Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

मानव मन निरंतर चलने वाला एक संवाद है, विश्वासों, चिंताओं और आशाओं का एक चलता हुआ वृत्तांत जो यह आकार देता है कि हम दुनिया का अनुभव कैसे करते हैं। मनोवैज्ञानिक लंबे समय से समझते आए हैं कि लोग अपने आप से कैसे बात करते हैं, यह महत्वपूर्ण है; जब वह आंतरिक संवाद कठोर या विकृत हो जाता है, तो यह व्यक्तियों को चिंता और अवसाद के चक्र में फंसा सकता है। दशकों तक, इन हानिकारक विचार पैटर्न की पहचान करने के लिए एक प्रशिक्षित पेशेवर की आवश्यकता होती थी जो रोगी की भाषा की बारीकियों को ध्यान से सुन सके और उनकी व्याख्या कर सके। आज, जैसे-जैसे लोग सोशल मीडिया पर अपने आंतरिक जीवन को अधिक खुले रूप में साझा कर रहे हैं, एक नया प्रश्न उभरा है: क्या कंप्यूटर इन डिजिटल विचारों को उसी देखभाल के साथ पढ़ सकते हैं? यह क्षेत्र, जिसे कम्प्यूटेशनल मेंटल हेल्थ (computal mental health) कहा जाता है, भावनात्मक संकट का संकेत देने वाले पाठ में पैटर्न का पता लगाने के लिए भाषा विश्लेषण के उपकरणों का उपयोग करने का प्रयास करता है। चुनौती एक क्षणिक खराब मूड और गहराई तक जमी हुई नकारात्मक सोच के बीच अंतर करने में निहित है, एक ऐसा कार्य जिसके लिए केवल शब्दों को गिनना ही नहीं, बल्कि जो कहा जा रहा है उसके वजन (महत्व) को समझना भी आवश्यक है।

इस्लामिक यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने की दिशा में एक महत्वपूर्ण कदम उठाया है, उन्होंने ऑनलाइन व्यक्त किए गए विचारों के भावनात्मक स्वर (emotional tone) को वर्गीकृत करने के लिए एक प्रणाली विकसित की है। उन्होंने केवल कंप्यूटर से यह अनुमान लगाने के लिए नहीं पूछा कि कोई वाक्य खुश है या दुखी; इसके बजाय, उन्होंने विशेष रूप से "विचार-संबंधी" भाषा पर ध्यान केंद्रित किया—ऐसे कथन जो यह प्रकट करते हैं कि कोई व्यक्ति अपनी वास्तविकता की व्याख्या कैसे करता है। इसे करने के लिए, उन्होंने रेडिट, ट्विटर और फेसबुक जैसे सोशल मीडिया प्लेटफॉर्म से 156,785 पोस्टों का एक विशाल संग्रह एकत्र किया। उन्हें इन लाखों शब्दों को दो श्रेणियों में वर्गीकृत करने के लिए एक तरीका चाहिए था: सकारात्मक और नकारात्मक। सबसे पहले, उन्होंने सोशल मीडिया की स्लैंग और अनौपचारिक लहजे को समझने के लिए डिज़ाइन किए गए एक विशेष कंप्यूटर प्रोग्राम का उपयोग करके प्रत्येक पोस्ट को एक प्रारंभिक लेबल दिया। इन लेबलों को विश्वसनीय बनाने के लिए, उन्होंने फिर दो लाइसेंस प्राप्त मनोवैज्ञानिकों को शामिल किया। इन विशेषज्ञों ने 500 पोस्टों के एक यादृच्छिक नमूने की समीक्षा की, और यह देखने के लिए उन्हें एक पैमाने पर रेट किया कि क्या कंप्यूटर का प्रारंभिक अनुमान मानवीय निर्णय से मेल खाता है। विशेषज्ञ अधिकांश समय कंप्यूटर के वर्गीकरण से सहमत थे, जिससे पुष्टि हुई कि डेटासेट मशीन को रचनात्मक और विनाशकारी सोच के बीच अंतर पहचानने के लिए प्रशिक्षित करने के लिए पर्याप्त विश्वसनीय था।

