A transparent process for creating behavioural systems maps to inform population simulation models which aim to explain and predict public health policy effects: the case of smoking cessation in England

एक व्यस्त शहर के भविष्य की भविष्यवाणी करने की कल्पना करें, लेकिन ट्रैफिक जाम और मौसम के पैटर्न के बजाय, आप कुछ बहुत अधिक व्यक्तिगत चीज़ को ट्रैक कर रहे हैं: लोग जो निर्णय लेते हैं वे क्यों लेते हैं। यह सार्वजनिक स्वास्थ्य नीति की दुनिया है, जहाँ वैज्ञानिक जासूसों की तरह काम करते हैं जो यह पता लगाने की कोशिश करते हैं कि कौन से कानून और अभियान वास्तव में लोगों को स्वस्थ बनाने में मदद करेंगे। ऐसा करने के लिए, वे "सिमुलेशन मॉडल" का उपयोग करते हैं, जो उन्नत वीडियो गेम की तरह होते हैं। इन खेलों में, आप एक आभासी जनसंख्या बना सकते हैं, एक नियम बदल सकते हैं (जैसे सिगरेट की कीमत बढ़ाना), और वास्तविक जीवन को जोखिम में डाले बिना वर्षों तक देख सकते हैं कि क्या होता है। लेकिन पेचीदा हिस्सा यह है: ये खेल उतने ही अच्छे हैं जितने कि नियम आप उन्हें देते हैं। यदि खेल यह नहीं समझता कि कोई व्यक्ति धूम्रपान छोड़ने का निर्णय क्यों लेता है, तो वह यह भविष्यवाणी नहीं कर सकता कि एक नई नीति काम करेगी या नहीं। यहीं पर COM-B नामक एक विशेष ढांचा आता है। इसे किसी भी मानवीय व्यवहार को थामे रखने वाले तीन-पैर वाले स्टूल के रूप में सोचें: आपको क्षमता (क्या आप यह कर सकते हैं?), अवसर (क्या दुनिया आपको यह करने देती है?), और प्रेरणा (क्या आप यह करना चाहते हैं?) की आवश्यकता है। इन तीनों पैरों के बिना, व्यवहार गिर जाता है।

अब, एक टीम की कल्पना करें जो इंग्लैंड के लिए एक परम "धूम्रपान छोड़ने का सिम्युलेटर" बनाने की कोशिश कर रही है। उन्हें एहसास हुआ कि केवल यह अनुमान लगाना कि नीतियां कैसे काम करती हैं, पर्याप्त नहीं था; उन्हें एक पारदर्शी, चरण-दर-चरण रेसिपी की आवश्यकता थी जो यह स्पष्ट रूप से मैप कर सके कि एक नीति किसी व्यक्ति की क्षमता, अवसर या प्रेरणा को कैसे बदलती है। यह उनकी नई विधि की कहानी है, एक प्रक्रिया जिसे वे "व्यवहार संबंधी सिस्टम मैपिंग" कहते हैं। उन्होंने केवल एक मॉडल नहीं बनाया; उन्होंने मॉडल बनाने के लिए एक ब्लूप्रिंट बनाया, जिसमें धूम्रपान छोड़ने की जटिल यात्रा को एक परीक्षण मामले के रूप में उपयोग किया गया। उन्होंने पाया कि छोड़ना केवल एक बड़ी घटना नहीं है; यह दो अलग-अलग लड़ाइयाँ हैं जिनके नियम अलग हैं। और इन नियमों को एक मानचित्र पर खींचकर, उन्होंने दिखाया कि कैसे एक सिमुलेशन बनाया जा सकता है जो सार्वजनिक स्वास्थ्य नीतियों के दीर्घकालिक प्रभावों की भविष्यवाणी कर सके, जिससे नेताओं को वहां पैसा खर्च करने में मदद मिले जहां उनका सबसे अधिक लाभ हो।

