The Effect of AI-Driven Digital Acoustic Feedback on Emotion Regulation among Vocal Learners: The Mediating Role of Self-Efficacy
171 चीनी स्वर शिक्षार्थियों का यह अनुदैर्ध्य अध्ययन प्रदर्शित करता है कि जबकि एआई-संचालित भावना-संगत वाद्य फीडबैक और मानक सुखवादी सुधारात्मक फीडबैक समान मशीन स्कोर प्रदान करते हैं, केवल पूर्व ही कथित प्रामाणिकता और शारीरिक जुड़ाव को बढ़ाता है, जो आत्म-प्रभावकारिता द्वारा मध्यस्थता और संगीत वैलेंस द्वारा मॉड्युलेट किए गए एल्गोरिदम मेट्रिक्स और मानवीय भावनात्मक अनुभव के बीच एक महत्वपूर्ण अलगाव को प्रकट 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
गायन की दुनिया में, लक्ष्य हमेशा दर्शकों को झकझोरना रहा है। सदियों से, एक छात्र एक शिक्षक, एक पियानो और एक दर्पण के सामने खड़ा होकर, अपने भीतर के अहसास को एक ऐसी ध्वनि में बदलने की कोशिश करता था जिससे कोई और भी उसे महसूस कर सके। आज, वह दर्पण अक्सर एक स्क्रीन होता है। आर्टिफिशियल इंटेलिजेंस (AI) ने वोकल स्टूडियो में प्रवेश कर लिया है, जो पिच, लय और टोन पर तत्काल प्रतिक्रिया (फीडबैक) प्रदान करता है। ये प्रणालियाँ गायक को सुनती हैं और तुरंत बताती हैं कि वे सही स्वर लगा रहे हैं या नहीं। लेकिन एक शांत प्रश्न ने शिक्षकों को परेशान करना शुरू कर दिया है: जब एक मशीन किसी गायक को बताती है कि वह अच्छा कर रहा है, तो क्या यह इसलिए है क्योंकि गायक वास्तव में भावनाओं को व्यक्त कर रहा है, या केवल इसलिए क्योंकि उसने उन विशिष्ट ध्वनियों की नकल करना सीख लिया है जिन्हें मशीन का एल्गोरिदम "सही" के रूप में पहचानता है?
यह तनाव चीन के जिलिन यूनिवर्सिटी और हानकोउ यूनिवर्सिटी के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन के केंद्र में है। उन्होंने यह परीक्षण करने के लिए प्रयास किया कि AI द्वारा फीडबैक देने का तरीका गायकों के महसूस करने और भावना व्यक्त करने के तरीके को कैसे बदलता है। शोधकर्ता विशेष रूप से एक घटना में रुचि रखते थे जिसे वे "एक्सप्रेसिव डिकपलिंग" (अभिव्यक्ति विच्छेद) कहते हैं, जो एक ऐसी स्थिति है जहाँ एक गायक का प्रदर्शन कंप्यूटर की चेकलिस्ट पर उच्च अंक प्राप्त करता है लेकिन एक मानव श्रोता को प्रभावित करने में विफल रहता है। इसकी जांच करने के लिए, उन्होंने AI फीडबैक की दो बहुत अलग शैलियों की तुलना की। एक शैली "हेडोनिक" (सुखवादी) थी, जिसे शिक्षार्थी को उत्साहजनक, आरामदायक शब्दों के साथ अच्छा और सहज महसूस कराने के लिए डिज़ाइन किया गया था। दूसरी "इंस्ट्रुमेंटल" (उपकरण संबंधी) थी, जिसे गायक को उस विशिष्ट, अक्सर कठिन भावनात्मक अवस्था की ओर ले जाने के लिए डिज़ाइन किया गया था जिसकी गीत के लिए आवश्यकता होती है, भले ही वह अवस्था असहज महसूस हो। उन्होंने कई हफ्तों तक 171 वोकल छात्रों की निगरानी की, न केवल उनके स्कोर को मापा, बल्कि यह भी देखा कि उनके गायन कितने प्रामाणिक थे और मानव न्यायाधीशों के लिए वे कितने वास्तविक थे, और गाते समय उनकी शारीरिक प्रतिक्रियाएं कैसी थीं।
