MUESCA: A Multi-Genre Corpus and Annotation Scheme for Subjectivity in Spanish

मानव भाषा के विशाल परिदृश्य में, जो केवल सत्य है और जो महसूस किया जाता है कि सत्य है, उनके बीच एक निरंतर तनाव बना रहता है। दशकों से, नेचुरल लैंग्वेज प्रोसेसिंग के क्षेत्र में काम करने वाले वैज्ञानिक कंप्यूटरों को तथ्य के बयान और व्यक्तिगत राय की अभिव्यक्ति के बीच अंतर करना सिखाने का प्रयास कर रहे हैं। विषयपरकता का पता लगाने (subjectivity detection) के रूप में जानी जाने वाली यह कार्य, समाचार लेखों को छाँटने से लेकर सार्वजनिक भावना को समझने तक, हर चीज़ के लिए महत्वपूर्ण है। हालाँकि, पारंपरिक दृष्टिकोण अक्सर बहुत सरल रहा है, जो भाषा को एक बाइनरी स्विच की तरह मानता है जहाँ एक वाक्य या तो वस्तुनिष्ठ (objective) होता है या विषयपरक (subjective)। वास्तव में, मानवीय संचार शायद ही कभी इतना काला और सफेद होता है। एक समाचार रिपोर्ट एक तथ्य बता सकती है, जबकि सूक्ष्म रूप से इसे पत्रकार के दृष्टिकोण के साथ फ्रेम कर सकती है; एक वैज्ञानिक शोध पत्र कठोर डेटा प्रस्तुत कर सकता है, जबकि भविष्य की संभावनाओं का वर्णन करने के लिए सतर्क भाषा का उपयोग कर सकता है। चुनौती इस तरल मध्य मार्ग को पकड़ने में निहित है, जहाँ "लेखक की छाप" उन शब्दों के भीतर छिपी होती है जो सतह पर तटस्थ दिखाई देते हैं।

स्पेन के एलिकांटे विश्वविद्यालय के शोधकर्ताओं की एक टीम ने MUESCA नामक एक नया संसाधन बनाकर इस पहेली को सुलझाने की दिशा में एक महत्वपूर्ण कदम उठाया है। ग्रंथों को कठोर बक्सों में डालने के बजाय, उन्होंने एक ऐसा डेटासेट बनाया है जो विषयपरकता को एक स्लाइडिंग स्केल या एक निरंतरता (continuum) के रूप में मानता है। ऐसा करने के लिए, उन्होंने तीन बहुत अलग प्रकार के लेखन को एकत्र और विश्लेषित किया: वैज्ञानिक सार (scientific abstracts), जो स्पेक्ट्रम के सबसे वस्तुनिष्ठ छोर का प्रतिनिधित्व करते हैं; उपभोक्ता समीक्षाएं (consumer reviews), जो सबसे विषयपरक छोर का प्रतिनिधित्व करती हैं; और समाचार लेख, जो बीच के अव्यवस्थित, हाइब्रिड रूप में स्थित हैं। यह जांचने के लिए कि विभिन्न शैलियों में लेखक विशिष्ट भाषाई उपकरणों का उपयोग कैसे करते हैं—जैसे कि निश्चितता दिखाने वाले शब्द, संदेह दिखाने वाले वाक्यांश, या व्यक्तिगत भागीदारी प्रकट करने वाले सर्वनाम—शोधकर्ताओं ने मानचित्रित किया कि विभिन्न शैलियों में लेखक की "आवाज़" कैसे बदलती है। उनका कार्य यह मापने का एक नया तरीका प्रदान करता है कि पाठ के भीतर मानव लेखक की अदृश्य उपस्थिति कितनी है, जो कंप्यूटर को मानवीय अभिव्यक्ति की जटिल दुनिया में नेविगेट करने के लिए एक अधिक सूक्ष्म मानचित्र प्रदान करता है।

