A Multidimensional Resilience Capacity Index: Combining Composite Scoring With Complex Systems Methods
यह शोध पत्र एक नवीन दो-लेंस हाइब्रिड ढांचे का प्रस्ताव करता है जो पूर्व-निर्धारित भार के बिना वेटिंग, संवेदनशीलता विश्लेषण, वैधता और विन्यास गणना में प्रमुख कमियों को दूर करने के लिए एक बहुआयामी लचीलापन माप बनाने हेतु एक भारित लचीलापन क्षमता सूचकांक (RCI) को सेल्फ-ऑर्गनाइजिंग मैप (SOM) मशीन लर्निंग के साथ संयोजित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
लचीलेपन (Resilience) को अक्सर वापसी करने की क्षमता के रूप में वर्णित किया जाता है, लेकिन वास्तविक दुनिया में, यह शायद ही कभी कोई एक गुण होता है जिसे कोई व्यक्ति या तो रखता है या नहीं। यह कारकों का एक जटिल जाल है: एक परिवार कितनी अच्छी तरह से जुड़ा हुआ है, एक पड़ोस में सुरक्षित पार्क हैं या नहीं, क्या कोई अपने स्थानीय सरकार पर भरोसा करता है, और क्या उनके पास भोजन और गर्मी के लिए पर्याप्त पैसा है। दशकों से, शोधकर्ताओं ने विभिन्न संकेतकों को एक एकल स्कोर में मिलाकर इस जाल को मापने की कोशिश की है, ठीक वैसे ही जैसे विभिन्न परीक्षणों से एक अंतिम ग्रेड की गणना की जाती है। हालाँकि, यह दृष्टिकोण अक्सर तस्वीर को सपाट कर देता है, जिससे लोगों और समुदायों द्वारा अनुभव की जाने वाली शक्ति और भेद्यता (vulnerability) के अनूठे तरीकों को छिपा दिया जाता है। जब एक संख्या का उपयोग इतनी समृद्ध, बहुआयामी वास्तविकता का प्रतिनिधित्व करने के लिए किया जाता है, तो यह उन संसाधनों के विशिष्ट संयोजनों को चूक सकता है जो वास्तव में लोगों को कठिन समय में जीवित रहने में मदद करते हैं।
न्यूजीलैंड के विभिन्न विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस समस्या को देखने का एक नया तरीका प्रस्तावित किया है। उनका तर्क है कि लचीली क्षमता (resilience capacity)—जो प्रतिकूलता का सामना करने की क्षमता है—को वास्तव में समझने के लिए, हमें दो अलग-अलग लेंसों की आवश्यकता है जो एक साथ काम करें। पहला लेंस देखता है कि एक व्यक्ति के पास कुल कितनी क्षमता है, जबकि दूसरा लेंस उस क्षमता के विशिष्ट आकार या पैटर्न को देखता है। इन दोनों दृष्टिकोणों को जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो न केवल हमें यह बता सकता है कि किसी के पास कितना लचीलापन है, बल्कि यह भी कि वह किस प्रकार का लचीलापन है। यह अंतर महत्वपूर्ण है क्योंकि दो लोगों के पास समान कुल स्कोर हो सकता है, फिर भी एक परिवार के समर्थन में मजबूत लेकिन आवास में कमजोर हो सकता है, जबकि दूसरे के पास इसके विपरीत मिश्रण हो सकता है। इस अंतर को समझना उन सहायता प्रणालियों को डिजाइन करने के लिए महत्वपूर्ण है जो वास्तव में उन लोगों की जरूरतों के अनुकूल हों जिनकी वे मदद करना चाहती हैं।
