Feature Selection for Multidimensional Poverty Measurement: Taming Indicator Dimensionality
यह शोध पत्र यह प्रदर्शित करता है कि मशीन लर्निंग-आधारित फीचर चयन, भारत के IHDS-II डेटा के विश्लेषण से प्रमाणित, संकेतकों के एक छोटे, गैर-अनावश्यक उपसमूह की पहचान करके बहुआयामी गरीबी मापन के कम्प्यूटेशनल और व्याख्यात्मक बोझ को महत्वपूर्ण रूप से कम कर सकता है, जो पूर्ण संकेतक सेटों के तुलनीय वर्गीकरण सटीकता बनाए रखता 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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
गरीबी को लंबे समय से एक ही संख्या से मापा जाता रहा है: एक व्यक्ति या परिवार के पास कितने पैसे हैं। यदि उनकी आय एक निश्चित रेखा से नीचे गिर जाती है, तो उन्हें गरीब माना जाता है। लेकिन यह संकीर्ण दृष्टिकोण कठिनाई की वास्तविकता को अनदेखा कर देता है। एक परिवार के पास भोजन खरीदने के लिए पर्याप्त धन हो सकता है, लेकिन उनके पास स्वच्छ जल, बिजली या डॉक्टर तक पहुँच की कमी हो सकती है। इस पूर्ण चित्र को पकड़ने के लिए, सामाजिक वैज्ञानिकों और नीति निर्माताओं ने बहुआयामी गरीबी माप की ओर रुख किया है। केवल एक चीज़ को देखने के बजाय, वे दर्जनों अलग-अलग संकेतकों (indicators) को ट्रैक करते हैं—जैसे कि क्या बच्चे स्कूल जाते हैं, क्या घर में फ्लश शौचालय है, या क्या वयस्क पुरानी बीमारी से ग्रस्त हैं। इन कई संकेतों को जोड़कर, वे पहचान सकते हैं कि वास्तव में कई तरीकों से कौन वंचित है। यह दृष्टिकोण अब गरीबी को समझने के लिए वैश्विक मानक है, जिसका उपयोग संयुक्त राष्ट्र जैसे संगठनों द्वारा सौ से अधिक देशों में सहायता और नीति का मार्गदर्शन करने के लिए किया जाता है। फिर भी, जैसे-जैसे इन संकेतकों की सूचियाँ लंबी होती जा रही हैं, जो अक्सर सैकड़ों तक पहुँच जाती हैं, एक नई समस्या उभरती है। इतना सारा डेटा एकत्र करना और संसाधित करना अविश्वसनीय रूप से महंगा और धीमा हो जाता है, जिससे सरकारों के लिए वास्तविक समय में गरीबों की निगरानी करना कठिन हो जाता है।
चीन की फुदान यूनिवर्सिटी के एक शोधकर्ता, कान सन ने इस व्यावहारिक बाधा को हल करने का प्रयास किया। प्रश्न यह नहीं था कि क्या हमें जीवन के कई पहलुओं को मापना चाहिए, बल्कि यह था कि क्या सटीक परिणाम प्राप्त करने के लिए हमें वास्तव में इनमें से हर एक को मापने की आवश्यकता है। सन ने पूछा कि क्या इन विशाल सूचियों से अनावश्यक हिस्से को हटाने का कोई तरीका है बिना सटीक परिणाम देने की क्षमता खोए। उत्तर खोजने के लिए, शोधकर्ता ने उन उपकरणों की ओर रुख किया जो आमतौर पर आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के लिए आरक्षित होते हैं। विशेष रूप से, अध्ययन में "फीचर सिलेक्शन" (feature selection) नामक तकनीकों के एक सेट का उपयोग किया गया। सरल शब्दों में, ये वे तरीके हैं जो एक छलनी की तरह कार्य करते हैं, जो डेटा के एक बड़े ढेर को छाँटकर उन कुछ वस्तुओं को ढूंढते हैं जिनमें सबसे महत्वपूर्ण जानकारी होती है और बाकी को अनावश्यक मानकर हटा देते हैं। लक्ष्य यह देखना था कि क्या संकेतकों का एक छोटा, सावधानीपूर्वक चुना गया समूह, बहुत बड़े और बोझिल सेट के समान ही काम कर सकता है।
