An Expert-independent Artificial Intelligence Method for Extracting and Prioritizing Decision Factors From Large-scale Textual Corpora
यह शोध पत्र FEDRA को प्रस्तुत करता है, जो एक स्वायत्त ढांचा (framework) है जो विशेषज्ञ हस्तक्षेप के बिना बड़े पैमाने पर वैज्ञानिक पाठ से निर्णय कारकों को निकालने और उन्हें प्राथमिकता देने के लिए ट्रांसफार्मर-आधारित एम्बेडिंग, क्लस्टरिंग और ग्राफ विश्लेषण का लाभ उठाता है, जो अपशिष्ट जल उपचार स्थल चयन के एक केस स्टडी में उच्च सटीकता और अर्थपूर्ण निरंतरता प्रदर्शित 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
हर दिन, वैज्ञानिक, इंजीनियर और नीति निर्माता लिखित सूचनाओं के एक पहाड़ का सामना करते हैं। हजारों शोध पत्र, तकनीकी रिपोर्ट और नीतिगत दस्तावेज लगातार प्रकाशित होते रहते हैं, जिनमें से प्रत्येक में कठिन निर्णय लेने के लिए आवश्यक पहेली के टुकड़े मौजूद होते हैं। दशकों से, इस टेक्स्ट के ढेर को प्राथमिकताओं की एक स्पष्ट सूची में बदलने का मानक तरीका मानव विशेषज्ञों से पूछना रहा है। विशेषज्ञों के समूह मिलते थे, साहित्य को पढ़ते थे, और इस पर मतदान करते थे कि सबसे महत्वपूर्ण क्या है, जो अक्सर एक सर्वसम्मति बनाने के लिए संरचित सर्वेक्षणों या लंबी चर्चाओं का उपयोग करते थे। हालांकि इस दृष्टिकोण ने हमारी अच्छी सेवा की है, लेकिन यह धीमा, महंगा है और पूरी तरह से उन विशिष्ट लोगों पर निर्भर है जिन्हें भाग लेने के लिए चुना गया है। यदि विशेषज्ञ बदल जाते हैं, तो परिणाम भी अक्सर बदल जाते हैं। इसके अलावा, जैसे-जैसे उपलब्ध जानकारी का आयतन किसी भी मानव टीम द्वारा पढ़े जाने की क्षमता से अधिक तेजी से बढ़ रहा है, यह पारंपरिक विधि एक दीवार से टकराने लगी है।
एक नया दृष्टिकोण उभर रहा है जो पूरी तरह से मानवीय बाधा को दरकिनार करने का प्रयास करता है। यह पूछने के बजाय कि लोगों को क्या महत्वपूर्ण लगता है, यह विधि कंप्यूटर से दस्तावेजों को पढ़ने और स्वयं पैटर्न खोजने के लिए कहती है। मूल विचार दो आधुनिक क्षमताओं पर निर्भर करता है। पहला, कंप्यूटर अब केवल शब्दों को ही नहीं, बल्कि संदर्भ के गणितीय निरूपणों के माध्यम से वाक्यों के अर्थ को भी समझ सकते हैं। दूसरा, वे यह मानचित्रण कर सकते हैं कि विभिन्न विचार एक साथ कैसे दिखाई देते हैं, जिससे यह पता चलता है कि शोधकर्ताओं के मन में कौन सी अवधारणाएं स्वाभाविक रूप से जुड़ी हुई हैं। इन उपकरणों को मिलाकर, अब एक ऐसा सिस्टम बनाना संभव है जो बिना किसी मानव विशेषज्ञ द्वारा वोट दिए या फॉर्म भरे, सीधे टेक्स्ट से निर्णय के लिए सबसे महत्वपूर्ण कारकों को निकाल सके।
