Multi-Perspective Ensemble Stratification-Driven Quality of Life Assessment for Transformative Planning of Coastal Communities

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि क्यों एक पड़ोस में कुछ परिवार संघर्ष कर रहे हैं जबकि अन्य फल-फूल रहे हैं। लंबे समय तक, विशेषज्ञों ने इस पहेली को सुलझाने के लिए केवल एक चीज़ को देखने की कोशिश की: एक परिवार कितना पैसा कमाता है। यह एक कार की सेहत का आकलन करने के लिए केवल उसके ईंधन गेज (fuel gauge) को चेक करने जैसा है; यदि टैंक भरा हुआ है, तो आप मान लेते हैं कि कार ठीक है, भले ही टायर पंचर हों या इंजन खराब हो। लेकिन वास्तविक दुनिया में, जीवन बहुत जटिल है। एक परिवार के पास पर्याप्त नकदी हो सकती है लेकिन स्वच्छ जल नहीं, या उनके पास नौकरी हो सकती है लेकिन अस्पताल तक पहुँच न हो। यहीं से "जीवन की गुणवत्ता" (Quality of Life) का विज्ञान आता है। केवल सिक्कों को गिनने के बजाय, शोधकर्ता अब एक साथ कई चीज़ों को मापने की कोशिश करते हैं—जैसे भोजन, स्वास्थ्य, शिक्षा और सुरक्षा—ताकि लोगों की स्थिति की एक सच्ची तस्वीर मिल सके।

ऐसा करने के लिए, वैज्ञानिक अक्सर "मशीन लर्निंग" (Machine Learning) का उपयोग करते हैं, जो मूल रूप से एक बहुत ही स्मार्ट कंप्यूटर प्रोग्राम है जो डेटा के विशाल ढेर में छिपे हुए पैटर्न को ढूंढता है, ठीक वैसे ही जैसे एक जासूस उन सुरागों को पहचान लेता है जिन्हें मानवीय आँखें मिस कर सकती हैं। वे "मर्वाद बहुआयामी गरीबी सूचकांक" (Multidimensional Poverty Index - MPI) का भी उपयोग करते हैं, जो सरकारों द्वारा यह तय करने के लिए उपयोग किया जाने वाला एक मानक चेकलिस्ट है कि किसे मदद की आवश्यकता है। लेकिन यहाँ बड़ा सवाल यह है: क्या ये विभिन्न तरीके एक ही कहानी बताते हैं? यदि आप एक कंप्यूटर का उपयोग करके परिवारों को उनके बैंक खातों के आधार पर वर्गीकृत करते हैं, तो क्या वह उन्हीं "असुरक्षित" परिवारों को खोज पाएगा जिन्हें एक सरकारी चेकलिस्ट (जो स्कूल की उपस्थिति और पानी तक पहुँच को देखती है) द्वारा पहचाना जाता है? यह शोध इस रहस्य की गहराई में जाता है, और पूछता है कि क्या हमें गरीबी को मापने के केवल एक तरीके की आवश्यकता है या क्या हमें इसे सही ढंग से करने के लिए विभिन्न उपकरणों की एक पूरी टीम की आवश्यकता है।

---

द ग्रेट डिटेक्टिव स्क्वाड: ओडे-ओमी के रहस्य को सुलझाना

नाइजीरिया के तटीय शहर ओडे-ओमी (Ode-Omi) में, जीवन सुंदर मैंग्रोव और कठिन चुनौतियों का मिश्रण है। यहाँ के परिवार मछली पकड़ने और खेती पर निर्भर हैं, लेकिन उन्हें बाढ़, खराब सड़कें और कभी-कभी भोजन की कमी जैसी बड़ी बाधाओं का सामना करना पड़ता है। शोधकर्ताओं की एक टीम ने यह पता लगाने के लिए जासूसी करने का फैसला किया कि वास्तव में कौन से परिवार सबसे अधिक संघर्ष कर रहे हैं और क्यों। उन्होंने केवल एक प्रश्न नहीं पूछा; उन्होंने 1,200 घरों का साक्षात्कार लिया और प्रत्येक के बारे में 31 अलग-अलग जानकारियाँ एकत्र कीं। यह डेटा एक विविध मिश्रण था: कुछ संख्याएँ (जैसे आयु और आय), कुछ श्रेणियाँ (जैसे स्वच्छ पानी होने के लिए "हाँ/नहीं"), और कुछ रेटिंग (जैसे इंटरनेट से लोग कितने खुश हैं इसके लिए 1 से 10 तक का स्कोर)।