अध्ययन ने इन विचारों का परीक्षण भारत के 42,000 से अधिक घरों के एक विशाल सर्वेक्षण का उपयोग करके किया, जिसने शिक्षा, स्वास्थ्य और जीवन स्तर के तहत 15 विभिन्न अभावों के संकेतों को ट्रैक किया। शोधकर्ता ने इस डेटा पर पांच अलग-अलग मशीन-लर्निंग एल्गोरिदम लागू किए। प्रत्येक एल्गोरिदम एक अलग न्यायाधीश की तरह कार्य करता था, जो 15 संकेतकों को इस आधार पर रैंक करता था कि वे किसी घर के गरीब होने की भविष्यवाणी करने के लिए कितने उपयोगी थे। परिणाम चौंकाने वाले थे। एल्गोरिदम सर्वसम्मति से इस बात पर सहमत थे कि संकेतकों के एक बहुत छोटे समूह में लगभग सारी आवश्यक जानकारी मौजूद थी। सूची में सबसे ऊपर महिला शिक्षा थी। डेटा ने दिखाया कि यह जानना कि एक घर की सबसे शिक्षित महिला की शिक्षा छह वर्ष से कम थी या नहीं, गरीबी की भविष्यवाणी करने के लिए पूर्ण सेट के समान सटीकता के साथ पर्याप्त था। यदि घर की एक महिला के पास यह बुनियादी शिक्षा नहीं थी, तो वह घर कई आयामों में लगभग निश्चित रूप से गरीब था। यदि उसके पास यह थी, तो वह घर लगभग निश्चित रूप से गरीब नहीं था।
महिला शिक्षा के अलावा, वयस्क स्वास्थ्य और बुनियादी जीवन स्तर जैसे कुछ अन्य कारक भी अत्यधिक सूचनात्मक साबित हुए। इसके विपरीत, जो संकेतक कागज़ पर महत्वपूर्ण लगते थे, वे गरीबों को गैर-गरीबों से अलग करने के लिए बेकार निकले। उदाहरण के लिए, कंप्यूटर स्वामित्व को सबसे नीचे रखा गया था। ऐसा इसलिए नहीं था कि कंप्यूटर महत्वपूर्ण नहीं हैं, बल्कि इसलिए क्योंकि सर्वेक्षण में लगभग किसी के पास भी कंप्यूटर नहीं था; चूंकि लगभग सभी इस वस्तु से वंचित थे, इसलिए यह एक गरीब परिवार और थोड़े कम गरीब परिवार के बीच अंतर करने में मदद नहीं कर सका। इसी तरह, बिजली इतनी आम थी कि उसकी अनुपस्थिति दुर्लभ थी, जिससे यह छँटाई के लिए एक खराब उपकरण बन गई। अध्ययन में पाया गया कि कम उपयोगी संकेतकों को हटाकर, शोधकर्ता बिना सटीकता खोए सूची को 15 से घटाकर 8 तक कम कर सकते थे; सिस्टम अभी भी लगभग समान सटीकता के साथ गरीबों की पहचान कर सकता था। हालांकि, सटीकता तब तक तेजी से नहीं गिरती जब तक कि 5 से कम संकेतक शेष न रह जाएं। यह निष्कर्ष तब भी सही रहा जब शोधकर्ताओं ने "गरीब" किसे माना इसके नियम बदले या विभिन्न श्रेणियों को दी गई प्राथमिकता में बदलाव किया।
यह सुनिश्चित करने के लिए कि यह केवल भारतीय डेटा की कोई विचित्रता नहीं है, शोधकर्ता ने दक्षिण अफ्रीका के एक समान सर्वेक्षण के साथ इस अभ्यास को दोहराया। परिणाम लगभग समान थे। उस देश में भी, शिक्षा और स्वास्थ्य ने एक छोटे, शक्तिशाली केंद्र का निर्माण किया जो संपूर्ण मापन प्रणाली का भार वहन करता था, जबकि जीवन-स्तर के कई संकेतक अनावश्यक साबित हुए। अध्ययन ने पुष्टि की कि यह पैटर्न केवल एक डेटासेट की कोई संयोग मात्र नहीं है, बल्कि यह एक संरचनात्मक विशेषता है कि इन क्षेत्रों में गरीबी कैसे प्रकट होती है।
यह समझना महत्वपूर्ण है कि यह अध्ययन क्या करता है और क्या नहीं करता है। शोध यह तर्क नहीं देता है कि हमें कंप्यूटर स्वामित्व या दीवार की गुणवत्ता जैसी चीजों को मापना बंद कर देना चाहिए क्योंकि वे मानव कल्याण के लिए महत्वपूर्ण नहीं हैं। गरीबी के मापन में किन आयामों को शामिल किया जाए, यह एक नैतिक और राजनीतिक निर्णय है, जो इस बात पर आधारित है कि एक समाज किन मूल्यों को महत्व देता है। यह अध्ययन उन चुनावों को नहीं करता है। इसके बजाय, यह उन लोगों के लिए एक व्यावहारिक उपकरण के रूप में कार्य करता है जिन्होंने पहले ही वे चुनाव कर लिए हैं। यह उन्हें दिखाता है कि एक बार जब उन्होंने 15 चीजों को मापने का निर्णय ले लिया, तो उन्हें सटीक गणना प्राप्त करने के लिए सभी 15 पर डेटा एकत्र करने की आवश्यकता नहीं हो सकती है। यह पहचानकर कि कौन से संकेतक सांख्यिकीय रूप से अनावश्यक हैं, अध्ययन गरीबी निगरानी प्रणालियों को सटीकता से समझौता किए बिना सस्ता, तेज़ और प्रबंधित करने में आसान बनाने का एक तरीका प्रदान करता है। क्या मापा जाए, इसका अंतिम निर्णय नीति निर्माताओं के पास ही रहता है, लेकिन अब वे यह स्पष्ट रूप से जान सकते हैं कि कौन से संकेतक अनिवार्य हैं और कौन से केवल अतिरिक्त 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।