इमान मोसादेघ, जो आर्टिफिशियल इंटेलिजेंस में एक स्वतंत्र शोधकर्ता हैं, ने इस विचार का परीक्षण करने के लिए FEDRA नामक एक फ्रेमवर्क विकसित किया है। लक्ष्य एक ऐसा सिस्टम बनाना था जो वैज्ञानिक साहित्य के एक बड़े संग्रह को स्वचालित रूप से पढ़ सके, किसी विशिष्ट निर्णय को प्रभावित करने वाले प्रमुख कारकों की पहचान कर सके और उन्हें महत्व के आधार पर रैंक कर सके, वह भी बिना किसी मानवीय हस्तक्षेप के। यह देखने के लिए कि क्या यह संभव था, शोधकर्ता ने इस प्रणाली को एक जटिल वास्तविक दुनिया की समस्या पर लागू किया: अपशिष्ट जल उपचार संयंत्र (वेस्टवॉटर ट्रीटमेंट प्लांट) के लिए सबसे अच्छी जगह का चयन करना। यह एक ऐसा निर्णय है जिसमें कई प्रतिस्पर्धी चिंताओं को संतुलित करना शामिल है, जैसे नदियों और सड़कों से दूरी से लेकर भूमि की लागत और स्थानीय समुदायों की जरूरतों तक। शोधकर्ता ने 2012 और 2026 के बीच प्रकाशित पच्चीस वैज्ञानिक दस्तावेजों को एकत्र किया, जो कुल 1,21,000 से अधिक शब्दों को कवर करते हैं। यह संग्रह कंप्यूटर के विश्लेषण के लिए कच्चे माल के रूप में कार्य करता था।
प्रक्रिया इन दस्तावेजों के पूर्ण टेक्स्ट को सिस्टम में फीड करने के साथ शुरू हुई। कंप्यूटर ने टेक्स्ट को वाक्यों और अनुच्छेदों में विभाजित किया, फिर शब्दों के पीछे के अर्थ को समझने के लिए उन्नत भाषा मॉडलों का उपयोग किया। विशिष्ट कीवर्ड्स को खोजने के बजाय, सिस्टम ने विचारों के उन समूहों (क्लस्टर्स) की तलाश की जो अक्सर एक साथ दिखाई देते थे। इसने उन अट्ठाईस विशिष्ट कारकों की पहचान की जिन्हें साहित्य में चयन के लिए महत्वपूर्ण बताया गया था। ये कारक शोधकर्ता द्वारा पूर्व-निर्धारित नहीं किए गए थे; वे डेटा से स्वाभाविक रूप से उभरे थे। सिस्टम ने फिर इन कारकों को चार तार्किक समूहों में व्यवस्थित किया: पहुंच और मांग, पर्यावरणीय और जल विज्ञान संबंधी स्थितियां, इंजीनियरिंग और बुनियादी ढांचे की बाधाएं, और सामाजिक-आर्थिक विचार। यह समूहीकरण स्वतः हुआ, जो इस आधार पर था कि टेक्स्ट के भीतर एक-दूसरे के संबंध में इन कारकों पर चर्चा कैसे की गई थी।
एक बार कारक पहचाने जाने के बाद, सिस्टम को यह तय करना था कि कौन से सबसे महत्वपूर्ण हैं। इसने कारकों का एक नेटवर्क मैप बनाकर यह कार्य किया। इस मानचित्र में, प्रत्येक कारक एक बिंदु था, और रेखाएं उन कारकों को जोड़ती थीं जो एक ही वाक्य या पैराग्राफ में एक साथ दिखाई देते थे। सिस्टम ने फिर इस नेटवर्क का विश्लेषण किया ताकि यह देखा जा सके कि कौन से कारक सबसे केंद्रीय हैं। जो कारक कई अन्य महत्वपूर्ण कारकों से जुड़े थे, उन्हें उच्च रैंक दी गई, ठीक वैसे ही जैसे एक सोशल नेटवर्क में एक लोकप्रिय व्यक्ति जो कई अन्य प्रभावशाली लोगों से जुड़ा होता है। इस पद्धति ने सिस्टम को केवल शब्दों की आवृत्ति गिनने के बजाय, साहित्य के भीतर उनकी संरचनात्मक महत्ता के आधार पर प्राथमिकताओं को निर्धारित करने की अनुमति दी। सिस्टम द्वारा पहचाना गया शीर्ष-रैंक वाला कारक जल निकायों (वाटर बॉडीज) से निकटता था, जिसके ठीक बाद सड़कों से दूरी और जनसंख्या घनत्व का स्थान था। ये परिणाम उन निष्कर्षों के साथ निकटता से मेल खाते हैं जो मानव विशेषज्ञों ने पारंपरिक रूप से निकाले हैं, जो यह सुझाव देते हैं कि कंप्यूटर ने सफलतापूर्वक टेक्स्ट से उन्हीं पाठों को सीख लिया था।
