An Interpretable Hybrid Deep Learning Framework for Student Placement Prediction Using PSO–GA–Bayesian Optimized ANN with SHAP–LIME Explainability

हर साल, भारत के इंजीनियरिंग कॉलेजों को एक कठिन पहेली का सामना करना पड़ता है: यह अनुमान लगाना कि कौन से छात्र स्नातक होने के बाद नौकरी प्राप्त करेंगे और कौन से काम खोजने के लिए संघर्ष करेंगे। यह केवल ग्रेड चेक करने का मामला नहीं है। रोजगार का मार्ग कई कारकों के एक जटिल जाल द्वारा आकार लेता है, जिसमें शैक्षणिक अंक, तकनीकी क्षमताएं, संचार जैसे सॉफ्ट स्किल्स और यहाँ तक कि छात्र की पारिवारिक पृष्ठभूमि भी शामिल है। दशकों से, संस्थान भविष्यवाणियां करने के लिए मानक कंप्यूटर प्रोग्रामों पर भरोसा करते आए हैं, लेकिन ये उपकरण अक्सर मानवीय क्षमता की अव्यवस्थित, गैर-रेखीय वास्तविकता का सामना करने में लड़खड़ा जाते हैं। वे अक्सर कारण और प्रभाव के बीच केवल सीधी रेखाएं देखते हैं, जिससे वे उन सूक्ष्म तरीकों को नहीं देख पाते जहाँ एक मजबूत कोडिंग प्रोजेक्ट थोड़े कम जीपीए (GPA) से अधिक महत्वपूर्ण हो सकता है, या कैसे अनुभव की कमी एक उच्च उपलब्धि वाले छात्र को पटरी से उतार सकती है। जब ये पारंपरिक मॉडल विफल होते हैं, तो वे शिक्षकों को बिना किसी स्पष्ट मानचित्र के छोड़ देते हैं जिससे वे बहुत देर होने से पहले जोखिम वाले छात्रों की मदद कर सकें।

इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नया, अधिक परिष्कृत दृष्टिकोण विकसित किया है जो कई अलग-अलग कम्प्यूटेशनल रणनीतियों की शक्तियों को जोड़ता है। उन्होंने एक ऐसा सिस्टम बनाया है जो न केवल अनुमान लगाता है, बल्कि सीखता है, विकसित होता है और अपनी सोचने की प्रक्रिया को परिष्कृत करता है। 5,000 भारतीय इंजीनियरिंग छात्रों के डेटा को फीड करके, जिसमें कोडिंग कौशल से लेकर पारिवारिक आय तक बाईस अलग-अलग विशेषताएं शामिल थीं, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया जो उन पैटर्न को पहचानने में सक्षम है जिन्हें पुराने तरीकों ने छोड़ दिया था। परिणाम एक अत्यधिक सटीक भविष्यवक्ता है जो न केवल संस्थानों को यह बताता है कि किसकी नियुक्ति होने की संभावना है, बल्कि यह भी समझाता है कि क्यों, जो मशीन की निर्णय लेने की प्रक्रिया में एक स्पष्ट दृश्य प्रदान करता है।

इस नए ढांचे का मूल एक तीन-चरणीय प्रक्रिया है जिसे एक डीप लर्निंग मॉडल (जो मानव मस्तिष्क से प्रेरित एक प्रकार का कंप्यूटर प्रोग्राम है) के लिए आदर्श सेटिंग्स खोजने के लिए डिज़ाइन किया गया है। कल्पना कीजिए कि एक विशाल, अंधेरा परिदृश्य है जो पहाड़ियों और घाटियों से भरा है, जहाँ उच्चतम शिखर सबसे सटीक भविष्यवाणी का प्रतिनिधित्व करता है। उस शिखर को खोजने के लिए यादृच्छिक रूप से चलने में समय और दक्षता दोनों की कमी होती है। शोधकर्ताओं का सिस्टम इस भूभाग को नेविगेट करने के लिए तीन अलग-अलग तरीकों का उपयोग करता है। सबसे पहले, यह 'पार्टिकल स्वार्म ऑप्टिमाइजेशन' नामक तकनीक का उपयोग करता है, जो पक्षियों के झुंड द्वारा भोजन खोजने की नकल करता है, जिससे सिस्टम को आशाजनक क्षेत्रों को खोजने के लिए एक विस्तृत क्षेत्र को जल्दी से स्कैन करने की अनुमति मिलती है। इसके बाद, यह 'जेनेटिक एल्गोरिदम' का उपयोग करता है, जो प्राकृतिक चयन की तरह काम करता है, जो अब तक मिले सर्वोत्तम समाधानों को लेता है और उन्हें और भी बेहतर संस्करण बनाने के लिए आपस में मिला देता है। अंत में, यह 'बायेसियन ऑप्टिमाइजेशन' लागू करता है, जो एक सटीक उपकरण की तरह कार्य करता है, जो मॉडल को बिल्कुल शीर्ष तक पहुंचने के लिए सूक्ष्म, गणनात्मक समायोजन करता है। यह संयोजन सुनिश्चित करता है कि सिस्टम एक छोटी पहाड़ी पर न अटक जाए जब पास में ही कोई बहुत ऊँचा पर्वत मौजूद हो।