इस विशाल पहेली को समझने के लिए, शोधकर्ताओं ने केवल एक पद्धति पर भरोसा नहीं किया। इसके बजाय, उन्होंने चार अलग-अलग "जासूसी टीमों" को भेजा, जिनमें से प्रत्येक के पास डेटा को देखने का एक अनूठा तरीका था:

1. मानक चेकलिस्ट (MPI): यह पारंपरिक तरीका है। यह एक सख्त नियम पुस्तिका का उपयोग करता है और यह गिनता है कि एक परिवार में कितनी "वंचनाएँ" (deprivations) (जैसे स्वच्छ पानी या स्कूल का न होना) हैं। यदि आप एक निश्चित रेखा को पार करते हैं, तो आपको "गरीब" घोषित कर दिया जाता है।
2. नंबर क्रंचर (K-Means): यह कंप्यूटर टीम केवल संख्याओं को देखती थी। इसने "हाँ/नहीं" वाले उत्तरों को अनदेखा कर दिया और केवल परिवारों को उनके स्कोर (जैसे आय और सेवाओं तक पहुँच) की समानता के आधार पर समूहों में बाँटा।
3. कैटेगरी सॉर्टर (K-Modes): इस टीम ने इसके विपरीत काम किया। इसने संख्याओं को अनदेखा कर दिया और केवल उनके "हाँ/नहीं" उत्तरों और श्रेणियों के आधार पर परिवारों को वर्गीकृत किया, जैसे कि उनका काम किस प्रकार का है या क्या वे भोजन छोड़ते हैं।
4. हाइब्रिड डिटेक्टिव (K-Prototypes): यह एक सुपर-टीम थी जो संख्या और श्रेणियों दोनों को एक साथ संभाल सकती थी। इसने सब कुछ मिलाकर एक पूर्ण चित्र देखने की कोशिश की।

बड़ा खुलासा: वे सभी एक ही तीन समूहों को देखते हैं, लेकिन अलग-अलग परिवारों को

जब शोधकर्ताओं ने इन चार टीमों को 1,200 परिवारों को वर्गीकृत करने दिया, तो कुछ दिलचस्प हुआ। चारों टीमों ने सहमति व्यक्त की कि शहर में मुख्य रूप से तीन प्रकार के घर हैं:

• कम असुरक्षित (Low Vulnerability): लचीले परिवार जो ठीक-ठाक स्थिति में हैं।
• मध्यम असुरक्षित (Moderate Vulnerability): वे परिवार जो किनारे पर हैं, थोड़ा संघर्ष कर रहे हैं लेकिन प्रबंधन कर पा रहे हैं।
• उच्च असुरक्षित (High Vulnerability): वे परिवार जो गहरे संकट में हैं।

हालाँकि, यहाँ एक मोड़ है: वे इस बात पर सहमत नहीं थे कि कौन से परिवार किस समूह में आते हैं।

यह एक ही कक्षा को ग्रेड देने वाले चार अलग-अलग शिक्षकों जैसा था। वे सभी सहमत थे कि "A," "B," और "C" छात्र हैं, लेकिन शिक्षक A ने छात्र X को "A" समूह में रखा, जबकि शिक्षक B ने छात्र X को "C" समूह में रखा।

• मानक चेकलिस्ट (MPI) बहुत सख्त थी। इसने 558 परिवारों को "अत्यधिक असुरक्षित" के रूप में लेबल किया क्योंकि उनके पास कई चीजें एक साथ गायब थीं, भले ही उनके पास कुछ पैसा हो।
• नंबर क्रंचर (K-Means) "कम असुरक्षित" लेबल के साथ अधिक उदार थी, जिसने 671 परिवारों को वहाँ रखा, क्योंकि कागजों पर उनके बैंक खाते और सेवा स्कोर अच्छे दिख रहे थे।
• कैटेगरी सॉर्टर (K-Modes) सामाजिक मुद्दों पर सबसे सख्त थी, जिसने बेरोजगारी या स्वास्थ्य सेवा तक पहुँच की कमी के कारण 599 परिवारों को "अत्यधिक असुरक्षित" के रूप में लेबल किया।
• हाइब्रिड डिटेक्टिव (K-Prototypes) ने सबसे संतुलित दृष्टिकोण पाया, जिसने परिवारों को तीन समूहों में अधिक समान रूप से विभाजित किया।

