Developing and assessing a scale for measuring human–AI alignment in hiring decisions

आधुनिक दुनिया में, अवसर के द्वारपाल बदल रहे हैं। दशकों तक, किसी को नौकरी के लिए चुनने का निर्णय पूरी तरह से मानवीय निर्णय पर आधारित था, एक ऐसी प्रक्रिया जो अनुभव, अंतर्ज्ञान और कभी-कभी अचेतन पूर्वाग्रह से प्रभावित होती थी। आज, आर्टिफिशियल इंटेलिजेंस (AI) तेजी से उस भूमिका में कदम रख रहा है, हजारों रेज्यूमे की छंटनी कर रहा है और किसी भी इंसान द्वारा नाम देखे जाने से पहले ही शुरुआती चयन कर रहा है। यह बदलाव एक मौलिक प्रश्न खड़ा करता है: जब एक मशीन भर्ती का निर्णय लेती है, तो क्या वह एक इंसान की तरह सोचती है? उत्तर यह पूछने में सरल नहीं है कि कंप्यूटर सही है या गलत। इसके बजाय, शोधकर्ता यह देख रहे हैं कि मशीन के चुनाव मनुष्यों के वास्तविक, विविध और अक्सर असंगत तरीकों से कितनी निकटता से मेल खाते हैं। इसे समझने के लिए, वैज्ञानिकों ने भर्ती को केवल एक आर्थिक लेनदेन के रूप में नहीं, बल्कि संरेखण (alignment) के एक परीक्षण के रूप में देखना शुरू कर दिया है, जिसमें मानवीय तर्क और एल्गोरिदम के तर्क के बीच की दूरी को मापा जाता है।

शोधकर्ताओं की एक टीम ने एक नए दृष्टिकोण के साथ इस दूरी को मापने का प्रयास किया जिसे वे 'लेबर मार्केट ट्यूरिंग टेस्ट' कहते हैं। क्लासिक ट्यूरिंग टेस्ट, जिसे दशकों पहले प्रस्तावित किया गया था, यह देखने के लिए बनाया गया था कि क्या एक मशीन किसी इंसान को यह विश्वास दिलाने में सक्षम है कि वह भी एक इंसान है। यह नया संस्करण इस पटकथा को उलट देता है। यह पूछने के बजाय कि क्या एक मशीन किसी व्यक्ति को मूर्ख बना सकती है, यह पूछता है कि एक मशीन के निर्णय एक व्यक्ति के निर्णयों जैसे कितने दिखते हैं। शोधकर्ताओं ने केवल AI से सर्वश्रेष्ठ उम्मीदवार चुनने के लिए नहीं कहा। उन्होंने इक्वाडोर में 27 संख्याओं पेशेवर मानव रिक्रूटर्स (भर्तीकर्ताओं) के साथ एक नियंत्रित प्रयोग किया। इन वास्तविक लोगों को दस अलग-अलग प्रकार की नौकरियों के लिए आवेदकों के जोड़ों की समीक्षा करने के लिए काम पर रखा गया था, जिसमें वेयरहाउस असिस्टेंट से लेकर सॉफ्टवेयर डेवलपर तक शामिल थे। यह सुनिश्चित करने के लिए कि परीक्षण निष्पक्ष हो और विशिष्ट योग्यताओं के बजाय निर्णय लेने की शैली पर केंद्रित हो, प्रत्येक जोड़ी के आवेदकों को उनके कौशल, शिक्षा और अनुभव के आधार पर समान रखा गया था। उनके बीच एकमात्र अंतर पहचान के निशान थे, जैसे लिंग, यौन रुझान या आप्रवास स्थिति—ऐसे कारक जिन्हें तार्किक रूप से यह प्रभावित नहीं करना चाहिए कि किसे काम के लिए चुना जाए।

