Placebo Failures in Domain-Stratified Interrupted Time Series of Mean Lexical Diversity on the Post-2022 Web: A Methodological Caution on Common Crawl MATTR/MTLD Break- point Identification (with Secondary LLM-Associated Vocabulary Markers)

प्रत्येक प्रमुख संचार तकनीक हमारे बोलने और लिखने के तरीके पर एक छाप छोड़ती है। जब प्रिंटिंग प्रेस आया, तो उसने वर्तनी और व्याकरण को मानकीकृत किया। जब इंटरनेट का प्रसार हुआ, तो इसने स्लैंग और संक्षिप्त वाक्यों के फैलाव को तेज कर दिया। अब, एक नई शक्ति संवाद में प्रवेश कर चुकी है: कृत्रिम बुद्धिमत्ता (AI) जो हमारे लिए लिखती है। ये लार्ज लैंग्वेज मॉडल्स केवल मानव भाषा का संचार नहीं करते; वे इसे विशाल मात्रा में उत्पन्न करते हैं, जो अक्सर दुर्लभ या असामान्य शब्दों के बजाय सामान्य, सुरक्षित और पूर्वानुमेय शब्द विकल्पों को प्राथमिकता देते हैं। यह मानवीय अभिव्यक्ति के भविष्य के लिए एक सरल लेकिन गहरा प्रश्न खड़ा करता है: यदि मशीनें खुले वेब पर मौजूद टेक्स्ट का एक महत्वपूर्ण हिस्सा लिखती हैं, तो क्या भाषा स्वयं सरल, कम विविध और अधिक एकसमान हो जाएगी?

शोधकर्ताओं को लंबे समय से संदेह था कि ऐसा हो सकता है। नियंत्रित परीक्षणों में, कंप्यूटर-जनित टेक्स्ट अक्सर मानव लेखन की तुलना में कम विशिष्ट शब्दों का उपयोग करता है। कुछ अध्ययन सुझाव देते हैं कि जैसे-जैसे लोग अपने स्वयं के मसौदों को बेहतर बनाने के लिए इन उपकरणों का उपयोग करते हैं, उनका लेखन एक साझा, मध्यम मार्ग वाली शैली की ओर झुक सकता है, जिससे उसकी अनूठी जटिलता खो सकती है। हालाँकि, वास्तविक, अराजक इंटरनेट पर इसे सिद्ध करना कठिन है। वेब एक ऐसी जगह है जहाँ समाचार चक्र, विज्ञापन रुझान और प्लेटफॉर्म के नियम लगातार बदलते रहते हैं। कृत्रिम प्रभाव के संकेत को खोजने के लिए, वैज्ञानिकों को एआई द्वारा उत्पन्न वास्तविक बदलाव और इंटरनेट के स्वाभाविक शोर के बीच अंतर करना होगा। उन्हें यह जानने की आवश्यकता है कि क्या भाषा वास्तव में बदल रही है या वे केवल प्रकाश के एक भ्रम को देख रहे हैं।

एक नए अध्ययन ने इंटरनेट को एक 'टाइम मशीन' की तरह मानकर इसका उत्तर देने का प्रयास किया। शोधकर्ताओं ने 'कॉमन क्रॉल' नामक एक सार्वजनिक संग्रह से अंग्रेजी वेब पेजों का एक विशाल संग्रह एकत्र किया, जो 2020 की शुरुआत से लेकर 2024 के अंत तक की अवधि को कवर करता है। यह समयरेखा महत्वपूर्ण है क्योंकि इसमें नवंबर 2022 में एक लोकप्रिय एआई चैटबॉट के रिलीज होने से पहले और बाद का समय शामिल है, जिसे व्यापक एआई अपनाने की शुरुआत माना जाता है। टीम ने यह देखने के लिए वेब को विभिन्न 'नेबरहुड्स' (पड़ोस) में विभाजित किया कि क्या प्रभाव संदर्भ के अनुसार भिन्न होता है। उन्होंने समाचार साइटों, व्यक्तिगत ब्लॉगों, सार्वजनिक चर्चा मंचों और ऑनलाइन वाणिज्य पृष्ठों का अवलोकन किया। इनमें से प्रत्येक समूह के लिए, उन्होंने दो विशिष्ट चीजों को मापा: टेक्स्ट में कितने अलग-अलग शब्द दिखाई दिए (लेक्सिकल डाइवर्सिटी/शब्द विविधता) और उन शब्दों को कैसे व्यवस्थित किया गया। उन्होंने शब्दों के एक विशिष्ट सेट को भी देखा जो एआई मॉडल्स के साथ लोकप्रिय हुए हैं, जैसे कि "delve," "tapestry," और "landscape," यह देखने के लिए कि क्या इन निशानों की आवृत्ति बढ़ रही है।

शोधकर्ताओं ने 'इंटरप्टेड टाइम सीरीज़' नामक पद्धति का उपयोग किया, जो अनिवार्य रूप से एक समयरेखा को ट्रैक करने का एक तरीका है ताकि यह देखा जा सके कि किसी विशिष्ट तिथि पर अचानक क्या होता है। उन्हें उम्मीद थी कि यदि एआई वेब को नया आकार दे रहा है, तो शब्द विविधता की ट्रेंड लाइनें नवंबर 2022 के ठीक बाद एक तीव्र गिरावट दिखाएंगी। उन्होंने यह सुनिश्चित करने के लिए भी एक कठोर जांच की कि उनकी पद्धति सुदृढ़ हो। वास्तविक डेटा देखने से पहले, उन्होंने अपने सिस्टम का परीक्षण अतीत की फर्जी तारीखों पर किया। यदि सिस्टम ने ऐसी तारीख पर अचानक बदलाव का दावा किया जब कुछ हुआ ही नहीं था, तो इसका मतलब था कि पद्धति बहुत संवेदनशील थी और गलत अलार्म पैदा करने की संभावना थी। यह चरण महत्वपूर्ण है क्योंकि इंटरनेट यादृच्छिक उतार-चढ़ाव से भरा होता है जिनका कृत्रिम बुद्धिमत्ता से कोई लेना-देना नहीं होता।

