तकनीकी सारांश: कृत्रिम बुद्धिमत्ता पर आधारित अंग्रेजी ग्रंथों के लिए पठनीयता रेटिंग विधियों पर शोध

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान स्वचालित पठनीयता मूल्यांकन प्रणालियों की सीमाओं को संबोधित करता है, जो अर्थपूर्ण समृद्धि (semantic richness), व्याख्यात्मकता (interpretability) और गणनात्मक दक्षता (computational efficiency) के बीच संतुलन बनाने में संघर्ष करती हैं। पारंपरिक सूत्र-आधारित विधियाँ (जैसे Flesch-Kincaid, Gunning Fog) वाक्य की लंबाई और शब्दांश गणना जैसे सतही भाषाई लक्षणों पर निर्भर करती हैं, जो अर्थगत अर्थ, विमर्श निरंतरता (discourse continuity) और जटिल वाक्य संरचनाओं को पकड़ने में विफल रहती हैं। इसके विपरीत, जबकि डीप लर्निंग और ट्रांसफार्मर-आधारित मॉडल (जैसे BERT, RoBERTa) संदर्भ संबंधी समझ में उत्कृष्ट हैं, उन्हें अक्सर महत्वपूर्ण गणना संसाधनों की आवश्यकता होती है, उनमें व्याख्यात्मकता की कमी होती है, और वे पठनीयता अनुमान के लिए महत्वपूर्ण स्पष्ट भाषाई संकेतों की अनदेखी कर सकते हैं। मौजूदा हाइब्रिड दृष्टिकोण अक्सर एक एकीकृत प्रतिगमन ढांचे (unified regression framework) के भीतर गहरे अर्थ संबंधी एम्बेडिंग (deep semantic embeddings) को व्याख्यात्मक, हस्तनिर्मित भाषाई विशेषताओं के साथ प्रभावी ढंगता से एकीकृत करने में विफल रहते हैं।

2. कार्यप्रणाली (Methodology)

यह अध्ययन एक हाइब्रिड RoBERTa–XGBoost फ्रेमवर्क प्रस्तावित करता है जिसे अंग्रेजी ग्रंथों के लिए निरंतर पठनीयता स्कोर की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली एक संरचित पाइपलाइन का अनुसरण करती है:

