Extracting and Coding Digital Sustainability Data using Text Mining and AI: A Design Science Approach

कल्पना कीजिए कि आप एक जासूस हैं जो एक बहुत बड़े रहस्य को सुलझाने की कोशिश कर रहे हैं: कंपनियाँ दुनिया और लोगों की मदद करने के लिए तकनीक का उपयोग कैसे करती हैं? सुराग किसी धूल भरी अटारी में छिपे नहीं हैं; वे उन हजारों मोटी, उबाऊ रिपोर्टों के भीतर दबे हुए हैं जो कंपनियाँ हर साल लिखती हैं। ये रिपोर्टें शब्दों के विशाल पुस्तकालयों की तरह हैं, जो "ग्रीन डेटा सेंटर्स," "स्मार्ट सेंसर्स," और "डिजिटल इक्विटी" जैसे शब्दों से भरी होती हैं। समस्या यह है कि हर रिपोर्ट के हर एक पन्ने को हाथ से पढ़ना ऐसा है जैसे एक स्ट्रॉ से पूरे समुद्र को पीने की कोशिश करना—इसमें बहुत समय लगता है, और आप सबसे महत्वपूर्ण बूंदों को भी चूक सकते हैं। यह "डिजिटल सस्टेनेबिलिटी" (डिजिटल स्थिरता) की दुनिया है, जहाँ शोधकर्ता इस बात का अध्ययन करते हैं कि कंप्यूटर और सॉफ्टवेयर दुनिया को बेहतर बनाने के लिए कैसे काम कर सकते हैं। लेकिन बड़ी तस्वीर को समझने के लिए, उन्हें इन सुरागों को जल्दी से ढूंढने और छांटने की आवश्यकता है। यहीं पर "टेक्स्ट माइनिंग" (कंप्यूटर को पढ़ने और पैटर्न खोजने के लिए सिखाना) और "जेनेरेटिव एआई" (सुपर-स्मार्ट चैटबॉट्स जो लिख और सोच सकते हैं) का जादू काम आता है। कागजी कार्रवाई में डूबने के बजाय, शोधकर्ता चाहते हैं कि एक रोबोट सहायक भारी काम करे, ताकि वे रहस्य को सुलझाने पर ध्यान केंद्रित कर सकें।

यह शोध पत्र उसी रोबोटिक सहायक को बनाने के बारे में है। शोधकर्ताओं, थॉमस अब्राहम, वियत दाओ और नेसरीन एल-रेयस ने "डिजाइन साइंस" नामक एक विधि का उपयोग करने का निर्णय लिया, जो मूल रूप से एक शानदार तरीका है यह कहने का, "आइए एक उपकरण बनाएं जो एक समस्या को ठीक करे, उसका परीक्षण करे, और उसे बेहतर बनाए।" उनका लक्ष्य एक अर्ध-स्वचालित प्रणाली बनाना था जो स्थिरता रिपोर्टों को स्कैन कर सके, प्रासंगिक डिजिटल स्थिरता की कहानियों को निकाल सके, और फिर उन कहानियों को व्यवस्थित और तार्किक श्रेणियों में छांट सके। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने इस काम को करने के लिए तीन विशिष्ट "आर्टिफैक्ट्स" (उपकरण) बनाए: खोजने के लिए शब्दों का एक विशेष शब्दकोश, एआई को सोचने का तरीका सिखाने के लिए निर्देशों (प्रॉम्प्ट्स) का एक सेट, और उन्हें एक साथ उपयोग करने की पूरी प्रक्रिया।

सबसे पहले, उन्होंने "खोजने" वाले हिस्से पर काम किया। कल्पना कीजिए कि आप एक गुफा में विशिष्ट प्रकार के खजाने की तलाश कर रहे हैं। यदि आप केवल "खजाना!" चिल्लाएंगे तो आपको बहुत सारे पत्थर और मिट्टी मिल जाएंगे। आपको एक विशिष्ट मानचित्र की आवश्यकता है। शोधकर्ताओं ने एक "डिजिटल सस्टेनेबिलिटी डिक्शनरी" बनाई, जो एक अत्यधिक ट्यून किए गए मेटल डिटेक्टर की तरह है। उन्होंने इसे यह सिखाने के लिए कि "डिजिटल सस्टेनेबिलिटी" वास्तव में कैसी सुनाई देती है, पिछले शोध के हजारों शब्द इसमें डाले। उन्होंने इस डिक्शनरी का परीक्षण बायोजेन और कोका-कोला जैसी कंपनियों की रिपोर्टों पर किया। परिणाम प्रभावशाली थे: कंप्यूटर ने उन डिजिटल स्थिरता कहानियों का 94% खोज निकाला जिन्हें मानव विशेषज्ञों ने मैन्युअल रूप से खोजा था, लेकिन इसने इसे बहुत कम समय में कर दिखाया। इसने 54 अतिरिक्त कहानियाँ भी ढूँढ निकालीं जिन्हें इंसानों ने मिस कर दिया था! हालांकि, यह पूरी तरह से सटीक नहीं था; कंप्यूटर कभी-कभी "वेबसाइट" जैसे शब्दों से विचलित हो जाता था जो महत्वपूर्ण लगते थे लेकिन वास्तव में स्थिरता पहल के बारे में नहीं थे। इसने शोधकर्ताओं को सिखाया कि हालांकि कंप्यूटर एक बेहतरीन स्कैनर है, फिर भी इसे परिणामों की दोबारा जांच करने के लिए एक इंसान की जरूरत होती है।