एक स्वच्छ, सत्यापित डेटासेट हाथ में होने के बाद, शोधकर्ताओं ने यह परीक्षण करने के लिए विभिन्न प्रकार के कंप्यूटर मॉडल को परख में डाला कि कौन सा वर्गीकरण सबसे अच्छा प्रदर्शन कर सकता है। उन्होंने पारंपरिक तरीकों से शुरुआत की, जो सरल, कुशल कैलकुलेटर की तरह हैं जो विशिष्ट शब्दों और उनकी आवृत्ति को देखते हैं। उन्होंने उन्नत "ट्रांसफॉर्मर" मॉडल का भी परीक्षण किया, जो अधिक जटिल प्रणालियाँ हैं जो शब्दों के संदर्भ और उनके बीच के संबंध को समझने में सक्षम हैं, ठीक वैसे ही जैसे एक मानव पाठक केवल शब्दावली के बजाय कहानी के पूर्ण अर्थ को समझता है। अंत में, उन्होंने एक लार्ज लैंग्वेज मॉडल (large language model), जो मानव जैसा टेक्स्ट उत्पन्न करने के लिए डिज़ाइन किया गया एक शक्तिशाली प्रकार का आर्टिफिशियल इंटेलिजेंस है, का परीक्षण किया, और उसे विशिष्ट निर्देशों का उपयोग करके विचारों को वर्गीकृत करने के लिए कहा। परिणाम उन लोगों के लिए आश्चर्यजनक थे जो यह मानते हैं कि बड़े, अधिक जटिल मॉडल हमेशा बेहतर होते हैं। पारंपरिक, सरल मॉडल वास्तव में परिष्कृत मॉडलों से बेहतर प्रदर्शन करते हैं। एक विशिष्ट प्रकार के सरल एल्गोरिदम, जिसे लॉजिस्टिक रिग्रेशन (logistic regression) के रूपю जाना जाता है, ने उच्चतम सटीकता प्राप्त की, जिसने विचारों के भाव को लगभग 93 प्रतिशत बार सही ढंग से पहचाना। अधिक जटिल ट्रांसफॉर्मर मॉडल, हालांकि बहुत अच्छे थे, लेकिन उनका स्कोर थोड़ा कम, लगभग 84 प्रतिशत सटीकता रहा। लार्ज लैंग्वेज मॉडल, अपनी बुद्धिमत्ता की प्रतिष्ठा के बावजूद, इस विशिष्ट कार्य में सबसे कमजोर रहा, जिसने इसे लगभग 80 प्रतिशत बार सही किया।

शोधकर्ताओं ने पाया कि सोशल मीडिया में विशिष्ट छोटे, प्रत्यक्ष वाक्यों के लिए, सरल मॉडल वास्तव में अधिक प्रभावी थे। ये मॉडल इसलिए सफल हुए क्योंकि डेटासेट में मौजूद नकारात्मक और सकारात्मक विचारों में अक्सर स्पष्ट, प्रत्यक्ष शब्द शामिल थे जो उनके स्वर का संकेत देते थे, जिससे कंप्यूटर के लिए उनके अर्थ को समझने के लिए गहन, जटिल तर्क करने की आवश्यकता नहीं रह गई। उन्नत मॉडल, जो लंबे, सूक्ष्म वृत्तांतों को संभालने के लिए डिज़ाइन किए गए हैं, यहाँ कोई लाभ नहीं दे पाए और कभी-कभी इस विशिष्ट कार्य के साथ संघर्ष भी करते रहे। अध्ययन से यह भी पता चला कि प्रणाली उल्लेखनीय रूप से सुसंगत थी; जब शोधकर्ताओं ने डेटा के विभिन्न हिस्सों पर अपने मॉडलों का परीक्षण किया, तो परिणाम स्थिर रहे, जिससे पता चला कि सिस्टम केवल उत्तरों को रट नहीं रहा था बल्कि विचारों के पैटर्न को वास्तव में सीख रहा था।

महत्वपूर्ण रूप से, लेखक इस बात पर जोर देते हैं कि यह प्रणाली अनुसंधान के लिए एक उपकरण है, न कि व्यक्तियों के लिए एक नैदानिक उपकरण (diagnostic device)। कंप्यूटर एक वाक्य के भावनात्मक स्वर को पहचानने के लिए प्रशिक्षित है, न कि किसी मानसिक स्वास्थ्य स्थिति का निदान करने या यह निर्धारित करने के लिए कि क्या कोई व्यक्ति किसी विशिष्ट विकार से पीड़ित है। ऑनलाइन पोस्ट किया गया एक नकारात्मक विचार एक अस्थायी हताशा को दर्शा सकता है न कि एक नैदानिक समस्या को, और यह प्रणाली उस भाषाई वास्तविकता को प्रतिबिंबित करने के लिए डिज़ाइन की गई है, न कि डॉक्टर के निर्णय का स्थान लेने के लिए। यह कार्य भविष्य के अनुसंधान के लिए एक आधार के रूप में कार्य करता है, जो एक बड़ा, सत्यापित डेटासेट और एक स्पष्ट प्रदर्शन प्रदान करता है कि कैसे हल्के, कुशल उपकरण मानव विचार के भावनात्मक परिदृश्य का बड़े पैमाने पर विश्लेषण करने के लिए अत्यधिक प्रभावी हो सकते हैं। यह सिद्ध करके कि सरल, पारदर्शी तरीके इस विशिष्ट संदर्भ में जटिल तरीकों से बेहतर प्रदर्शन कर सकते हैं, यह अध्ययन सुझाव देता है कि भाषा के माध्यम से मानसिक स्वास्थ्य को समझने का मार्ग केवल कंप्यूटेशनल शक्ति के बजाय स्पष्टता और सटीकता में निहित हो सकता है।