मानव रिक्रूटर्स ने अपने चुनाव किए, और फिर शोधकर्ताओं ने एक डिजिटल दर्पण बनाया। उन्होंने चार अलग-अलग आर्टिफिशियल इंटेलिजेंस एजेंटों की टीमें बनाईं, जिनमें से प्रत्येक एक लार्ज लैंग्वेज मॉडल द्वारा संचालित थी, ताकि वे ठीक वही कार्य कर सकें। पहली टीम, जिसे "रोबोट्स" कहा गया, को सर्वश्रेष्ठ उम्मीदवार चुनने के लिए केवल बुनियादी निर्देश दिए गए। दूसरी टीम, "अवतारों" को विशिष्ट मानव रिक्रूटर्स की नकल करने, उनके व्यक्तित्व लक्षणों, शिक्षा और पेशेवर पृष्ठभूमि की नकल करने के लिए कहा गया। तीसरी टीम, "क्लोन्स" ने एक कदम आगे बढ़ाया; उन्हें न केवल एक विशिष्ट मानव होने का नाटक करने के लिए कहा गया, बल्कि उन्हें केवल उसी जानकारी को देखने के लिए भी प्रतिबंधित किया गया जो उस मानव ने देखी थी, बिल्कुल उसी क्रम में। अंतिम टीम, "रैंडोमिस्टास" ने अपने निर्णय डिजिटल सिक्के को उछालकर लिए, जो शुद्ध यादृच्छिकता (randomness) के लिए एक आधार रेखा के रूप में कार्य करती थी। लक्ष्य यह देखना था कि इनमें से कौन सी AI टीम के निर्णय मानव रिक्रूटर्स की तरह दिखते हैं।

परिणामों को मापने के लिए, शोधकर्ताओं ने हर रिक्रूटर, मानव और मशीन को एक एकल रेखा पर रखने के लिए एक पैमाना विकसित किया। रेखा के एक छोर पर "स्काईनेट" नामक एक संदर्भ बिंदु है, जो बुनियादी रोबोट टीम द्वारा किए गए औसत विकल्प का प्रतिनिधित्व करता है। यह शुद्धता का माप नहीं है, बल्कि शुद्ध एल्गोरिदम निरंतरता का माप है। एक रिक्रूटर जो हमेशा स्काईनेट के साथ सहमत होता है, वह अत्यधिक मशीन-समान तरीके से कार्य कर रहा है। एक रिक्रूटर जो अक्सर असहमत होता है, वह अधिक मानवीय तरीके से कार्य कर रहा है। अध्ययन में पाया गया कि औसत मानव रिक्रूटर औसत मशीन से काफी भिन्न था। वास्तव में, मानव विकल्प मशीन के विशिष्ट व्यवहार से लगभग 1.73 मानक विचलन (standard deviations) दूर थे। इसका अर्थ है कि, औसतन, मनुष्य बहुत कम अनुमानित और कम सुसंगत होते हैं।

शोधकर्ताओं ने पाया कि जितना अधिक उन्होंने AI को मानव की तरह व्यवहार करने के लिए प्रेरित किया, उतना ही यह मानव औसत के करीब पहुँच गया, लेकिन यह कभी भी पूरी तरह से वहाँ नहीं पहुँच सका। यहाँ तक कि "क्लोन्स" भी, जिन्हें विशिष्ट मनुष्यों की नकल करने के लिए प्रोग्राम किया गया था और उन्हीं सूचनाओं तक सीमित रखा गया था जो उन मनुष्यों ने देखी थीं, फिर भी उन्होंने ऐसे विकल्पों का पैटर्न तैयार किया जो वास्तविक लोगों से सांख्यिकीय रूप से भिन्न था। सबसे आश्चर्यजनक निष्कर्ष "रैंडोमिस्टास" से आया। वे AI एजेंट जिन्होंने निर्णय लेने के लिए केवल एक सिक्का उछाला था, वास्तव में मानव औसत के अधिक करीब के चुनाव पैटर्न के साथ आए। यह सुझाव देता है कि भर्ती में मानव निर्णय लेने की प्रक्रिया में यादृच्छिकता या असंगतता का एक स्तर होता है जिसे सबसे परिष्कृत AI भी पूरी तरह से दोहराने में असमर्थ है। मनुष्य केवल तर्कसंगत, नियम-आधारित विकल्प नहीं बना रहे थे; वे ऐसे विकल्प बना रहे थे जिनमें अनिश्चितता का एक अंश शामिल था जिसे मशीनें, मानव होने का नाटक करने के बावजूद, पूरी तरह से पकड़ नहीं सकीं।

