तकनीकी सारांश: ह्यूमन–एआई एम्पैथी स्केल (HAES) का वैचारिककरण और सत्यापन

समस्या विवरण

सामाजिक भूमिकाओं में आर्टिफिशियल इंटेलिजेंस (AI) के बढ़ते प्रसार के बावजूद, इस संबंध में एक महत्वपूर्ण सैद्धांतिक और मापन अंतराल है कि उपभोक्ता AI एजेंटों के प्रति सहानुभूति क्यों और कैसे महसूस करते हैं। जबकि मौजूदा साहित्य मानव रूपक (anthropomorphism - गैर-मानवीय वस्तुओं में मानवीय गुणों का आरोपण) और माइंड परसेप्शन (मन की धारणा - मानसिक क्षमताओं का आरोपण) को व्यापक रूप से कवर करता है, ये निर्माण उस मनोवैज्ञानिक घटना को पूरी तरह से नहीं पकड़ पाते हैं जहाँ उपभोक्ता कृत्रिम संस्थाओं के प्रति संज्ञानात्मक, भावनात्मक और नैतिक प्रतिक्रियाएँ निर्देशित करते हैं। पारंपरिक सहानुभूति माप, जैसे कि इंटरपर्सनल रिएक्टिविटी इंडेक्स (IRI), मानव लक्ष्यों के लिए डिज़ाइन किए गए हैं और उन अनूठे संदर्भों को समझने में विफल रहते हैं जहाँ उपभोक्ता किसी इकाई की कृत्रिम प्रकृति को पहचानते हुए भी उसे एक सामाजिक प्राणी के रूप में देखते हैं। लेखक तर्क देते हैं कि ह्यूमन–एआई एम्पैथी (मानव-AI सहानुभूति) एक विशिष्ट मनोवैज्ञानिक गुण है जिसके लिए एक व्यवस्थित वैचारिककरण और एक समर्पित मापन उपकरण की आवश्यकता है ताकि उपभोक्ता व्यवहार में इसके पूर्ववृत्तीय (antecedents) और परिणामों को समझा जा सके।

कार्यप्रणाली

यह शोध स्थापित दिशा-निर्देशों (चर्चिल, 1979; डेवेलिस, 2017; हलैंड एट अल., 2026) का पालन करते हुए एक कठोर, तीन-अध्ययन पैमाने के विकास और सत्यापन प्रक्रिया को नियोजित करता है।

अध्ययन 1: सामग्री वैधता और मद (Item) न्यूनीकरण

• उद्देश्य: सहानुभूति, मानव रूपक (anthropomorphism) और माइंड परसेप्शन साहित्य से उत्पन्न 70 मदों के प्रारंभिक समूह की सामग्री वैधता का आकलन करना।
• प्रक्रिया: विशेषज्ञों के एक पैनल (मार्केटिंग, मैनेजमेंट, IS और कंप्यूटर साइंस में Ph.D. शोधकर्ता) ने मदों का आवश्यकता, प्रासंगिकता, स्पष्टता और उत्तरदाता के बोझ पर मूल्यांकन किया।
• विश्लेषण: अध्ययन ने लॉश के कंटेंट वैलिडिटी रेशियो (CVR) और आइटम-लेवल कंटेंट वैलिडिटी इंडेक्स (I-CVI) का उपयोग किया। मदों को तब तक रखा गया जब जब वे सांख्यिकीय दहलीज (आवश्यकता के लिए CVR ≥ .571 [N=14 के लिए] और प्रासंगिकता/स्पष्टता के लिए I-CVI ≥ .78) को पूरा करते थे।
• परिणाम: पूल को 70 से घटाकर 26 मदों में बदल दिया गया, जो मजबूत सामग्री वैधता प्रदर्शित करते हैं।

अध्ययन 2: आयामीता, IRT-आधारित चयन, और प्रारंभिक वैधता

• नमूना: प्रोलिफिक (Prolific) के माध्यम से भर्ती किए गए 475 अमेरिकी-आधारित वयस्क।
• प्रक्रिया: प्रतिभागियों ने 26 मदों के साथ-साथ मानव रूपक (Anthropomorphism) और AI में विश्वास (Trust in AI) के मापों को रेट किया।
• विश्लेषण:
  • एक्सप्लोरेटरी फैक्टर एनालिसिस (EFA): WLSMV अनुमान और जियोमिन रोटेशन का उपयोग करके Mplus में आयोजित किया गया। एक तीन-कारक समाधान को सबसे सैद्धांतिक रूप से व्याख्यात्मक और सांख्यिकीय रूप से सुदृढ़ संरचना के रूप में पहचाना गया।
  • आइटम रिस्पांस थ्योरी (IRT): भेदभाव ($a$), आइटम फिट ($S-X^2$), और स्थानीय स्वतंत्रता (Q3 अवशेष सहसंबंध) के आधार पर मद चयन को परिष्कृत करने के लिए प्रत्येक आयाम के लिए ग्रेडेड रिस्पांस मॉडल (GRM) फिट किए गए।
  • वैधता: मानव रूपक (Anthropomorphism) और AI में विश्वास के विरुद्ध अभिसारी (convergent) और विभेदक (discriminant) वैधता का परीक्षण लैटेंट-वेरिएबल मॉडल का उपयोग करके किया गया।
• परिणाम: पैमाने को 22 मदों वाले अंतिम माप में परिष्कृत किया गया जिसमें तीन आयाम शामिल हैं: संज्ञानात्मक सहानुभूति (Cognitive Empathy), भावनात्मक जुड़ाव (Emotional Connection), और नैतिक चिंता (Moral Concern)। प्रारंभिक विश्लेषण ने पुष्टि की कि पैमाना मानव रूपक और विश्वास से अलग है, फिर भी उनसे सकारात्मक रूप से सहसंबंधित है।

