What to check before using AI-based virtual patients in clinical psychology training: an ablation audit of four personas
यह अध्ययन नैदानिक मनोविज्ञान प्रशिक्षण के लिए चार एआई-आधारित आभासी रोगियों को यह प्रदर्शित करके मान्य करता है कि वे प्रशिक्षु के व्यवहार के बजाय स्वयं मॉडलों द्वारा संचालित स्थिर, पहचानने योग्य उद्दीपन के रूप में कार्य करते हैं, जबकि यह भी प्रकट करता है कि शाब्दिक विश्लेषण अधिकांश स्थितियों के लिए विकार-विशिष्ट भाषा को प्रभावी ढंग से पकड़ता है लेकिन सामान्यीकृत चिंता जैसी विसरित नैदानिक प्रोफाइल वाली स्थितियों के लिए विफल रहता 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
भविष्य के थेरेपिस्टों के प्रशिक्षण में, एक महत्वपूर्ण उपकरण लंबे समय से "मानकीकृत रोगी" (standardized patient) रहा है। ये अभिनेता या स्क्रिप्ट होते हैं जिन्हें एक विशिष्ट भूमिका निभाने के लिए डिज़ाइन किया जाता है, जैसे कि अवसाद या चिंता से पीड़ित व्यक्ति, ताकि छात्र अपने साक्षात्कार कौशल का अभ्यास एक सुसंगत चरित्र पर कर सकें। इसका लक्ष्य यह सुनिश्चित करना है कि प्रत्येक छात्र एक ही व्यक्ति से मिले, उन्हीं समस्याओं के साथ, ताकि शिक्षक निष्पक्ष रूप से यह निर्णय ले सकें कि कौन सबसे अधिक सीख रहा है। दशकों तक, ये सिमुलेशन कठोर थे, जो एक सख्त स्क्रिप्ट का पालन करते थे जहाँ रोगी के उत्तर कभी नहीं बदलते थे। हालाँकि, अब उपकरणों की एक नई पीढ़ी आ गई है, जो आर्टिफिशियल इंटेलिजेंस (AI) द्वारा संचालित है जो इंसान की तरह बातचीत कर सकती है। ये डिजिटल रोगी स्वतंत्र रूप से बोल सकते हैं, और छात्र जो कहते हैं उसके अनुसार वास्तविक समय में खुद को ढाल सकते हैं। यह लचीलापन रोमांचक है, लेकिन यह एक नई चिंता भी पैदा करता है: यदि कंप्यूटर मौके पर ही उत्तर बना रहा है, तो हम कैसे सुनिश्चित कर सकते हैं कि दो अलग-अलग छात्र वास्तव में एक ही व्यक्ति से बात कर रहे हैं? यदि डिजिटल चरित्र हर बार अपनी व्यक्तित्व बदल देता है, तो प्रशिक्षण का मूल्य समाप्त हो जाता है।
अटलांटिक मिडिल विश्वविद्यालय के शोधकर्ताओं ने इस पहेली को सुलझाने का प्रयास किया। वे जानना चाहते थे कि क्या ये नए, AI-संचालित वर्चुअल रोगी वास्तव में विश्वसनीय थे। उन्होंने चार विशिष्ट पात्रों पर ध्यान केंद्रित किया: मारिया नाम की एक महिला जो अवसाद का प्रतिनिधित्व करती है, नतालिया नाम की एक महिला जिसे सामान्यीकृत चिंता (generalized anxiety) है, लियान नाम की एक महिला जो पोस्ट-ट्रॉमेटिक स्ट्रेस (PTSD) से ग्रस्त है, और एड्रियन नाम का एक पुरुष जिसमें जुनूनी-बाध्यकारी (obsessive-compulsive) प्रवृत्तियाँ हैं। टीम ने सौ से अधिक रिकॉर्ड किए गए थेरेपी सत्र एकत्र किए जहाँ स्नातक छात्रों ने इन डिजिटल पात्रों का साक्षात्कार करने का अभ्यास किया। उनका काम ऑडिटर्स (लेखा परीक्षकों) के रूप में कार्य करना था, जो उन सभी चीजों को हटा दें जो उन्हें यह सोचने के लिए भ्रमित कर सकती थीं कि पात्र सुसंगत हैं, ताकि यह देखा जा सके कि क्या रोगी की मूल पहचान बनी रहती है। उन्होंने पूछा कि क्या छात्र स्वयं पात्रों को अलग महसूस करा रहे थे, या क्या पात्र वास्तव में एक-दूसरे से भिन्न थे। उन्होंने यह भी जाँच की कि क्या पात्र वास्तव में अपनी विशिष्ट स्थितियों के लिए सही शब्दों का उपयोग कर रहे थे, या वे केवल उन लक्षणों की सूची को दोहरा रहे थे जो शोधकर्ताओं ने कंप्यूटर में टाइप किए थे।
