता के साथ उत्तरों पर सहमति व्यक्त की।

इन शब्द सूचियों से, टीम ने पाँच अलग-अलग "सुराग" या विशेषताएं निकालीं जिन्हें कंप्यूटर मॉडल में डाला गया। इनमें से कुछ पारंपरिक थे जिनका उपयोग वर्षों से किया जा रहा है, जैसे बोले गए शब्दों की कुल संख्या (Fluency Score) या व्यक्ति ने कितने बार शब्दों के एक समूह से दूसरे समूह में बदलाव किया (Number of Semantic Switches)। लेकिन उन्होंने अर्थ के आधार पर शब्दों की समानता पर आधारित दो नए, अधिक परिष्कृत सुराग भी जोड़े: एवरेज क्लस्टर सिमिलैरिटी (Average Cluster Similarity - समूहों के भीतर शब्द कितने करीब हैं) और एवरेज स्विच सिमिलैरिटी (Average Switch Similarity - एक नए समूह में जाने पर बदलाव कितना बड़ा है)। इसके बाद उन्होंने पाँच अलग-अलग प्रकार के कंप्यूटर "छात्रों" (क्लासिफायर) को प्रशिक्षित किया ताकि वे इन सुरागों के आधार पर यह अनुमान लगा सकें कि किसे सिज़ोफ्रेनिया है।

यहीं से कहानी दिलचस्प होती है। टीम को उम्मीद थी कि पारंपरिक सुराग, जैसे शब्दों की कुल संख्या या स्विच की संख्या, सबसे महत्वपूर्ण होंगे। आखिरकार, पिछले अध्ययनों ने यही सुझाव दिया था। लेकिन जब उन्होंने कंप्यूटर को यह तय करने दिया कि वास्तव में कौन से सुराग मायने रखते हैं, तो परिणामों ने पूरी कहानी बदल दी। कंप्यूटर ने लगातार पुराने पसंदीदा सुरागों को नजरअंदाज कर दिया। इसके बजाय, इसने दो नए समानता-आधारित सुरागों की ओर एक चमकती हुई उंगली उठाई: एवरेज क्लस्टर सिमिलैरिटी (ACS) और एवरेज स्विच सिमिलैरिटी (ASS)।

वास्तव में, अध्ययन में पाया गया कि पारंपरिक माप, जैसे मीन क्लस्टर साइज (समूह में शब्दों की संख्या) और नंबर ऑफ सिमेंटिक स्विचेस (Semantic Switches की संख्या), समूहों के बीच कमजोर या गैर-महत्वपूर्ण अंतर दिखाते थे और समूहों के बीच अंतर करने की कंप्यूटर की क्षमता में बहुत कम योगदान देते थे। दूसरी ओर, समानता-आधारित विशेषताएं मुख्य आकर्षण रहीं। जबकि फ्लूएंसी स्कोर और एवरेज स्विच सिमिलैरिटी जैसे फीचर्स में कुछ "ट्रेंड-लेवल" क्षमता देखी गई, एवरेज क्लस्टर सिमिलैरिटी स्कोर सबसे स्पष्ट विजेता बनकर उभरा। कंप्यूटर केवल एवरेज क्लस्टर सिमिलैरिटी स्कोर का उपयोग करके उच्च सटीकता के साथ सिज़ोफ्रेनिया वाले व्यक्तियों की पहचान कर सका। कई मामलों में, पुराने, कम प्रभावी फीचर्स को हटाने से वास्तव में कंप्यूटर के प्रदर्शन में सुधार हुआ, जिससे पता चला कि उन्हें रखने से समानता-आधारित मापों से मिलने वाले स्पष्ट संकेत में शोर (noise) जुड़ रहा था।

लेखकों का सुझाव है कि इसका मतलब है कि हमें इन परीक्षणों को देखने के तरीके पर पुनर्विचार करने की आवश्यकता है। यह केवल इस बारे में नहीं है कि आप कितने शब्द कहते हैं या आप कितनी बार श्रेणियों में बदलते हैं; यह इस बारे में है कि उन शब्दों के बीच संबंधों की गुणवत्ता कैसी है। यदि आपके द्वारा कहे गए शब्द अर्थ के साथ मजबूती से जुड़े हुए हैं, या यदि आपके द्वारा किए गए बदलाव स्पष्ट और सुविचारित हैं, तो वे पैटर्न सिज़ोफ्रेनिया में भाषा संबंधी व्यवधानों को समझने की असली कुंजी प्रतीत होते हैं। हालांकि यह अध्ययन यह दावा नहीं करता है कि इसने सिज़ोफ्रेनिया के निदान को हल कर लिया है, लेकिन यह दृढ़ता से सुझाव देता है कि इन नए, समानता-आधारित मापन के तरीके पुराने तरीकों की तुलना में बहुत अधिक शक्तिशाली उपकरण हैं। यह ऐसा ही है जैसे यह महसूस करना कि एक अव्यवस्थित लाइब्रेरी में एक विशिष्ट पुस्तक खोजने के लिए, आपको शेल्फ पर किताबों को गिनने की आवश्यकता नहीं है; आपको यह समझने की आवश्यकता है कि किताबें उनकी रीढ़ (spine) पर कैसे व्यवस्थित हैं।