Ontology-Guided Citation Intent Classification for Interpretable Scholarly Information Discovery
यह शोध पत्र एक ऑन्टोलॉजी-निर्देशित ढांचे का प्रस्ताव करता है जो व्याख्यात्मक उद्धरण इरादा वर्गीकरण (citation intent classification) को सक्षम करने के लिए साइटेशन कॉन्टेक्स्ट एंड रीज़न ऑन्टोलॉजी (CCRO) से स्पष्ट अर्थ संबंधी विशेषताओं को प्रासंगिक भाषात्मक निरूपणों के साथ एकीकृत करता है, जो फाइन-ट्यून्ड SciBERT के तुलनीय भविष्य कहनेवाला प्रदर्शन प्राप्त करते हुए विद्वत्तापूर्ण सूचना खोज के लिए पारदर्शी, इंस्टेंस-स्तरीय ऑडिट ट्रेल प्रदान 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
मानव ज्ञान के विशाल पुस्तकालय में, एक उद्धरण (citation) केवल एक पाद टिप्पणी या संदर्भ सूची प्रविष्टि से कहीं अधिक है; यह एक संवाद है। जब एक वैज्ञानिक एक शोध पत्र लिखता है और किसी अन्य के कार्य का उल्लेख करता है, तो वे इनमें से एक कार्य कर रहे होते हैं: वे एक पुराने तरीके पर एक नया तरीका बना सकते हैं, वे यह देखने के लिए अपने परिणामों की तुलना कर सकते हैं कि किसने बेहतर किया, या वे पिछले अध्ययन की किसी कमी की ओर इशारा कर सकते हैं। दशकों से, शैक्षणिक जगत ने एक शोध पत्र के महत्व को केवल इस बात से मापा है कि उसे कितनी बार उद्धृत किया गया। यह एक पुस्तक को केवल इस आधार पर आंकने जैसा है कि वह कितनी बार पढ़ने की सूची में दिखाई देती है, बिना यह जाने कि पाठक ने उसे पसंद किया, नफरत की, या बस उसे एक पेपरवेट के रूप में उपयोग किया। जबकि उद्धरणों की गिनती हमें बताती है कि किसी कार्य को कितना ध्यान मिला, यह इस बात को पकड़ने में विफल रहती है कि उसका उल्लेख क्यों किया गया। विज्ञान कैसे विकसित होता है, इसे वास्तव में समझने के लिए, हमें संदर्भ के पीछे के इरादे को जानने की आवश्यकता है।
शोधकर्ताओं ने लंबे समय से कंप्यूटर को इन उद्धरणों को पढ़ने और उनके इरादे को समझने के लिए प्रशिक्षित करने का प्रयास किया है, जो सरल शब्द गणनाओं से लेकर परिष्कृत कृत्रिम बुद्धिमत्ता (AI) तक विस्तृत है जो एक वाक्य के संदर्भ को समझ सकती है। हालाँकि, ये शक्तिशाली AI सिस्टम अक्सर "ब्लैक बॉक्स" की तरह कार्य करते हैं, जो ऐसे निर्णय लेते हैं जिन्हें मनुष्यों के लिए निरीक्षण करना या उन पर भरोसा करना कठिन होता है। पाकिस्तान और चीन के संस्थानों के मुहम्मद बिलाल रहमान और उनके सहयोगियों द्वारा किए गए एक नए अध्ययन ने एक अलग मार्ग प्रस्तावित किया है। उन्होंने एक ऐसी प्रणाली बनाई जो आधुनिक AI की गहरी समझ को उद्धरणों के अर्थ के बारे में स्पष्ट, मानव-पठनीय नियमों के एक सेट के साथ जोड़ती है। उनका लक्ष्य न केवल सटीकता से इरादे की भविष्यवाणी करना था, बल्कि इसे इस तरह से करना था जिससे एक मनुष्य देख सके कि कंप्यूटर ने अपना चुनाव क्यों किया।
टीम ने कम्प्यूटेशनल लिंग्विस्टिक्स (computational linguistics) के क्षेत्र के 8,736 वाक्यों के एक विशाल संग्रह पर ध्यान केंद्रित किया, जहाँ प्रत्येक वाक्य को मानव विशेषज्ञों द्वारा उसके विशिष्ट उद्देश्य को पहचानने के लिए सावधानीपूर्वक लेबल किया गया था, जैसे कि किसी पद्धति को "समावेशित" (incorporating) करना, किसी सिद्धांत का "विस्तार" (extending) करना, या किसी निष्कर्ष की "आलोचना" (criticizing) करना। उन्होंने एक ढांचा तैयार किया जो पाठ को एक साथ चार अलग-अलग प्रकार के विश्लेषणों में फीड करता है। एक भाग विशिष्ट व्याकरण और शब्द प्रकारों को देखता है, दूसरा यह गिनता है कि कुछ शब्द कितने अद्वितीय हैं, तीसरा वैज्ञानिक पाठ पर प्रशिक्षित एक विशेष AI मॉडल का उपयोग करता है ताकि व्यापक अर्थ को समझा जा सके, और चौथा ज्ञान के एक संरचित मानचित्र का उपयोग करता है जिसे 'ऑन्टोलॉजी' (ontology) कहा जाता है। यह ऑन्टोलॉजी उद्धरण के कारणों का एक शब्दकोश की तरह कार्य करती है, जो यह जाँचती है कि क्या पाठ में "बिल्ड अपॉन" (builds upon) या "डिफर्स फ्रॉम" (differs from) जैसे विशिष्ट वाक्यांश मौजूद हैं।