शोधकर्ताओं ने पाया कि ये टीमें एक-दूसरे के साथ बहुत कम सहमति रखती थीं। वास्तव में, मानक चेकलिस्ट और नंबर क्रंचर लगभग पूरी तरह से एक-दूसरे के विपरीत थे, जिनका सहमति स्कोर इतना कम था कि वह व्यावहारिक रूप से शून्य था। यह सुझाव देता है कि यदि आप केवल एक विधि का उपयोग करते हैं, तो आप उन लोगों को मिस कर सकते हैं जिन्हें वास्तव में मदद की आवश्यकता है या उन्हें गलत तरीके से लेबल कर सकते हैं जो ठीक चल रहे हैं।

अस्तित्व के "स्वर्ण नियम"

तो, यदि समूह अलग हैं, तो वास्तव में क्या एक परिवार को असुरक्षित बनाता है? शोधकर्ताओं ने यह पता लगाने के लिए एक विशेष "डिसीजन ट्री" (Decision Tree) टूल (इसे एक विशाल फ्लोचार्ट की तरह समझें) का उपयोग किया कि प्रत्येक टीम के लिए सबसे महत्वपूर्ण नियम क्या हैं। भले ही टीमें अलग-अलग चीजों को देखती थीं, वे सभी एक ही दो सुपर-हीरो की ओर इशारा करती थीं जो एक परिवार के भाग्य को निर्धारित करते हैं:

1. खाद्य सुरक्षा (Food Security): यदि किसी परिवार को यह निश्चित नहीं है कि उनका अगला भोजन कहाँ से आएगा, तो वे लगभग हमेशा मुसीबत में होते हैं।
2. महिलाओं की समावेशिता (Women's Inclusiveness): यदि घर की महिलाओं को निर्णय लेने की अनुमति दी जाती है और उनकी आवाज़ सुनी जाती है, तो परिवार के लचीला होने की संभावना बहुत अधिक होती है।

इन दो के अलावा, अन्य बड़े खलनायक स्वच्छ पानी की कमी, स्वास्थ्य सेवा तक पहुँच का अभाव और कम आय थे। दिलचस्प बात यह है कि मानक चेकलिस्ट (MPI) ही एकमात्र थी जिसे "भोजन छोड़ना" या "पुरानी बीमारी" जैसी विशिष्ट चीजों की गहरी चिंता थी, जबकि कंप्यूटर टीमों ने सेवाओं तक पहुँच के बड़े चित्र पर ध्यान केंद्रित किया।

अंतिम निर्णय: आपको एक टीम की आवश्यकता है, अकेले की नहीं

इस अध्ययन का सबसे महत्वपूर्ण सबक यह है कि कोई भी अकेला जासूस पूर्ण नहीं है।

• यदि आप केवल संख्याओं को देखते हैं, तो आप सामाजिक संघर्षों को भूल जाते हैं।
• यदि आप केवल श्रेणियों को देखते हैं, तो आप गरीबी की गंभीरता को भूल जाते हैं।
• यदि आप केवल मानक चेकलिस्ट का उपयोग करते हैं, तो आप उन जटिल तरीकों को मिस कर सकते हैं जिनसे ये समस्याएँ आपस में मिलती हैं।

पेपर सुझाव देता है कि इन समुदायों को समझने और मदद करने का सबसे अच्छा तरीका एक एन्सेम्बल अप्रोच (Ensemble Approach) है—एक टीम प्रयास जहाँ आप इन सभी विभिन्न दृष्टिकोणों को मिलाते हैं। स्मार्ट कंप्यूटर पैटर्न के साथ मानक सरकारी नियमों को मिलाकर, नीति निर्माता यह स्पष्ट रूप से समझ सकते हैं कि कौन संघर्ष कर रहा है और कौन वास्तव में मदद की स्थिति में है।

अंत में, अध्ययन दिखाता है कि ओडे-ओमी जैसी जगहों पर जीवन को सुधारना केवल पैसा देने के बारे में नहीं है। यह पूरी प्रणाली को ठीक करने के बारे में है: यह सुनिश्चित करना कि महिलाओं की आवाज़ हो, भोजन उपलब्ध हो, और यह गारंटी देना कि प्रत्येक परिवार की पानी, स्वास्थ्य और शिक्षा तक पहुँच हो। शोधकर्ताओं ने पाया कि जब आप इन सभी टुकड़ों को एक साथ देखते हैं, तो आपको एक ऐसा मानचित्र मिलता है जो किसी भी एकल मानचित्र की तुलना में बेहतर भविष्य के निर्माण के लिए बहुत अधिक उपयोगी है।