अध्ययन की शुरुआत एक सरल लेकिन गहन अहसास के साथ हुई: यदि कोई प्रणाली किसी गायक को सही ध्वनिक संकेतों (acoustic signals) को उत्पन्न करने के लिए पुरस्कृत करती है, तो गायक अंततः उन संकेतों को उत्पन्न करना सीख जाएगा, बिना अनिवार्य रूप से उनके पीछे की भावना को महसूस किए। इसका परीक्षण करने के लिए, शोधकर्ताओं ने छात्रों को तीन समूहों में विभाजित किया। एक समूह को मानक, आरामदायक फीडबैक मिला जो वर्तमान में अधिकांश AI प्रणालियों द्वारा उपयोग किया जाता है, जो उन्हें आराम करने के लिए कहता है और गलतियाँ करने पर उन्हें आश्वस्त करता है। दूसरे समूह को "इंस्ट्रुमेंटल" फीडबैक मिला, जो गीत के मूड के अनुरूप तैयार किया गया था। यदि गीत दुखद था, तो AI छात्र को उस दुख में डूबने के लिए प्रोत्साहित करेगा, शायद यह सुझाव देते हुए कि वे अपनी आवाज़ को एक आह की तरह लगने दें। यदि गीत क्रोधपूर्ण था, तो AI उन्हें उस क्रोध को अपनी आवाज़ में समाहित करने के लिए निर्देशित करेगा। तीसरा समूह एक नियंत्रण समूह (कंट्रोल ग्रुप) के रूप में कार्य करता था, जिसे विलंबित (delayed) फीडबैक प्राप्त हुआ।
चार सप्ताह की अवधि के दौरान, छात्रों ने आनंदमय से लेकर शोकपूर्ण गीतों के टुकड़ों का अभ्यास किया। शोधकर्ताओं ने तीन अलग-अलग तरीकों से उनकी प्रगति को मापा। पहले, उन्होंने गायन की तकनीकी सटीकता को स्कोर करने के लिए एक कंप्यूटर एल्गोरिदम का उपयोग किया। दूसरा, उन्होंने अंधे (blind) मानव न्यायाधीशों—पेशेवर शिक्षकों और सामान्य श्रोताओं दोनों—से यह रेटिंग करवाई कि प्रदर्शन कितना प्रामाणिक और मर्मस्पर्शी महसूस हुआ। तीसरा, उन्होंने गायकों की शारीरिक प्रतिक्रियाओं की निगरानी की, हृदय गति और त्वचा की चालकता (skin conductance) में बदलाव को ट्रैक किया ताकि यह देखा जा सके कि गायक वास्तव में भावनात्मक रूप से जुड़े हुए थे या केवल यांत्रिक रूप से ध्वनि उत्पन्न कर रहे थे।
परिणामों ने एक चौंकाने वाला विभाजन दिखाया। दोनों समूहों को, जिन्हें तत्काल AI फीडबैक प्राप्त हुआ था, ने अपने कंप्यूटर स्कोर समान स्तर तक सुधारे। मशीनें सुखवादी और भावना-केंद्रित दोनों प्रकार के फीडबैक से खुश थीं। हालाँकि, मानवीय अनुभव पूरी तरह से अलग था। जिन छात्रों को आरामदायक, हेडोनिक फीडबैक मिला, उनके कंप्यूटर स्कोर तो बढ़े, लेकिन उनके प्रदर्शन मानव कानों के लिए अधिक प्रामाणिक नहीं हुए। वास्तव में, मशीन द्वारा की गई प्रशंसा और मनुष्यों द्वारा महसूस की गई भावना के बीच एक बड़ा अंतर पैदा हो गया। ये गायक सिस्टम को "गेम" करना (धोखा