• डेटासेट: शोध में CLEAR कॉर्पस (CommonLit Ease of Readability) का उपयोग किया गया है, जो एक बेंचमार्क डेटासेट है जिसमें ग्रेड 3 से ग्रेड 12 स्तरों तक के 4,724 एनोटेटेड अंग्रेजी टेक्स्ट नमूने शामिल हैं। डेटा को 80/20 प्रशिक्षण (3,779 नमूने) और परीक्षण (945 नमूने) सेट में विभाजित किया गया था।
• प्रीप्रोसेसिंग (Preprocessing): कच्चे पाठ (raw text) को सामान्यीकरण (लोअरकेसिंग), गैर-भाषाई विशेष वर्णों को हटाने, वाक्य विभाजन और RoBERTa टोकनाइज़र का उपयोग करके टोकनाइज़ेशन के माध्यम से संसाधित किया गया।
• विशेषता निष्कर्षण (Feature Extraction - Dual-Stream):
  1. अर्थ संबंधी विशेषताएँ (Semantic Features): 768-आयामी अर्थ संबंधी एम्बेडिंग उत्पन्न करने के लिए एक RoBERTa-Base मॉडल का उपयोग किया गया था। मॉडल को 1.00E-05 की लर्निंग रेट, 512 का अधिकतम अनुक्रम लंबाई (maximum sequence length), 16 का बैच साइज और 10 एपॉक्स के लिए कॉन्फ़िगर किया गया था; हालाँकि, शोध पत्र स्पष्ट रूप से बताता है कि मॉडल का उपयोग संदर्भगत छिपे हुए निरूपण (contextual hidden representations) निकालने के लिए अतिरिक्त फाइन-ट्यूनिंग के बिना एक फ्रोजन स्टेट (frozen state) में किया गया था। प्रत्येक गद्यांश के वैश्विक प्रासंगिक अर्थ को पकड़ने के लिए [CLS] टोकन का निष्कर्षण किया गया।
  2. भाषाई विशेषताएँ (Linguistic Features): 39 हस्तनिर्मित विशेषताएँ तैयार की गईं जो संरचनात्मक गुणों को पकड़ती हैं, जिनमें औसत शब्द लंबाई, वाक्य की लंबाई, लेक्सिकल डेंसिटी, विराम चिह्न अनुपात, कंजंक्शन अनुपात और वाक्यात्मक जटिलता शामिल हैं।
• विशेषता संलयन (Feature Fusion): समान वितरण सुनिश्चित करने के लिए दोनों फीचर सेट को Standard Scaling का उपयोग करके सामान्यीकृत किया गया। 768-आयामी अर्थ संबंधी वेक्टर्स और 39-आयामी भाषाई वेक्टर्स को एक एकीकृत 807-आयामी फीचर वेक्टर बनाने के लिए संयोजित (concatenate) किया गया।
• मॉडल प्रशिक्षण (Model Training): संलयित विशेषताओं को XGBoost Regressor में फीड किया गया। हाइपरपैरामीटर जैसे कि लर्निंग रेट, ट्री डेप्थ और एस्टिमेटर्स की संख्या को ट्यून करने के लिए मॉडल को Grid Search Cross-Validation (5-fold) का उपयोग करके अनुकूलित किया गया। ऑब्जेक्टिव फंक्शन ने ओवरफिटिंग को रोकने के लिए रेगुलराइजेशन (L1 और L2) लागू करते हुए स्क्वेयर्ड एरर को कम किया।

3. मुख्य योगदान (Key Contributions)

शोध पत्र चार प्राथमिक योगदानों को रेखांकित करता है:

1. फ्रेमवर्क विकास: CLEAR कॉर्पस का उपयोग करके अंग्रेजी ग्रंथों पर निरंतर पठनीयता स्कोर की भविष्यवाणी करने के लिए एक बुद्धिमान, हाइब्रिड AI-आधारित प्रतिगमन फ्रेमवर्क का निर्माण।
2. वर्कफ्लो आर्टिक्यूलेशन: एंड-टू-एंड वर्कफ्लो का व्यापक दस्तावेजीकरण, जिसमें डेटा संग्रह, प्रीप्रोसेसिंग (लुप्त मानों को संभालना, टेक्स्ट क्लीनिंग, टोकनाइज़ेशन) और दोनों RoBERTa अर्थ संबंधी एम्बेडिंग और इंजीनियर भाषाई विशेषताओं का विशिष्ट निष्कर्षण शामिल है।
3. फीचर फ्यूजन रणनीति: एक विशिष्ट फ्यूजन तकनीक का कार्यान्वयन जो स्केलिंग और कॉनकेटिनेशन के माध्यम से RoBERTA-आधारित अर्थ संबंधी निरूपणों को भाषाई रूप से डिज़ाइन की गई विशेषताओं के साथ जोड़ता है, जिसके बाद हाइपरपैरामीटर ट्यूनिंग के लिए ग्रिड सर्च क्रॉस-वैलिडेशन के साथ XGBoost रिग्रेशन किया जाता है।
4. प्रदर्शन मूल्यांकन: प्रस्तावित समाधान का बेसलाइन मॉडल (Linear Regression, Support Vector Regression, Random Forest) और एब्लेशन अध्ययन (ablation studies) के विरुद्ध कठोर मूल्यांकन (मानक रिग्रेशन मेट्रिक्स जैसे RMSE, MAE, R² का उपयोग करके)।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रस्तावित मॉडल ने सभी बेसलाइन और एब्लेशन वेरिएंट की तुलना में बेहतर प्रदर्शन प्रदर्शित किया:

• प्राथमिक मेट्रिक्स: पूर्ण हाइब्रिड मॉडल ने RMSE 0.0980, MAE 0.0794, और R² स्कोर 0.9908 प्राप्त किया।
• तुलनात्मक प्रदर्शन:
  • बनाम बेसलाइन्स: प्रस्तावित मॉडल ने Linear Regression (R²: 0.944), Support Vector Regression (R²: 0.762), और Random Forest (R²: 0.965) को पछाड़ दिया।
  • बनाम एब्लेशन अध्ययन: पूर्ण मॉडल ने केवल अर्थ संबंधी विशेषताओं (RoBERTa + Precomputed: R² 0.882), केवल भाषाई विशेषताओं (R² 0.685), या एब्लेशन अध्ययन (तालिका 3) में सूचीबद्ध केवल फाइन-ट्यून्ड RoBERTa (R² 0.722) वाले मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया।
• त्रुटि विश्लेषण (Error Analysis): अवशेष विश्लेषण (Residual analysis) ने संकेत दिया कि त्रुटियाँ शून्य के आसपास सामान्य रूप से वितरित थीं और न्यूनतम पूर्वाग्रह (bias) के साथ थीं, जो मॉडल की विश्वसनीयता की पुष्टि करती हैं।
• विशेषता महत्व (Feature Importance): विश्लेषण से पता चला कि वाक्यात्मक विशेषताएँ, विशेष रूप से Conjunction Ratio (0.1802) और Preposition Ratio (0.0946), सबसे प्रभावशाली भविष्यवक्ताओं में से एक थीं, जो अर्थ संबंधी एम्बेडिंग के साथ संरचनात्मक संकेतों को एकीकृत करने के महत्व की पुष्टि करती हैं।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि व्याख्यात्मक भाषाई विशेषताओं के साथ गहरे अर्थ संबंधी एम्बेडिंग का एकीकरण भविष्यवाणी सटीकता और सामान्यीकरण क्षमता को महत्वपूर्ण रूप से बढ़ाता है। अध्ययन यह दावा करता है कि यह हाइब्रिड दृष्टिकोण ट्रांसफार्मर मॉडल की प्रासंगिक समझ और पारंपरिक भाषाई विश्लेषण की संरचनात्मक व्याख्यात्मकता के बीच के अंतर को सफलतापूर्वक पाटता है।

लेखक इस फ्रेमवर्क को निम्नलिखित के लिए एक स्केलेबल समाधान के रूप में प्रस्तुत करता है:

• शैक्षिक सामग्री अनुकूलन (Educational Content Adaptation): विशिष्ट छात्र स्तरों के लिए शिक्षण सामग्री को अनुकूलित करना।
• पांडुलिपि मूल्यांकन (Manuscript Evaluation): प्रकाशन के लिए पाठ की जटिलता के मूल्यांकन में सहायता करना।
• नेचुरल लैंग्वेज प्रोसेसिंग अनुप्रयोग: स्वचालित टेक्स्ट लेवलिंग और कंटेंट रिकमेंडेशन के लिए एक मजबूत पद्धति प्रदान करना।

शोध पत्र निष्कर्ष निकालता है कि प्रस्तावित विधि स्वचालित भाषाई विश्लेषण के लिए एक वैज्ञानिक रूप से आधारित आधार प्रदान करती है, जो उच्च सटीकता (99% से अधिक भिन्नता को कैप्चर करना) प्राप्त करती है और अनुकूलित एन्सेम्बल लर्निंग के माध्यम से गणनात्मक विश्वसनीयता बनाए रखती है। भविष्य के कार्य के रूप में क्रॉस-लिंग्विस्टिक मजबूती, SHAP जैसे एक्सप्लेनेबल AI (XAI) मॉड्यूल का एकीकरण, और पाइपलाइन दक्षता के लिए हल्के मॉडलों (जैसे DistilRoBERTa) का उपयोग करने का सुझाव दिया गया है।