छोड़ने की क्रांति का ब्लूप्रिंट

शोधकर्ताओं ने, जो कंप्यूटर विशेषज्ञों और व्यवहार विशेषज्ञों का मिश्रण थे, एक सरल लेकिन विशाल प्रश्न के साथ शुरुआत की: हम एक कंप्यूटर सिमुलेशन कैसे बना सकते हैं जो केवल अनुमान नहीं लगाता, बल्कि वास्तव में यह समझता है कि लोग धूम्रपान क्यों छोड़ते हैं? वे जानते थे कि पारंपरिक मॉडल थोड़े सपाट मानचित्रों की तरह थे; वे आपको दिखा सकते थे कि लोग कहाँ थे, लेकिन वे आपको उन पहाड़ियों और घाटियों को नहीं दिखा सकते थे जिन्होंने यात्रा को कठिन या आसान बनाया। इसे ठीक करने के लिए, उन्होंने "व्यवहार संबंधी सिस्टम मैप" का उपयोग करके एक नई, पारदर्शी प्रक्रिया विकसित की। इन मानचित्रों को एक विशाल, इंटरैक्टिव फ्लोचार्ट के रूप में सोचें जो एक सरकारी नीति, एक व्यक्ति के सिर के भीतर घूमते मनोवैज्ञानिक गियर और अंततः सिगरेट बुझाने की क्रिया के बीच के बिंदुओं को जोड़ता है।

उन्होंने जो प्रक्रिया बनाई है उसके चार मुख्य चरण हैं, जैसे कि एक बहुत ही जटिल केक के लिए रेसिपी। सबसे पहले, उन्हें यह तय करना था कि किन "व्यवहारों" को मॉडल करना है। उन्होंने महसूस किया कि धूम्रपान छोड़ना केवल एक चीज़ नहीं है। यह वास्तव में दो अलग-अलग चरण हैं: वह क्षण जब आप छोड़ने का निर्णय लेते हैं (छोड़ने का प्रयास) और वह लंबा, कठिन संघर्ष जब आप धूम्रपान मुक्त रहते हैं (छोड़ने का रखरखाव)। उन्होंने पाया कि इन दो चरणों को चलाने वाले कारक पूरी तरह से अलग हैं, जैसे कि केक के बैटर के लिए सामग्री और फ्रॉस्टिंग के लिए सामग्री अलग होती है।

इसके बाद, उन्होंने अपना सिद्धांत-आधारित मानचित्र बनाने के लिए COM-B ढांचे का उपयोग किया। उन्होंने सैकड़ों सूक्ष्म, अवलोकन योग्य चीजों को लिया—जैसे कि एक व्यक्ति को धूम्रपान करने में कितना आनंद आता है, क्या उनके पास डॉक्टर की सलाह है, या उनके मित्र समूह में कितने धूम्रपान करने वाले हैं—और उन्हें तीन बाल्टियों में वर्गीकृत किया: क्षमता, अवसर, या प्रेरणा। उदाहरण के लिए, उन्होंने पाया कि केवल छोड़ने की कोशिश करने वाले व्यक्ति के लिए, उसकी प्रेरणा बहुत बड़ी होती है। जैसे कि वे कितना आनंद लेते हैं या सिगरेट पर कितना खर्च करते हैं, वे इस निर्णय को संचालित करते हैं। लेकिन जो व्यक्ति धूम्रपान छोड़ने के बाद बने रहने की कोशिश कर रहा है, उसके लिए प्रेरणा कम मायने रखती है, और "क्षमता" मुख्य भूमिका निभाती है। चीजें जैसे कि एक गैर-धूम्रपान करने वाली पहचान रखना, निकोटीन पैच का उपयोग करना, या लत का निम्न स्तर होना, प्रमुख खिलाड़ी बन जाते हैं।