इसके बाद, उन्होंने "छांटने" वाले हिस्से पर काम किया। एक बार जब कंप्यूटर को कहानियाँ मिल गईं, तो उसे उन्हें सही बक्सों में रखने की आवश्यकता थी। शोधकर्ताओं ने स्थापित सिद्धांतों पर आधारित दो अलग-अलग "फाइलिंग सिस्टम" का उपयोग किया। एक प्रणाली कहानियों को इस आधार पर छांटती है कि तकनीक क्या करती है (जैसे किसी प्रक्रिया को "स्वचालित" करना या व्यवसाय मॉडल को "परिवर्तित" करना), और दूसरी प्रणाली इस आधार पर छांटती है कि किसे लाभ होता है (जैसे "आंतरिक" बनाम "बाहरी" या "आज" बनाम "कल")। एआई को इन फाइलिंग सिस्टम का उपयोग करना सिखाने के लिए, उन्होंने इसे केवल एक साधारण कमांड नहीं दिया। उन्होंने "फ्यू-शॉट प्रॉम्प्टिंग" नामक एक तकनीक का उपयोग किया, जो एक पूर्ण किए गए पहेली के कुछ उदाहरण दिखाने और यह कहने जैसा है, "देखें कि यह टुकड़ा यहाँ कैसे फिट बैठता है? अब बाकी काम आप करें।" उन्होंने तीन कंपनियों के डेटा पर एआई को प्रशिक्षित किया, उसे गलतियाँ करने दी, उसे सुधारा, और उसके निर्देशों को तब तक परिष्कृत किया जब तक कि उसने इसे समझ नहीं लिया।

जब उन्होंने नए कंपनियों (जैसे जॉनसन एंड जॉनसन और वोल्वो) पर इस प्रशिक्षित एआई का परीक्षण किया, तो परिणाम मजबूत थे। "यह क्या करता है" वाली श्रेणियों के लिए, एआई ने मानव विशेषज्ञों की छंटनी से 78% बार मेल खाया। "किसे लाभ होता है" वाली श्रेणियों के लिए, इसने 85.3% बार मेल खाया। शोधकर्ताओं ने "कोहेन का कप्पा" नामक एक स्कोर की गणना की, जो यह मापता है कि दो लोग (या एक व्यक्ति और एक रोबोट) के बीच कितनी सहमति है। स्कोर 0.7 से ऊपर था, जिसे उच्च स्तर की सहमति माना जाता है। यह सुझाव देता है कि एआई केवल अनुमान नहीं लगा रहा है; यह वास्तव में शोधकर्ताओं के तर्क को सीख रहा है।

हालांकि, यह शोध पत्र इस बात के प्रति सावधान है कि यह कहना कि यह सब कुछ हल करने वाला "जादुई छड़ी" है। शोधकर्ताओं ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि यह प्रक्रिया पूरी तरह से स्वचालित हो सकती है। उन्होंने पाया कि एआई को कभी-कभी व्यवसाय के संदर्भ को समझने में मदद की आवश्यकता होती थी। उदाहरण के लिए, यदि कोई कंपनी कई वर्षों तक एक सुरक्षा प्रणाली के बारे में बात करती है, तो एआई इसे कई अलग-अलग परियोजनाओं के रूप में गिन सकता है, जबकि एक इंसान जान जाएगा कि यह केवल एक लंबी परियोजना है। डिक्शनरी भी पूर्ण नहीं है; यह एक जीवित चीज़ है जिसे नए शब्दों के आने पर अपडेट करने की आवश्यकता है। लेखक निष्कर्ष निकालते हैं कि सबसे अच्छा दृष्टिकोण एक साझेदारी है: कंप्यूटर एक सुपर-फास्ट रिसर्च असिस्टेंट के रूप में कार्य करता है जो खोजने और छांटने का भारी काम करता है, लेकिन एक मानव विशेषज्ञ को हमेशा प्रक्रिया में रहना चाहिए ताकि वह एआई को प्रशिक्षित कर सके, उसकी गलतियों को सुधार सके और अंतिम निर्णय ले सके।

अंत में, यह शोध पत्र सुझाव देता है कि हमें मानव बुद्धिमत्ता और मशीन की गति के बीच चयन करने की आवश्यकता नहीं है। डिजिटल सस्टेनेबिलिटी डेटा के लिए टेक्स्ट माइनिंग और जेनेरेटिव एआई को एक सावधानीपूर्ण, चरण-दर-चरण प्रशिक्षण प्रक्रिया के साथ जोड़कर, शोधकर्ता डिजिटल सस्टेनेबिलिटी डेटा के विशाल डेटासेट पहले की तुलना में बहुत तेज़ी से बना सकते हैं। यह कोई हल हो चुका प्रश्न नहीं है, लेकिन यह एक शक्तिशाली नया उपकरण है जो दुनिया को बचाने के काम को थोड़ा कम अकेला और बहुत अधिक कुशल बनाता है।