शोधकर्ताओं ने पहले यह परीक्षण करना शुरू किया कि क्या छात्र भ्रम का स्रोत हो सकते हैं। उन्होंने छात्रों द्वारा उपयोग की जाने वाली भाषा का विश्लेषण किया ताकि यह देखा जा सके कि क्या छात्रों का अपना व्यवहार ही सत्रों को अलग दिखा रहा था। परिणाम स्पष्ट थे: छात्रों ने रोगी की पहचान निर्धारित नहीं की थी। जब शोधकर्ताओं ने केवल वर्चुअल रोगियों द्वारा कही गई बातों को देखा, और छात्रों के व्यवहार को अनदेखा कर दिया, तब भी कंप्यूटर लगभग अस्सी प्रतिशत मामलों में सही ढंग से पहचान सका कि कौन सा पात्र बोल रहा था। इससे सिद्ध हुआ कि संकेत रोगी की ओर से आ रहा था, न कि छात्र की ओर से। टीम ने इन पात्रों की स्थिरता का परीक्षण करने के लिए अधिक आक्रामक दृष्टिकोण अपनाया। उन्होंने जीवनी संबंधी विवरणों को हटा दिया, जैसे कि पात्र की नौकरी या पारिवारिक इतिहास, जो अक्सर हर सत्र में दोहराए जाते हैं। उन्होंने उन सबसे अनूठे शब्दों को भी हटा दिया जो प्रत्येक पात्र द्वारा उपयोग किए जाते थे। इस विशिष्ट सामग्री को हटाने के बाद भी, सिस्टम अणावे प्रतिशत मामलों में सही पात्र की पहचान करने में सक्षम था। यह निष्कर्ष शक्तिशाली था क्योंकि इसने दिखाया कि पात्रों के बोलने का एक स्थिर तरीका था जो केवल उनकी जीवन कहानी दोहराने से कहीं अधिक था।
अध्ययन ने यह भी जांचा कि क्या पात्र वास्तव में अपने विशिष्ट विकारों की भाषा बोल रहे थे। चार में से तीन पात्रों के लिए, उत्तर 'हाँ' था। जुनूनी-बाध्यकारी प्रवृत्तियों वाला वर्चुअल रोगी, एड्रियन, विशेष रूप से उल्लेखनीय था। उसे केवल साठ-छह शब्दों के बहुत छोटे विवरण के साथ बनाया गया था जिसमें उसके लक्षणों की सूची तक नहीं थी। फिर भी, अपनी बातचीत में, उसने स्वाभाविक रूप से 'चेकिंग' (जाँचने) और 'अरेंजिंग' (व्यवस्थित करने) से संबंधित शब्दों का उपयोग अन्य किसी भी पात्र की तुलना में बहुत अधिक किया। यह तब भी हुआ जब कंप्यूटर को दिए गए निर्देशों में उसे स्पष्ट रूप से 'चेकिंग' के बारे में बात करने के लिए नहीं कहा गया था। यह सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस अपनी स्वयं की जानकारी का उपयोग कर रहा था, न कि केवल एक स्क्रिप्ट की नकल कर रहा था। हालाँकि, चौथा पात्र, नतालिया, जो चिंता का प्रतिनिधित्व करती थी, इस स्पष्ट पैटर्न को नहीं दिखा सकी। उसकी शब्दावली अन्य पात्रों से काफी अलग नहीं थी। शोधकर्ताओं ने नोट किया कि चिंता एक जटिल स्थिति है जहाँ लोग जो शब्द उपयोग करते हैं वे अक्सर अन्य विकारों के साथ ओवरलैप (मेल खाते) होते हैं, जिससे एक अनूठा भाषाई फिंगरप्रिंट पहचानना कठिन हो जाता है। इसका मतलब यह नहीं था कि पात्र विफल रहा; पिछले अध्ययनों ने पुष्टि की थी कि वह मानव विशेषज्ञों के लिए नैदानिक रूप से विश्वसनीय था। इसका सीधा सा अर्थ यह था कि विशिष्ट शब्दों की जाँच करना हर प्रकार की मानसिक स्वास्थ्य स्थिति के लिए एक आदर्श परीक्षण नहीं है।
यह कार्य निष्कर्ष निकालता है कि ये AI-आधारित वर्चुअल रोगी प्रशिक्षण के लिए विश्वसनीय और मानकीकृत उपकरण के रूप में कार्य कर सकते हैं, बशर्ते उनकी सावधानीपूर्वक जाँच की जाए। पात्रओं ने एक सुसंगत पहचान बनाए रखी जो उनकी बैकस्टोरी और उनके सबसे विशिष्ट शब्दों को हटाने के बाद भी बनी रही। अध्ययन ने यह भी दिखाया कि एक बहुत छोटा विवरण एक अत्यधिक यथार्थवादी पात्र बनाने के लिए पर्याप्त था, जो इस विचार को चुनौती देता है कि जटिल, लंबी निर्देशिकाएँ हमेशा आवश्यक होती हैं। हालाँकि, शोधकर्ता चेतावनी देते हैं कि ये परिणाम उस सेटिंग के लिए विशिष्ट हैं जिसमें इनका परीक्षण किया गया था। पात्र अपने स्वयं के प्रशिक्षण वातावरण के भीतर अच्छा प्रदर्शन करते थे, लेकिन विभिन्न समूहों के छात्रों या विभिन्न स्कूलों में काम करने की उनकी क्षमता अभी तक सिद्ध नहीं हुई है। इसके अलावा, जबकि पात्र सुसंगत थे, अध्ययन में यह परीक्षण नहीं किया गया कि उनके साथ अभ्यास करने से वास्तव में छात्र बेहतर थेरेपिस्ट बनते हैं या नहीं। ये निष्कर्ष इन उपकरणों के उपयोग के लिए एक मजबूत आधार प्रदान करते हैं, यह पुष्टि करते हुए कि डिजिटल रोगी स्थिर और विशिष्ट हैं, लेकिन वे यह भी रेखांकित करते हैं कि विशिष्ट शब्दावली की जाँच करना प्रत्येक प्रकार के मानसिक स्वास्थ्य सिमुलेशन को मान्य करने के लिए 'एक ही आकार का समाधान' (one-size-fits-all) नहीं है।
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।