इस परियोजना का मूल MUESCA कॉर्पस है, जो 135 दस्तावेजों से लिए गए 1,865 वाक्यों का संग्रह है। शोधकर्ताओं ने केवल इन वाक्यों को एकत्र नहीं किया; उन्होंने उन्हें सूक्ष्मता से एनोटेट (annotate) किया, उन विशिष्ट व्याकरणिक और शाब्दिक विशेषताओं को चिह्नित किया जो यह संकेत देते हैं कि लेखक अपनी बात के प्रति कितना प्रतिबद्ध है। उन्होंने इन संकेतों को दो मुख्य समूहों में विभाजित किया: उच्च लेखक प्रतिबद्धता (high author commitment) और निम्न लेखक प्रतिबद्धता (low author commitment)। उच्च प्रतिबद्धता में निश्चितता के मार्कर शामिल हैं, जैसे भविष्य काल का उपयोग करना या किसी बात को तथ्य के रूप में कहना, और भागीदारी के मार्कर, जैसे "मैं" या "हम" का उपयोग करना। निम्न प्रतिबद्धता में संदेह के मार्कर शामिल हैं, जैसे कि संदिग्ध भाव (subjunctive mood) या "शायद" जैसे शब्द, और दूरी बनाने के मार्कर, जैसे कि यह छिपाने के लिए कि क्रिया किसने की, कर्मवाच्य (passive voice) का उपयोग करना। इन विशेषताओं को गिनकर, टीम देख सकी कि वैज्ञानिक सार विशिष्ट डेटा और अमानवीय संरचनाओं पर कैसे भरोसा करते हैं, जबकि समीक्षाएं व्यक्तिगत राय और प्रत्यक्ष जुड़ाव से भरी होती हैं। समाचार लेखों में, जैसा कि अपेक्षित था, दोनों का मिश्रण दिखा, जिससे उनकी हाइब्रिड शैली की पुष्टि हुई।

अपने निष्कर्षों को पुख्ता करने के लिए, शोधकर्ताओं ने परीक्षण किया कि क्या ये भाषाई मार्कर वास्तव में कंप्यूटरों को विभिन्न प्रकार के लेखन के बीच अंतर करने में मदद कर सकते हैं। उन्होंने मशीन लर्निंग मॉडल को ग्रंथों को वस्तुनिष्ठ, हाइब्रिड या विषयपरक श्रेणियों में वर्गीकृत करने के लिए प्रशिक्षित किया। जब मॉडलों को केवल कच्चा पाठ दिया गया, तो उन्होंने ठीक-ठाक प्रदर्शन किया, लेकिन जब शोधकर्ताओं ने उनके एनोटेशन योजना से विशिष्ट प्राग्मैटिक (pragmatic) मार्कर जोड़े, तो मॉडल इस कार्य में काफी बेहतर हो गए। विशेषताओं का सबसे प्रभावी संयोजन विशिष्टता के स्तर और निश्चितता की डिग्री को मापना था। इस दृष्टिकोण ने कंप्यूटर को न केवल यह समझने में सक्षम बनाया कि पाठ किस बारे में है, बल्कि यह भी कि लेखक उस जानकारी को कैसे प्रस्तुत कर रहा है। परिणाम विशेष रूप से समाचार शैली के लिए मजबूत थे, जिसे वर्गीकृत करना अक्सर कठिन होता है क्योंकि यह तथ्यों को व्याख्या के साथ मिला देता है। इन प्राग्मैटिक मार्करों का उपयोग करके, मॉडल ने उन सूक्ष्म तरीकों को पहचानने की अपनी क्षमता में सुधार किया जिनसे पत्रकार अपनी कहानियों को फ्रेम करते हैं।

शोधकर्ताओं ने यह भी पता लगाया कि उनके द्वारा डिज़ाइन किए गए नियम आधुनिक आर्टिफिशियल इंटेलिजेंस के साथ कैसे काम कर सकते हैं। उन्होंने अपने विशिष्ट मार्करों को BETO नामक एक शक्तिशाली भाषा मॉडल के साथ जोड़ा, जो स्पेनिश पाठ की विशाल मात्रा पर प्रशिक्षित है। भले ही यह उन्नत मॉडल पहले से ही भाषा को समझने में बहुत अच्छा था, फिर भी विशिष्ट विषयपरकता मार्करों को जोड़ने से इसके प्रदर्शन में सुधार हुआ। प्रतिशत के मामले में सुधार छोटा था, लेकिन सांख्यिकीय रूप से महत्वपूर्ण था, जो यह सुझाव देता है कि लेखक की प्रतिबद्धता के स्पष्ट नियमों ने कंप्यूटर को उन अस्पष्टताओं को सुलझाने में मदद की जो शुद्ध सांख्यिकीय पैटर्न चूक जाते हैं। यह विशेष रूप से समाचार लेखों के लिए सच है, जहाँ मॉडल की सटीकता तब बढ़ जाती है जब वह संदेह या निश्चितता के विशिष्ट भाषिक संकेतों को देख पाता है। अध्ययन पुष्टि करता है कि हालांकि बड़े AI मॉडल शक्तिशाली हैं, फिर भी वे इस बात की एक संरचित समझ से लाभान्वित होते हैं कि मनुष्य अपने तर्कों का निर्माण कैसे करते हैं और अपने विश्वासों को कैसे व्यक्त करते हैं।