अध्ययन 3: नोमोलॉजिकल वैधता और सीमा स्थितियाँ

• नमूना: प्रोलिफिक के माध्यम से भर्ती किए गए 524 यूके-आधारित वयस्क।
• प्रक्रिया: एक स्ट्रक्चरल इक्वेशन मॉडलिंग (SEM) दृष्टिकोण का उपयोग करके एक नोमोलॉजिकल नेटवर्क का परीक्षण किया गया जहाँ मानव रूपक की प्रवृत्ति (Tendency to Anthropomorphize) और माइंड परसेप्शन, पूर्ववृत्तीय (antecedents) के रूप में कार्य करते हैं, और संतुष्टि (Satisfaction), AI के प्रति लगाव (Attachment to AI), भुगतान करने की इच्छा (Willingness to Pay), और क्षमा (सेवा विफलता के बाद) परिणाम के रूप में कार्य करते हैं। विफलता की गंभीरता (उच्च बनाम निम्न) के मॉडरेशन हाइपोथेसिसिस का परीक्षण करने के लिए एक सेवा विफलता परिदृश्य का उपयोग किया गया।
• विश्लेषण: एम्पैथी और विफलता की गंभीरता के बीच परस्पर क्रिया का परीक्षण करने के लिए लेटेंट मॉडरेटेड स्ट्रक्चरल इक्वेशन्स (LMS) का उपयोग किया गया। एक ट्रिम्ड स्ट्रक्चरल मॉडल को WLSMV का उपयोग करके अनुमानित किया गया। अतिरिक्त विभेदक वैधता का परीक्षण उपभोक्ता नवीनता (Consumer Innovativeness) और मनुष्यों के प्रति स्वाभाविक सहानुभूति (टोरंटो एम्पैथी प्रश्नावली) के विरुद्ध किया गया।
• परिणाम: मॉडल ने पूर्ववृत्तीय-परिणाम संबंधों की पुष्टि की और यह स्थापित किया कि मानव–एआई सहानुभूति, सामान्य पारस्परिक सहानुभूति से भिन्न है।

मुख्य परिणाम

1. पैमाना संरचना (HAES)
ह्यूमन–एआई एम्पैथी स्केल (HAES) एक 22-मद, तीन-आयामी संरचना है:

• संज्ञानात्मक सहानुभूति (Cognitive Empathy): एक AI एजेंट के दृष्टिकोण को समझने या उसका परिप्रेक्ष्य लेने की प्रवृत्ति (जैसे, यह अनुमान लगाना कि वह कैसे "सोचता" है या स्थितियों की व्याख्या करता है)।
• भावनात्मक जुड़ाव (Emotional Connection): AI को सामाजिक रूप से सार्थक साथी के रूप में देखने और भावनात्मक रूप से जुड़ने की प्रवृत्ति (जैसे, गर्माहट या लगाव महसूस करना)।
• नैतिक चिंता (Moral Concern): जब AI को गलत व्यवहार या हानि पहुँचाते हुए देखा जाता है, तो सहानुभूति या नैतिक चिंता अनुभव करने की प्रवृत्ति।

2. साइकोमेट्रिक गुण

• विश्वसनीयता और वैधता: पैमाने ने अध्ययनों में मजबूत विश्वसनीयता और साइकोमेट्रिक सुदृढ़ता प्रदर्शित की।
• विभेदक वैधता: मानव–एआई सहानुभूति, मानव रूपक (anthropomorphism), विश्वास, लगाव और मनुष्यों के प्रति स्वाभाविक सहानुभूति से अनुभवजन्य रूप से भिन्न थी। विशेष रूप से, मनुष्यों के प्रति स्वाभाविक सहानुभूति के साथ सहसंबंध गैर-महत्वपूर्ण ($r = .07$) था, जो पुष्टि करता है कि मानव–एआई सहानुभूति एक विशिष्ट, तकनीक-निर्देशित निर्माण है न कि सामान्य पारस्परिक सहानुभूति का एक सामान्य गुण।