शोधकर्ताओं ने यह पहचानते हुए शुरुआत की कि वर्तमान में लचीलेपन को मापने के चार सामान्य तरीके क्या हैं। पहला, कई अध्ययन केवल विभिन्न कारकों को जोड़ देते हैं बिना यह समझाए कि कुछ अधिक महत्वपूर्ण क्यों हैं। दूसरा, बहुत कम अध्ययन यह जाँचते हैं कि उनके परिणामों की संवेदनशीलता उनके द्वारा किए गए वेटिंग (weighting) के विकल्पों के प्रति कैसी है। तीसरा, कई शोधकर्ता एक प्रकार के डेटा को मापने के लिए ऐसे सांख्यिकीय परीक्षणों का उपयोग करते हैं जो दूसरे प्रकार के डेटा के लिए डिज़ाइन किए गए हैं, जिससे अविश्वसनीय परिणाम मिलते हैं। अंत में, अधिकांश अध्ययन यह देखने में विफल रहते हैं कि विभिन्न कारक मिलकर कैसे विशिष्ट प्रकार के लचीले या संवेदनशील घरों का निर्माण करते हैं। इन समस्याओं को ठीक करने के लिए, टीम ने एक हाइब्रिड पद्धति विकसित की है जो एक ही डेटा सेट पर दो पूरक दृष्टिकोणों का उपयोग करती है।
पहला दृष्टिकोण, जिसे लेखक "वेरिएबल-आधारित" (variable-based) लेंस कहते हैं, एक एकल स्कोर बनाता है जिसे 'रेज़िलिएंस कैपेसिटी इंडेक्स' कहा जाता है। यह स्कोर तीस अलग-अलग मदों से बना है जिन्हें तेरह छोटे ब्लॉकों में समूहबद्ध किया गया है, जिन्हें फिर तीन व्यापक क्षेत्रों में व्यवस्थित किया गया है: व्यक्तिगत, सामाजिक और प्रणालीगत कारक। व्यक्तिगत क्षेत्र में आत्मविश्वास और स्वास्थ्य जैसी चीजें शामिल हैं; सामाजिक क्षेत्र परिवार के संबंधों और दूसरों पर विश्वास को देखता है; और प्रणालीगत क्षेत्र स्वास्थ्य सेवा तक पहुंच, आवास की गुणवत्ता और पर्यावरणीय संसाधनों की जांच करता है। शोधकर्ताओं ने इन स्कोरों को संयोजित करने के लिए एक विशिष्ट गणितीय पद्धति का उपयोग किया जो असंतुलन को दंडित (penalize) करती है। इसका अर्थ यह है कि यदि किसी व्यक्ति के कुछ क्षेत्रों में उच्च स्कोर है लेकिन अन्य क्षेत्रों में बहुत कम है, तो उनके अंतिम स्कोर को इस असंतुलन को दर्शाने के लिए कम कर दिया जाता है। यह दृष्टिकोण सुनिश्चित करता है कि एक मजबूत क्षेत्र किसी अन्य महत्वपूर्ण कमजोरी को पूरी तरह से छिपा न सके, जिससे समग्र क्षमता की अधिक ईमानदार तस्वीर मिलती है।
दूसरा दृष्टिकोण, "कॉन्फ़िगरेशनल" (configurational) लेंस, एक अलग रास्ता अपनाता है। सब कुछ एक संख्या में बदलने के बजाय, यह लोगों को उनके स्कोर के अद्वितीय पैटर्न के आधार पर समूहित करने के लिए एक मशीन-लर्निंग तकनीक का उपयोग करता है। कल्पना कीजिए कि आप एक मानचित्र देख रहे हैं जहाँ लोगों को उनकी कुल ऊंचाई के आधार पर नहीं, बल्कि उनकी विशेषताओं के विशिष्ट संयोजन के आधार पर क्लस्टर किया गया है। यह विधि लचीले प्रोफाइल के विशिष्ट प्रकारों की पहचान करती है। उदाहरण के लिए, यह लोगों के एक ऐसे समूह को पा सकती है जो पारिवारिक और सामाजिक संबंधों में बहुत मजबूत है लेकिन आवास और आपातकालीन तैयारी के मामले में संघर्ष कर रहा है। दूसरा समूह इसके विपरीत प्रोफाइल वाला हो सकता है: भौतिक संसाधनों में मजबूत लेकिन सामाजिक समर्थन में कमजोर। इन पैटर्न को मैप करके, शोधकर्ता जनसंख्या में मौजूद लचीलेपन के विभिन्न "स्वादों" को देख सकते हैं, न कि केवल एक औसत को।
इन दोनों लेंसों को एक साथ उपयोगी बनाने के लिए, शोधकर्ताओं ने एक "क्रॉसवॉक" (crosswalk) बनाया है जो पहले लेंस के एकल स्कोर को दूसरे लेंस के पैटर्न समूहों से जोड़ता है। यह उन्हें यह देखने की अनुमति देता है कि दोनों विधियाँ कहाँ सहमत हैं और कहाँ असहमत हैं। कभी-कभी, एकल इंडेक्स पर कम स्कोर, पैटर्न विश्लेषण द्वारा पहचाने गए कमजोर समूह के साथ सही ढंग से मेल खाता है। लेकिन अक्सर, क्रॉसवॉक कुछ अधिक दिलचस्प प्रकट करता है: एक व्यक्ति जिसका मध्य-श्रेणी का स्कोर है, वह एक ऐसे समूह से संबंधित हो सकता है जो अत्यधिक असंतुलित है, जिसमें एक क्षेत्र में ताकत और दूसरे में गंभीर कमजोरी है। यह असहमति कोई गलती नहीं है; यह एक महत्वपूर्ण अंतर्दृष्टि है। यह दर्शाता है कि एक एकल संख्या कभी-कभी उन विशिष्ट संरचनात्मक कमजोरियों को छिपा सकती है जिन्हें एक पैटर्न-आधारित दृष्टिकोण उजागर करता है।