टीम को फिर वास्तविक दुनिया में आना था। उन्होंने अपने फैंसी सैद्धांतिक मानचित्र को देखा और पूछा, "हम डेटा के साथ वास्तव में क्या माप सकते हैं?" इससे उनका "डेटा-आधारित" मानचित्र बना। उन्हें कुछ शानदार सैद्धांतिक विचारों को हटाना पड़ा क्योंकि उनके समर्थन में पर्याप्त डेटा नहीं था। उदाहरण के लिए, हालांकि वे जानते थे कि धूम्रपान के नुकसान को समझना महत्वपूर्ण है, लेकिन उन्हें वर्तमान अंग्रेजी संदर्भ में पर्याप्त सबूत नहीं मिले कि यह एक प्रमुख चालक था, इसलिए उन्होंने इसे अंतिम सिमुलेशन से बाहर रखा। उन्हें यह भी तय करना था कि किन नीतियों का परीक्षण किया जाए। उन्होंने एक "मास मीडिया अभियान" को चुना जो छोड़ने के प्रयास को प्रोत्साहित करता है (प्रेरणा को बढ़ावा देना) और "धूम्रपान रोकने की सेवाओं के लिए अधिक धन" को चुना जो छोड़ने के बाद बने रहने में मदद करता है (क्षमता को बढ़ावा देना)।

उनके काम के सबसे रोमांचक हिस्सों में से एक यह था कि उन्होंने "फीडबैक लूप" को कैसे संभाला। वास्तविक जीवन में, छोड़ना आपके आस-पास की दुनिया को बदल देता है, जो फिर वापस आपको बदल देता है। यदि आप छोड़ देते हैं, तो शायद आपके पास कम धूम्रपान करने वाले दोस्त होंगे, जो आपके दोस्तों के लिए भी छोड़ना आसान बना देगा। या, यदि आप छोड़ने की कोशिश करते हैं और असफल हो जाते हैं, तो आप अगली बार कम प्रेरित महसूस कर सकते हैं। टीम ने इन लूप्स को अपने मानचित्र में शामिल किया, जिससे एक जटिल, जीवित प्रणाली बनी जहाँ एक व्यक्ति का व्यवहार पूरे जनसंख्या को प्रभावित करने के लिए लहरों की तरह फैलता है। उन्होंने इसमें एक "सिंथेटिक जनसंख्या" भी शामिल की, जो लोगों की एक आभासी भीड़ है जो वास्तविक यूके (UK) का दर्पण है, जिसमें विभिन्न आयु, नौकरियां और सामाजिक घेरे शामिल हैं। इसका मतलब है कि उनका मॉडल दिखा सकता है कि एक नीति एक अमीर व्यक्ति की तुलना में एक गरीब व्यक्ति को कैसे अलग तरह से प्रभावित कर सकती है, या एक युवा व्यक्ति की यात्रा एक वृद्ध व्यक्ति की यात्रा से कैसे भिन्न है।

उन्होंने क्या पाया (और क्या नहीं पाया)

यहाँ बड़ी खोज कोई जादुई दवा नहीं है जो हर किसी को तुरंत धूम्रपान छोड़ने में मदद करती है। इसके बजाय, शोध पत्र सुझाव देता है कि हमें इन समस्याओं को मॉडल करने के तरीके में एक गंभीर अपग्रेड की आवश्यकता है। अपने नए मैपिंग प्रक्रिया का उपयोग करके, टीम ने पाया कि "छोड़ने" को एक एकल घटना के रूप में मॉडल करना एक गलती है। वे कारक जो आपको छोड़ने का प्रयास करने के लिए प्रेरित करते हैं, वे उन कारकों से अलग हैं जो आपको दोबारा शुरू करने से रोकते हैं। उदाहरण के लिए, उन्होंने पाया कि जबकि निकोटीन रिप्लेसमेंट थेरेपी (NRT) का उपयोग पहले प्रयास के लिए प्रेरित करने में मदद करता है, लेकिन NRT का प्रिस्क्रिप्शन संस्करण और अन्य सहायता वास्तव में किसी को छोड़ने के रखरखाव में मदद करते हैं।

उन्होंने स्पष्ट रूप से इस विचार को खारिज कर दिया कि हम बस हर संभव कारक को एक मॉडल में डाल सकते हैं और बेहतर होने की उम्मीद कर सकते हैं। उन्होंने दिखाया कि बिना किसी स्पष्ट मानचित्र के जो नीतियों को विशिष्ट मनोवैज्ञानिक चालकों से जोड़ता है, सिमुलेशन एक 'ब्लैक बॉक्स' बन जाता है। उन्होंने यह भी नोट किया कि हालांकि उनका मॉडल परिष्कृत है, फिर भी यह एक सिमुलेशन है। यह बताता है कि चीजें कैसे काम कर सकती हैं, लेकिन इसने अभी तक यह "सिद्ध" नहीं किया है कि ये नीतियां वास्तविक दुनिया में निश्चित रूप से काम करेंगी। मॉडल नेताओं को बेहतर अनुमान लगाने में मदद करने के लिए एक उपकरण है, न कि कोई भविष्य बताने वाला यंत्र।