एक बार जब सिस्टम अनुकूल सेटिंग्स पा लेता है, तो इसे छात्र डेटा पर प्रशिक्षित किया जाता है। इस डेटा में एक महत्वपूर्ण बाधा यह थी कि उन छात्रों की संख्या उन छात्रों की तुलना में बहुत अधिक थी जिन्हें नौकरियों में प्लेसमेंट मिला था, जबकि जिन्हें नहीं मिला था। ऐसी स्थिति कंप्यूटर को अल्पसंख्यक समूह को अनदेखा करने के लिए trick कर सकती है। इसे ठीक करने के लिए, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो अल्पसंख्यकों के कृत्रिम उदाहरण बनाती है, यह सुनिश्चित करती है कि मॉडल सफलता और संघर्ष दोनों के संकेतों को समान रूप से पहचानना सीखे। फिर मॉडल को 5,000 छात्रों के एक बड़े डेटासेट के विरुद्ध परखा गया। परिणाम आश्चर्यजनक थे। जबकि पुराने मॉडल जैसे डिसीजन ट्री या मानक सांख्यिकीय क्लासिफायर 82 से 91 प्रतिशत के बीच सटीकता दर बनाए रखते थे, और यहाँ तक कि XGBoost जैसे उन्नत एन्सेम्बल मेथड ने 99.1 प्रतिशत तक पहुँच प्राप्त की, इस नए हाइब्रिड सिस्टम ने 99.60 प्रतिशत की टेस्ट सटीकता हासिल की। इसका अर्थ है कि सिस्टम ने परीक्षण समूह के लगभग हर छात्र के परिणाम का सही अनुमान लगाया, एक ऐसा स्तर की सटीकता जो यह सुझाव देती है कि इसने रोजगार क्षमता के वास्तविक चालकों को पकड़ लिया है।

शायद कच्चे सटीकता से भी अधिक महत्वपूर्ण सिस्टम की अपने तर्क को समझाने की क्षमता है। अतीत में, शक्तिशाली डीप लर्निंग मॉडल अक्सर "ब्लैक बॉक्स" होते थे, जो यह बताए बिना कि वे परिणाम तक कैसे पहुँचे, केवल एक उत्तर देते थे। यह नया ढांचा दो अलग-अलग विधियों का उपयोग करके उस बॉक्स को खोल देता है। एक विधि, जिसे SHAP कहा जाता है, औसत रूप से किन कारकों का सबसे अधिक महत्व है यह निर्धारित करने के लिए छात्रों के पूरे समूह को देखती है। इसने खुलासा किया कि कोडिंग कौशल रेटिंग और ग्रेड पॉइंट औसत दो सबसे शक्तिशाली भविष्यवक्ता थे, जिसके बाद छात्रों द्वारा पूरे किए गए प्रोजेक्ट्स की संख्या का स्थान आता है। आश्चर्यजनक रूप से, पारिवारिक आय या लिंग जैसे कारकों का भविष्यवाणी पर लगभग कोई प्रभाव नहीं पड़ा, जो यह सुझाव देता है कि तकनीकी सक्षमता और शैक्षणिक प्रदर्शन ही इस संदर्भ में रोजगार के वास्तविक द्वारपाल हैं।