3. पूर्ववृत्तीय और परिणाम

• पूर्ववृत्तीय: माइंड परसेप्शन को मानव–एआई सहानुभूति के एक मजबूत, निकटवर्ती पूर्ववृत्तीय ($\beta = .81$) के रूप में पहचाना गया। हालांकि मानव रूपक की प्रवृत्ति का सहानुभूति के साथ सहसंबंध था, माइंड परसेप्शन को नियंत्रित करने पर इसका अद्वितीय प्रभाव महत्वपूर्ण नहीं था, जिससे पता चलता है कि AI को मन वाला समझना ही सहानुभूतिपूर्ण प्रतिक्रियाओं का प्राथमिक चालक है।
• परिणाम: मानव–एआई सहानुभूति ने निम्नलिखित की भविष्यवाणी की:
  • AI इंटरैक्शन के साथ संतुष्टि ($\beta = .50$)।
  • AI के प्रति लगाव ($\beta = .90$)।
  • भुगतान करने की इच्छा ($\beta = .51$)।
  • सेवा विफलता के बाद क्षमा ($\beta = .35$)।
• मॉडरेशन (मध्यस्थता): अध्ययन में पाया गया कि मानव–एआई सहानुभूति और क्षमा के बीच का सकारात्मक संबंध सेवा विफलता की गंभीरता के आधार पर महत्वपूर्ण रूप से नहीं बदला। यह सुझाव देता है कि HAES द्वारा कैप्चर की गई सहानुभूति की प्रवृत्ति एक अपेक्षाकृत स्थिर व्यक्तिगत अंतर के रूप में कार्य करती है, न कि विफलता के परिमाण पर निर्भर एक स्थितिजन्य प्रतिक्रिया के रूप में।

महत्व और योगदान

पेपर कई सैद्धांतिक और व्यावहारिक योगदान का दावा करता है:

1. वैचारिक प्रगति: यह मानव–एआई सहानुभूति को एक विशिष्ट मनोवैज्ञानिक निर्माण के रूप में पेश करता है, जो सहानुभूति अनुसंधान को मानव लक्ष्यों से आगे बढ़ाकर कृत्रिम एजेंटों तक विस्तारित करता है। यह स्पष्ट करता है कि यह घटना एक जटिल परस्पर क्रिया को शामिल करती है जहाँ उपभोक्ता किसी इकाई की कृत्रिम प्रकृति को पहचानते हैं फिर भी संज्ञानात्मक, भावात्मक और नैतिक चिंता के साथ प्रतिक्रिया करते हैं।
2. सैद्धांतिक एकीकरण: माइंड परसेप्शन को एक निकटवर्ती पूर्ववृत्तीय के रूप में रखकर, यह शोध सहानुभूतिपूर्ण प्रतिक्रियाओं की ओर ले जाने वाली मनोवैज्ञानिक प्रक्रियाओं का एक सूक्ष्म विवरण प्रदान करता है, जो 'मन की धारणा' और उस धारणा वाले 'मन के प्रति सहानुभूतिपूर्ण प्रतिक्रिया' के बीच अंतर करता है।
3. मापन उपकरण: 22-मद वाले HAES के सत्यापन से शोधकर्ताओं को AI के प्रति सहानुभूतिपूर्ण प्रतिक्रियाओं के व्यक्तिगत अंतरों की जांच करने के लिए एक साइकोमेट्रिक रूप से कठोर उपकरण प्राप्त होता है, जो पिछले शोध की सीमा को संबोधित करता है जो मुख्य रूप से विशिष्ट रोबोटों के प्रति विशिष्ट स्थितिजन्य भावनात्मक प्रतिक्रियाओं पर केंद्रित था।
4. प्रबंधकीय प्रासंगिकता: निष्कर्ष बताते हैं कि फर्में उपभोक्ताओं को उनकी सहानुभूति संबंधी अभिविन्यास (empathic orientation) के आधार पर खंडित (segment) कर सकती हैं। उच्च-सहानुभूति वाले उपभोक्ता संबंधपरक AI डिजाइनों के प्रति अधिक ग्रहणशील हो सकते हैं, उनमें भुगतान करने की उच्च इच्छा और सेवा विफलता के बाद अधिक क्षमाशीलता हो सकती है। यह पैमाना AI सेवा डिजाइन, लक्षित विपणन और सेवा सुधार रणनीतियों को उपभोक्ताओं के मनोवैज्ञानिक ओरिएंटेशन के साथ संरेखित करने के लिए एक आधार प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि यह शोध मानव–AI इंटरैक्शन की विकसित होती सामाजिक और संबंधपरक प्रकृति की जांच करने के लिए भविष्य के कार्यों की नींव रखता है, जबकि वर्तमान परिचालन (operationalization) में विशिष्ट प्रकार के AI (जैसे, जनरेटिव बनाम प्रेडिक्टिव) और भौतिक अवतार (physical embodiment) की कमी को स्वीकार करता है।