अध्ययन से यह भी पता चला कि नौकरी की जटिलता के आधार पर मानव और मशीन के बीच का अंतर बढ़ जाता है। जब रिक्रूटर्स सफाईकर्मी या वेयरहाउस वर्कर जैसी सरल नौकरियों के लिए उम्मीदवारों के बीच चयन कर रहे थे, तो मानव और मशीन अक्सर सहमत हुए। हालाँकि, जैसे-जैसे नौकरियाँ अधिक चुनौतीपूर्ण हुईं, जिनमें विशेष कौशल या उच्च शिक्षा की आवश्यकता थी, सहमति कम हो गई। मशीनें और मनुष्य अधिक स्पष्ट रूप से अलग होने लगे। इसके अलावा, जब जोड़ी के भीतर दोनों उम्मीदवार बहुत समान थे, जिनमें आयु या अनुभव के वर्षों में मामूली अंतर था, तो मानव और मशीन अधिक बार असहमत हुए। मशीनें इन सूक्ष्म विवरणों पर ध्यान केंद्रित करती दिखीं और निर्णय लेने के लिए उन पर आधारित हुईं, जबकि मनुष्य उम्मीदवारों को अनिवार्य रूप से समान मानने के प्रति अधिक इच्छुक थे। यह इंगित करता है कि AI सूक्ष्म अंतरों के प्रति अति-सतर्क है, जबकि मनुष्य अस्पष्टता को स्वीकार करने के लिए अधिक तैयार रहते हैं।

शोधकर्ताओं ने यह भी देखा कि क्या वे समझा सकते हैं कि कुछ मनुष्य दूसरों की तुलना में अधिक "मशीन-समान" क्यों हैं। उन्होंने रिक्रूटर्स के व्यक्तित्व, उनके संज्ञानात्मक परीक्षण स्कोर, उनकी शिक्षा और उनके अनुभव के वर्षों की जांच की। आश्चर्यजनक रूप से, इनमें से किसी भी कारक ने स्पष्ट व्याख्या प्रदान नहीं की। एक रिक्रूटर की बुद्धिमत्ता या क्षेत्र में उनके वर्षों का अनुभव यह भविष्यवाणी नहीं कर सका कि वे मशीन की तरह निर्णय लेंगे या नहीं। केवल व्यक्तित्व-आधारित लक्षण ही कमजोर संबंध दिखाते थे: उच्च आत्म-सम्मान वाले रिक्रूटर्स थोड़े अधिक मशीन-समान थे, जबकि उच्च तंत्रिकाताप (neuroticism) वाले थोड़े कम थे। लेकिन इन कारकों के साथ भी, मानव और मशीन के बीच के अंतर का विशाल बहुमत अप्राप्त रहा। यह सुझाव देता है कि इस तरह के निर्णय लेने में एक जटिल, छिपी हुई विमा (dimension) शामिल है जिसे मानक सर्वेक्षणों या परीक्षणों द्वारा आसानी से नहीं मापा जा सकता है।

अंततः, अध्ययन यह सुझाव देता है कि मानवीय निर्णय की पूर्ण नकल करने के लिए न केवल एक निश्चित प्रकार के उम्मीदवार को चुनने की औसत प्रवृत्ति को पकड़ना आवश्यक है, बल्कि मानवीय तर्क की पूर्ण विविधता, उसकी विसंगतियों सहित, को भी पकड़ना आवश्यक है। AI सिस्टम, भले ही उन्हें मानव-समान बनाया जाए, वे उन लोगों की तुलना में अधिक सुसंगत और नियम-आधारित होते हैं जिनकी वे नकल करने की कोशिश कर रहे हैं। यह एक विरोधाभास पैदा करता है: जितना अधिक एक AI सिस्टम पूरी तरह से सुसंगत और तर्कसंगत होने का प्रयास करता है, वह उतना ही कम मानव जैसा दिखता है। शोधकर्ता तर्क देते हैं कि यह अंतर भर्ती में AI के उपयोग को समझने के लिए महत्वपूर्ण है। यदि हम चाहते हैं कि AI पर भरोसा किया जाए, तो हमें यह समझना होगा कि यह स्वाभाविक रूप से एक मानव की तरह व्यवहार नहीं करेगा। यह उसी स्तर की अस्पष्टता या यादृच्छिकता को स्वाभाविक रूप से नहीं अपनाएगा जो मनुष्य करते हैं। अध्ययन निष्कर्ष निकालता है कि भर्ती की चाबियाँ एल्गोरिदम को सौंपने से पहले, हमें यह पहचानना होगा कि ये सिस्टम केवल तेज़ मानव नहीं हैं; वे मौलिक रूप से अलग प्रकार के निर्णय लेने वाले हैं, जो एक ऐसे तर्क पर काम करते हैं जो स्थिर और नियम-बद्ध है, लेकिन मानव चुनाव की अस्त-व्यस्त वास्तविकता से अक्सर भिन्न है।