शोधकर्ताओं ने पाया कि उनके हाइब्रिड सिस्टम ने वर्तमान में उपलब्ध सबसे उन्नत AI मॉडल के समान भविष्य कहनेवाला प्रदर्शन (predictive performance) प्राप्त किया, जिसने एक फाइन-ट्यून्ड SciBERT बेसलाइन की सटीकता का मुकाबला किया, हालांकि कोई सांख्यिकीय रूप से महत्वपूर्ण बढ़त स्थापित नहीं की। महत्वपूर्ण रूप से, उन्होंने पाया कि जबकि विशेष AI मॉडल (कॉन्टेक्स्टुअल स्ट्रीम) सिस्टम के निर्णयों का सबसे बड़ा और सबसे सूचना-सघन चालक बना हुआ था, स्ट्रक्चर्ड नॉलेज मैप ने आवश्यक पूरक जानकारी प्रदान की। जब उन्होंने सिस्टम से स्ट्रक्चर्ड नॉलेज मैप को हटा दिया, तो सटीकता काफी गिर गई, जिससे सिद्ध हुआ कि स्पष्ट नियम वह अनूठा मूल्य प्रदान कर रहे थे जो अकेले AI के पास नहीं था। अध्ययन ने दिखाया कि सिस्टम न्यूरल नेटवर्क की गहरी, सहज समझ को मानव-निर्धारित नियमों की स्पष्ट, तार्किक संरचना के साथ सफलतापूर्वक संयोजित कर सकता है।
शायद सबसे मूल्यवान परिणाम सिस्टम की स्वयं को समझाने की क्षमता थी। क्योंकि विश्लेषण के विभिन्न भाग अलग-अलग रहे, शोधकर्ता प्रत्येक भविष्यवाणी को उसके स्रोत तक ट्रैक कर सके। किसी भी दिए गए उद्धरण के लिए, सिस्टम दिखा सकता था कि किन विशिष्ट शब्दों ने एक नियम को ट्रिगर किया, किन व्याकरणिक पैटर्नों का पता चला, और AI ने संदर्भ की व्याख्या कैसे की। लगभग 72 प्रतिशत मामलों में, जहाँ सिस्टम ने इन स्पष्ट नियमों का उपयोग किया, अंतिम निर्णय नियम के सुझाव से मेल खाता था। जब सिस्टम ने गलती की, तो शोधकर्ता आंतरिक रिकॉर्ड को देख सकते थे और देख सकते थे कि विश्लेषण का कौन सा हिस्सा गलत हुआ था, जैसे कि एक विशिष्ट शब्द की गलत व्याख्या की गई या एक नियम विफल रहा। यह पारदर्शिता विद्वानों को इसलिए विश्वास दिलाती है क्योंकि वे न केवल इसकी सटीकता देखते हैं, बल्कि वे इसके निष्कर्षों के पीछे के साक्ष्य को भी देख सकते हैं।
अध्ययन ने वास्तविक दुनिया के शैक्षणिक डेटा के साथ काम करने की चुनौतियों को भी रेखांकित किया। वाक्यों का संग्रह अत्यधिक झुका हुआ (skewed) था, जिसमें लगभग 70 प्रतिशत वाक्य केवल सामान्य रूप से पिछले कार्यों पर चर्चा कर रहे थे, जबकि बहुत कम हिस्से में कड़ी आलोचना या नई पद्धतियों का समावेश शामिल था। शोधकर्ताओं ने पाया कि दुर्लभ श्रेणियों को पहचानने की क्षमता बढ़ाने के लिए डेटा को संतुलित करना (ताकि उन्हें समान महत्व मिले) सिस्टम की क्षमता में सुधार करता है, लेकिन इसने सिस्टम को उन दुर्लभ श्रेणियों का अनुमान लगाने के लिए भी अधिक संभावित बना दिया जब उसे ऐसा नहीं करना चाहिए था। दुर्लभ घटनाओं को खोजने और सटीक होने के बीच यह समझौता, वैज्ञानिक साहित्य का विश्लेषण करने में एक सामान्य बाधा है।
अंततः, यह कार्य प्रदर्शित करता है कि हमें शक्तिशाली AI और मानव समझ के बीच चयन करने की आवश्यकता नहीं है। मशीन को उद्धरणों के अर्थ के एक स्पष्ट मानचित्र के माध्यम से निर्देशित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो सटीक और पारदर्शी दोनों है। यह दृष्टिकोण वैज्ञानिक साहित्य को खोजने के लिए बेहतर उपकरण बनाने का एक तरीका प्रदान करता है, जिससे शोधकर्ता न केवल विषय के आधार पर, बल्कि इस आधार पर भी शोध पत्रों को खोज सकते हैं कि उनका उपयोग कैसे किया गया था—उन अध्ययनों को खोजना जिनकी आलोचना की गई, जिन्हें विस्तारित किया गया, या जिन्होंने नई खोजों के लिए आधार के रूप में कार्य किया। अध्ययन बताता है कि विद्वतापूर्ण खोज का भविष्य उन प्रणालियों में निहित है जो पाठ के बारे में गहराई से सोच सकती हैं और साथ ही मानव निरीक्षण के लिए खुली भी रह सकती हैं।
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।