अध्ययन के सबसे प्रकट पहलुओं में से एक यह था कि जब समाचार शैली को अन्य दो चरम सीमाओं के विरुद्ध रखा गया तो वह कैसा व्यवहार करती है। जब शोधकर्ताओं ने समाचार को वैज्ञानिक सारांशों से अलग करने के लिए मॉडल का परीक्षण किया, तो मॉडल ने उन्हें अलग करने में अपेक्षाकृत आसानी पाई। हालाँकि, जब समाचार को उपभोक्ता समीक्षाओं से अलग करने के लिए कहा गया, तो कार्य कठिन था। यह सुझाव देता है कि पत्रकारिता की भाषा, अपनी तटस्थता की प्रतिष्ठा के बावजूद, व्यक्तिगत राय वाले लेखों की तुलना में अधिक प्राग्मैटिक डीएनए साझा करती है। समाचार लेखों में अक्सर पर्याप्त विषयपरक फ्रेमिंग और मूल्यात्मक भाषा होती है जो समीक्षाओं के साथ रेखा को धुंधला कर देती है, जिससे उन्हें विषयपरक ध्रुव से अलग करना कठिन हो जाता है। यह निष्कर्ष इस विचार का समर्थन करता है कि विषयपरकता किसी पाठ प्रकार का एक स्थिर गुण नहीं है, बल्कि एक तरल गुण है जो इस आधार पर बदल सकता है कि लेखक अपनी जानकारी को कैसे प्रस्तुत करना चुनता है।

MUESCA परियोजना यह दावा नहीं करती कि उसने विषयपरकता का पता लगाने की समस्या को पूरी तरह से हल कर लिया है, लेकिन यह भविष्य के कार्य के लिए एक ठोस आधार प्रदान करती है। शोधकर्ताओं ने अपने डेटासेट और अपने एनोटेशन दिशानिर्देशों को दूसरों के लिए उपलब्ध कराया है, जिससे वैज्ञानिक समुदाय को अपने काम पर निर्माण करने की अनुमति मिलती है। वे कॉर्पस का विस्तार करने की योजना बना रहे हैं ताकि अधिक अनौपचारिक या ध्रुवीकृत वातावरणों, जैसे कि सोशल मीडिया पोस्ट और तकनीकी रिपोर्टों को शामिल किया जा सके, और यह देखा जा सके कि क्या उनकी विधि वहां भी काम करती है। वे धोखे का पता लगाने (detecting deception) में भी संभावित अनुप्रयोग देखते हैं, जहाँ जानकारी को कैसे प्रस्तुत किया जाता है—निश्चितता या संदेह के माध्यम से—तथ्यों की तुलना में अधिक बताने वाला हो सकता है। केवल सामग्री के बजाय सूचना के प्राग्मैटिक वितरण पर ध्यान केंद्रित करके, यह दृष्टिकोण यह समझने के लिए एक नया लेंस प्रदान करता है कि मनुष्य वास्तविकता को आकार देने के लिए भाषा का उपयोग कैसे करते हैं। यह कार्य यह प्रदर्शित करता है कि विषयपरकता के जटिल कार्य को मापने योग्य, भाषिक घटकों में तोड़कर, हम ऐसे उपकरण बना सकते हैं जो न केवल अधिक सटीक हैं बल्कि इस बारे में भी अधिक पारदर्शी हैं कि वे अपने निष्कर्षों तक कैसे पहुँचते हैं।