टीम ने न्यूजीलैंड जनरल सोशल सर्वे के डेटा का उपयोग करके इस नए ढांचे को लागू किया, जिसमें विभिन्न वर्षों के हजारों प्रतिभागियों की जानकारी को जोड़ा गया। उन्होंने अपनी पद्धति को स्थापित कल्याण उपायों, जैसे कि WHO-5 वेल-बीइंग इंडेक्स के विरुद्ध मान्य (validate) करने के लिए डिज़ाइन किया, और सुनिश्चित किया कि विश्लेषण किए गए डेटा के प्रकार के लिए उपयुक्त सांख्यिकीय नियम उपयोग किए जाएं। हालांकि इस कंपोजिट इंडिकेटर के 2021 और 2023 के सर्वेक्षण परिणामों के पूर्ण अनुप्रयोग की रिपोर्ट एक आगामी शोध पत्र में दी जाएगी, यह अध्ययन उस सैद्धांतिक संरचना और रणनीति को प्रस्तुत करता है जिसका उद्देश्य पिछले शोध में पहचाने गए चार अंतराल को दूर करना है। प्रस्तावित पद्धति को विभिन्न कारकों के लिए प्रभावी भार (weights) उत्पन्न करने, उनके भार के प्रति परिणामों की संवेदनशीलता का विश्लेषण करने, और व्यक्तिगत मदों एवं समग्र कंपोजिट स्कोर दोनों के लिए सही सत्यापन मानकों का उपयोग करने के लिए डिज़ाइन किया गया है।
अध्ययन यह स्पष्ट करता है कि यह पद्धति विभिन्न प्रकार की भेद्यता (vulnerability) के बीच अंतर कैसे करती है। उदाहरण के लिए, विश्लेषण दिखाता है कि मध्यम समग्र स्कोर वाले कुछ समूह काफी संतुलित हो सकते हैं, जबकि समान स्कोर वाले अन्य समूह अत्यधिक असंतुलित हो सकते हैं, जो एक प्रकार के समर्थन पर बहुत अधिक निर्भर हैं जबकि अन्य की कमी है। विवरण का यह स्तर एक एकल स्कोर अकेले प्रदान नहीं कर सकता। शोधकर्ताओं ने यह भी नोट किया कि उनकी पद्धति लचीली है और इसे अन्य क्षेत्रों में भी लागू किया जा सकता है जहाँ जटिल, बहुआयामी घटनाओं को मापने की आवश्यकता होती है, बशर्ते कि विभिन्न प्रकार के डेटा का मिश्रण और परिणामों को मान्य करने का एक तरीका उपलब्ध हो।
अध्ययन निष्कर्ष निकालता है कि लचीलेपन को मापने के लिए केवल संसाधनों को गिनने से अधिक की आवश्यकता है। इसके लिए यह समझना आवश्यक है कि वे संसाधन कैसे व्यवस्थित हैं और वे कैसे परस्पर क्रिया करते हैं। एक कुल स्कोर और पैटर्न विश्लेषण को मिलाने वाले दोहरी-लेंस दृष्टिकोण का उपयोग करके, शोधकर्ता और नीति निर्माता मानव क्षमता की अधिक स्पष्ट, सूक्ष्म तस्वीर प्राप्त कर सकते हैं। यह बेहतर-लक्षित हस्तक्षेपों (interventions) की अनुमति देता है जो किसी व्यक्ति या समुदाय के लचीलेपन के विशिष्ट अंतरालों को संबोधित करते हैं, न कि एक 'वन-साइज़-फिट्स-ऑल' समाधान लागू करते हैं। यह कार्य लचीलेपन को मापने की समस्या को हल करने का दावा नहीं करता है, बल्कि यह एक मजबूत, पारदर्शी और अधिक सटीक तरीका प्रदान करता है जिससे बातचीत शुरू की जा सके, यह सुनिश्चित करते हुए कि एक एकल संख्या की खोज में मानवीय अनुभव की जटिलता खो न जाए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।