दूसरी विधि, जिसे LIME कहा जाता है, व्यक्तिगत मामलों को समझाने के लिए ज़ूम इन करती है। यह एक विशिष्ट छात्र को देख सकती है और कह सकती है, "इस छात्र की नियुक्ति होने की भविष्यवाणी इसलिए की गई है क्योंकि उनके कोडिंग कौशल उच्च हैं और उन्होंने कई प्रोजेक्ट पूरे किए हैं," या इसके विपरीत, "यह छात्र जोखिम में है क्योंकि उनके कोडिंग कौशल कम हैं और उनके पास प्रोजेक्ट का अनुभव नहीं है।" विवरण का यह स्तर शिक्षकों को सामान्य सलाह से आगे बढ़ने की अनुमति देता है। एक संघर्ष कर रहे छात्र को "कड़ी मेहनत करने" के बजाय, एक परामर्शदाता विशिष्ट डेटा की ओर इशारा कर सकता है: "उद्योग के मानक से मेल खाने के लिए आपके कोडिंग कौशल में सुधार की आवश्यकता है।" सिस्टम ने एक संतृप्ति बिंदु (saturation point) की भी पहचान की; एक बार जब छात्र के कोडिंग कौशल एक निश्चित स्तर, लगभग 8 में से 10 तक पहुँच जाते हैं, तो कौशल में और वृद्धि का महत्व प्रोजेक्ट अनुभव प्राप्त करने की तुलना में कम हो जाता है। यह सूक्ष्मता संस्थानों को यह समझने में मदद करती है कि सफलता को चलाने के लिए एक कारक की कितनी सीमा है, इससे पहले कि अन्य कारक प्रभावी हो जाएं।

यह अध्ययन स्पष्ट रूप से इस विचार को चुनौती देता है कि इस कार्य के लिए पारंपरिक मशीन लर्निंग मॉडल पर्याप्त हैं। शोधकर्ताओं ने पाया कि पुराने तरीके विभिन्न कारकों के बीच जटिल, गैर-रेखीय संबंधों को पकड़ने में विफल रहे। उन्होंने यह भी प्रदर्शित किया कि केवल शैक्षणिक ग्रेड पर भरोसा करना एक गलती है, क्योंकि तकनीकी प्रवीणता और व्यावहारिक अनुभव कहीं अधिक महत्वपूर्ण साबित हुए। सरल, रेखीय मॉडलों की प्रभावशीलता को खारिज करके और एक हाइब्रिड, बहु-चरणीय अनुकूलन दृष्टिकोण की आवश्यकता पर प्रकाश डालकर, यह पेपर तर्क देता है कि शैक्षिक भविष्यवाणी का भविष्य उन सिस्टम में निहित है जो अनुकूलित हो सकते हैं, विकसित हो सकते हैं और स्वयं को समझा सकते हैं।

यह कार्य शैक्षिक संस्थानों के लिए एक विश्वसनीय उपकरण के रूप में कार्य करता है ताकि वे एक प्रारंभिक चेतावनी प्रणाली के रूप में कार्य कर सकें। उन छात्रों की पहचान करके जो स्नातक होने से बहुत पहले प्लेसमेंट के साथ संघर्ष करने की संभावना रखते हैं, कॉलेज लक्षित सहायता के साथ हस्तक्षेप कर सकते हैं, जैसे कि अतिरिक्त कोडिंग वर्कशॉप या प्रोजेक्ट मेंटरशिप। यह ढांचा केवल भविष्य की भविष्यवाणी नहीं करता है; यह उसे बदलने का एक रोडमैप भी प्रदान करता है। शोधकर्ता सुझाव देते हैं कि पाठ्यक्रम को उन विशिष्ट कौशलों के साथ संरेखित करके जो डेटा दिखाता है कि सबसे मूल्यवान हैं—मुख्य रूप से कोडिंग क्षमता और प्रोजेक्ट पूरा करना—स्कूल रोजगार परिणामों में सीधे सुधार कर सकते हैं। हालांकि यह अध्ययन भारत के एक विशिष्ट डेटासेट पर केंद्रित था, इसकी कार्यप्रणाली यह बताती है कि कैसे शैक्षिक डेटा का उपयोग छात्रों को उनके करियर की ओर मार्गदर्शन करने के लिए निष्पक्ष, अधिक प्रभावी और पारदर्शी सिस्टम बनाने के लिए किया जा सकता है। निष्कर्ष बताते हैं कि जब हम डीप लर्निंग की कच्ची शक्ति को मानव-समझने योग्य स्पष्टीकरणों की स्पष्टता के साथ जोड़ते हैं, तो हम अंततः छात्र और संस्थान दोनों के लिए सफलता के मार्ग को स्पष्ट रूप से देख सकते हैं।