इसके अलावा, वे सावधान रहे कि उनका वर्तमान मानचित्र सब कुछ कवर नहीं करता है। उन्होंने विस्तार से धूम्रपान और वेपिंग के बीच के जटिल नृत्य को मॉडल नहीं किया, न ही उन्होंने तंबाकू पर मूल्य वृद्धि जैसे हर संभावित नीति परिवर्तन को शामिल किया, क्योंकि वे पहले व्यवहार संबंधी तंत्रों पर ध्यान केंद्रित करना चाहते थे। उन्होंने यह भी स्वीकार किया कि उनका मॉडल मौजूदा डेटा पर बहुत अधिक निर्भर था, और यदि उस डेटा में कोई हिस्सा गायब है, तो मानचित्र में भी एक अंतराल होगा।

यह क्यों मायने रखता है

तो, एक जिज्ञासु किशोर को कंप्यूटर मॉडल और फ्लोचार्ट की इस भीड़ की परवाह क्यों होनी चाहिए? क्योंकि यह प्रक्रिया बड़े समस्याओं को हल करने के तरीके को बदल देती है। इससे पहले, यह भविष्यवाणी करने की कोशिश करना कि क्या नया कानून धूम्रपान छोड़ने में मदद करेगा, अंधेरे में भूलभुलैया में रास्ता खोजने जैसा था। आप अनुमान लगाते थे कि किस तरफ मुड़ना है, और यदि आप दीवार से टकरा जाते, तो आप बस फिर से कोशिश करते। यह नई विधि आपको एक टॉर्च और एक मानचित्र थमाती है। यह वैज्ञानिकों और नीति निर्माताओं को एक सरकारी निर्णय और एक व्यक्ति के दैनिक जीवन के बीच के छिपे हुए संबंधों को देखने की अनुमति देती है।

"प्रयास" को "रखरखाव" से अलग करके, मॉडल दिखाता है कि हमें यात्रा के विभिन्न हिस्सों के लिए अलग-अलग उपकरणों की आवश्यकता है। आप केवल एक मोटिवेशनल पोस्टर का उपयोग उस व्यक्ति की मदद के लिए नहीं कर सकते जो एक साल से धूम्रपान मुक्त है; उन्हें बेहतर चिकित्सा सहायता जैसी अलग सहायता की आवश्यकता है। और क्योंकि उनका मॉडल इस बात को ध्यान में रखता है कि लोग एक-दूसरे को कैसे प्रभावित करते हैं, यह भविष्यवाणी कर सकता है कि एक नीति कैसे पूरे समुदाय की मदद कर सकती है, न कि केवल एक व्यक्ति की।

लेखक आशावादी हैं कि इस पारदर्शी प्रक्रिया का उपयोग शराब के सेवन या मोटापे जैसे अन्य स्वास्थ्य मुद्दों के लिए भी किया जा सकता है। उनका मानना है कि इन मॉडलों के लिए अपनी "रेसिपी" को स्पष्ट और खुला बनाकर, हम भविष्य में बेहतर सिमुलेशन बना सकते हैं। ये सिमुलेशन केवल फैंसी गेम नहीं होंगे; ये शक्तिशाली उपकरण होंगे जो नेताओं को ऐसे निर्णय लेने में मदद करेंगे जो अधिक निष्पक्ष और प्रभावी हों, जिससे यह सुनिश्चित हो सके कि सार्वजनिक धन उन रणनीतियों पर खर्च किया जाए जो वास्तव में उन लोगों के लिए काम करती हैं जिन्हें उनकी सबसे अधिक आवश्यकता है। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ हम केवल यह अनुमान नहीं लगाते कि क्या काम करता है, बल्कि हम जानते हैं कि वह क्यों काम करता है।