परिणामों को सत्यापित करने के लिए, शोधकर्ता ने कंप्यूटर की सूची की तुलना एक बड़े लैंग्वेज मॉडल द्वारा बनाए गए बेंचमार्क से की, जिसने उसी दस्तावेजों के दूसरे, स्वतंत्र पाठक के रूप में कार्य किया। तुलना ने दोनों विधियों के बीच एक मजबूत सहमति दिखाई। कंप्यूटर ने उन उन छब्बीस में से उन अट्ठाईस प्रमुख कारकों को सफलतापूर्वक पहचाना जो बेंचमार्क मॉडल ने पाए थे, जो कि नब्बे प्रतिशत से अधिक की सफलता दर है। इन कारकों की रैंकिंग भी बारीकी से मेल खाती थी, जो एक उच्च सांख्यिकीय सहसंबंध को दर्शाता है कि कंप्यूटर और बेंचमार्क मॉडल इस बात पर सहमत थे कि कौन से कारक सबसे महत्वपूर्ण हैं। सिस्टम ने यह भी प्रदर्शित किया कि इसके द्वारा पाए गए कारक अर्थपूर्ण रूप से सुसंगत (सेमेंटिकली कंसिस्टेंट) थे, जिसका अर्थ है कि इसके द्वारा बनाए गए कारकों के समूह तार्किक रूप से एक साथ सही अर्थ रखते थे। हालांकि सिस्टम सांस्कृतिक विरासत और सौंदर्यशास्त्र से संबंधित एक कारक को छोड़ गया, लेकिन इसका समग्र प्रदर्शन इतना मजबूत था कि यह दिखा सका कि यह असंरचित टेक्स्ट से एक सार्थक निर्णय क्षेत्र का पुनर्निर्माण कर सकता है।
अध्ययन सुझाव देता है कि निर्णय कारकों की खोज को स्वचालित करना संभव है, जो पारंपरिक विशेषज्ञ पैनलों के लिए एक स्केलेबल विकल्प प्रदान करता है। फ्रेमवर्क विविध प्रकार के दस्तावेजों को संभालने और बिना किसी मानवीय स्कोरिंग या पूर्व-निर्धारित श्रेणियों के, एक संरचित, व्याख्या योग्य प्राथमिकताओं की सूची निकालने में सक्षम रहा। हालांकि, शोधकर्ता नोट करते हैं कि सिस्टम पूरी तरह से मानवीय प्रभाव से मुक्त नहीं है। आउटपुट की गुणवत्ता उन दस्तावेजों की गुणवत्ता पर निर्भर करती है जिन्हें इसमें फीड किया जाता है, और शोधकर्ता को अभी भी यह चुनना था कि किन दस्तावेजों को शामिल किया जाए और सिस्टम के मापदंडों को कैसे सेट किया जाए। यह सिस्टम अंतिम निर्णय लेने की प्रक्रिया में मानवीय निर्णय की आवश्यकता को प्रतिस्थापित नहीं करता है, लेकिन यह उन साक्ष्यों को एकत्र करने और व्यवस्थित करने के लिए एक शक्तिशाली उपकरण प्रदान करता है जो उन निर्णयों को सूचित करते हैं। टेक्स्ट के एक विशाल पुस्तकालय को कारकों की एक स्पष्ट, रैंक की गई सूची में बदलकर, यह दृष्टिकोण इंजीनियरिंग से लेकर सार्वजनिक नीति तक के क्षेत्रों में संगठनों को तेज़ और अधिक सुसंगत निर्णय लेने में मदद कर सकता है, बशर्ते उनके पास विश्लेषण के लिए लिखित ज्ञान का एक ठोस आधार उपलब्ध हो।
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।