देना) सीख रहे थे, ऐसी ध्वनिक विशेषताओं को उत्पन्न कर रहे थे जो एल्गोरिदम को संतुष्ट करती थीं, बिना संगीत के भावनात्मक मूल से जुड़े। उनका शरीर गहरे भावनात्मक जुड़ाव का बहुत कम संकेत दिखा रहा था, और वे यह विश्वास करने लगे थे कि वे वास्तव में उससे बेहतर गायक हैं जितने वे वास्तव में थे, एक ऐसी स्थिति जिसे शोधकर्ता "एक्सप्रेसिव ओवरकॉन्फिडेंस" (अभिव्यक्ति संबंधी अति-आत्मविश्वास) कहते हैं।
इसके विपरीत, जिन छात्रों को भावना-अनुरूप, इंस्ट्रुमेंटल फीडबैक मिला, उन्होंने एक अलग पैटर्न दिखाया। उनके कंप्यूटर स्कोर भी बढ़े, लेकिन इससे भी महत्वपूर्ण बात यह थी कि उनका प्रदर्शन मानव श्रोताओं के लिए काफी अधिक प्रामाणिक हो गया। मशीन स्कोर और मानव रेटिंग के बीच का अंतर लगभग समाप्त हो गया। ये गायक केवल सही स्वर ही नहीं लगा रहे थे; वे वास्तव में रचना की भावना को महसूस कर रहे थे, और उनका शरीर उस जुड़ाव को प्रतिबिंबित कर रहा था। उस फीडबैक ने, जिसने उन्हें दुख या क्रोध में डूबने के लिए कहा, उन्हें तकनीकी सटीकता और मानवीय जुड़ाव के बीच के अंतर को पाटने में मदद की।
अध्यध्ययन में गीत के प्रकार से संबंधित एक आश्चर्यजनक मोड़ भी सामने आया। शोधकर्ताओं ने पाया कि फीडबैक की प्रभावशीलता इस बात पर बहुत निर्भर करती थी कि गाया जाने वाला गीत खुशहाल है या दुखद। जब फीडबैक संगीत के भावनात्मक स्वर से मेल खाता था, तो इसने गायक को उस भावना को व्यक्त करने में मदद की। लेकिन जब फीडबैक ने एक दुखद या क्रोधित गीत के दौरान गायक को शांत करने की कोशिश की, तो इसने प्रदर्शन के विरुद्ध काम किया। आरामदायक शब्द, जो मदद के लिए दिए गए थे, अंततः उसी भावना को कम कर देते थे जिसकी गीत को आवश्यकता थी। यह सुझाव देता है कि गायकों की वास्तव में मदद करने के लिए, AI केवल एक उत्साहवर्धक (चीयरलीडर) नहीं हो सकता; इसे एक ऐसा साथी होना चाहिए जो संगीत के भावनात्मक परिदृश्य को समझता हो।
शोधकर्ता निष्कर्ष निकालते हैं कि जबकि AI गायन के यांत्रिकी को सिखाने के लिए एक शक्तिशाली उपकरण है, इसमें एक छिपा हुआ जोखिम भी है। यदि प्रणाली को केवल शिक्षार्थी को अच्छा महसूस कराने या संख्यात्मक स्कोर को अधिकतम करने के लिए डिज़ाइन किया गया है, तो यह उन्हें अभिव्यक्ति के एक खोखले संस्करण को उत्पन्न करना सिखा सकती है जो मशीन को तो संतुष्ट करता है लेकिन मनुष्य को विफल कर देता है। अध्ययन एक स्पष्ट मार्ग प्रदान करता है: AI फीडबैक प्रणालियों को संगीत के भावनात्मक इरादे से मेल खाने के लिए डिज़ाइन किया जाना चाहिए, जो गायकों को केवल ध्वनि की नकल करने के बजाय भावना को महसूस करने के लिए मार्गदर्शन दे सके। ऐसा करके, तकनीक मानव तत्व को खोए बिना गायन की प्राचीन कला का समर्थन कर सकती 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।