इस सावधानीपूर्वक जांच के परिणाम आश्चर्यजनक रूप से शांत रहे। जब शोधकर्ताओं ने वास्तविक डेटा को देखा, तो उन्हें शब्द विविधता में कोई सांख्यिकीय रूप से मजबूत, निर्णायक गिरावट नहीं मिली जैसा कि कई लोगों ने भविष्यवाणी की थी। वास्तव में, जब उन्होंने वैध खोज के लिए अपने सख्त नियमों को लागू किया, तो शेष साक्ष्य अनिर्णायक थे; डेटा इतना शोर भरा था कि बदलाव की पुष्टि करना कठिन था, लेकिन यह यह साबित करने के लिए भी अपर्याप्त था कि कोई बदलाव नहीं हुआ। केवल वे समूह जिनमें संभावित गिरावट देखी गई, वे छोटे और सांख्यिकीय रूप से कमजोर थे, जिसका अर्थ है कि डेटा इतना शोर भरा था कि यह निश्चित रूप से नहीं कहा जा सके कि कोई बदलाव हुआ है या नहीं। अध्ययन स्पष्ट रूप से नोट करता है कि कोई "इन्फॉर्मेटिव पावर्ड नल" (informative powered null) शेष नहीं है, जिसका अर्थ है कि यह भाषा की विविधता में गिरावट को निर्णायक रूप से खारिज नहीं कर सकता, न ही यह पुष्टि कर सकता है। यहाँ तक कि "प्लेसबो" परीक्षणों ने भी, जो एक नियंत्रण समूह के रूप में कार्य करते थे, दिखाया कि पद्धति आसानी से वास्तविक रुझान के रूप में यादृच्छिक इंटरनेट शोर को गलत समझ सकती है। उदाहरण के लिए, समाचार श्रेणी में, सिस्टम ने 2021 में एक फर्जी तारीख पर एक बड़ा बदलाव गलत तरीके से डिटेक्ट किया, जिससे सिद्ध हुआ कि पद्धति वास्तविक परिणामों पर भरोसा करने के लिए पर्याप्त मजबूत नहीं थी।

अध्ययन ने कुछ संकेतों को पाया कि एआई से जुड़े विशिष्ट शब्द थोड़े अधिक सामान्य होते जा रहे हैं, विशेष रूप से वाणिज्यिक और समाचार लेखन में। हालाँकि, यह वृद्धि छोटी थी और संयोग को खारिज करने के लिए उपयोग किए गए सख्त सांख्यिकीय परीक्षणों में टिक नहीं पाई। यह सुझाव देता है कि हालांकि एआई एक सूक्ष्म शैलीगत छाप छोड़ रहा है, लेकिन इसने अभी तक भाषा को उस तरह से महत्वपूर्ण रूप से सरल या एकसमान नहीं बनाया है जिसे स्पष्ट रूप से मापा जा सके। शोधकर्ताओं ने निष्कर्ष निकाला कि एआई उपकरणों के रिलीज के बाद भाषा की जटिलता में अचानक, व्यापक गिरावट का विचार इस अवधि के डेटा द्वारा समर्थित नहीं है, लेकिन स्पष्ट संकेत की कमी डेटा की सीमाओं के कारण है, न कि इस बात के प्रमाण के रूप में कि कुछ भी नहीं हुआ। वेब की भाषा, कम से कम एआई उछाल के तुरंत बाद के वर्षों में, अपनी विविधता बनाए रखने में सफल रही है, हालांकि अध्ययन पूर्ण निश्चितता के साथ इसकी पुष्टि नहीं कर सकता।

इसका मतलब यह नहीं है कि कृत्रिम बुद्धिमत्ता का भाषा पर कोई प्रभाव नहीं है, बल्कि प्रभाव का अर्थ यह है कि इसे शब्द विविधता में साधारण गिरावट की तुलना में पहचानना कठिन है। अध्ययन इस बात पर प्रकाश डालता है कि इंटरनेट जैसे जीवित, सांस लेते पारिस्थितिकी तंत्र में ऐसे परिवर्तनों को मापना कितना कठिन है। शोधकर्ताओं ने उल्लेख किया कि उनका डेटा उनके द्वारा संसाधित किए जा सकने वाले दस्तावेजों की संख्या और इंटरनेट अभिलेखागार एकत्र करने के विशिष्ट तरीके द्वारा सीमित था। उन्होंने इस बात पर जोर दिया कि उनके निष्कर्ष उस समय अवधि और वेबसाइटों के प्रकारों के लिए विशिष्ट हैं जिनका उन्होंने अध्ययन किया। उन्हें कोई ऐसा "स्मोकिंग गन" (ठोस सबूत) नहीं मिला जो यह साबित करे कि एआई ने मानव लेखन को एकरूप बना दिया है, लेकिन उन्होंने यह भी साबित नहीं किया कि ऐसा कभी नहीं होगा। एआई भाषा को कैसे बदलता है, इसकी कहानी अभी लिखी जा रही है, और यह शोध एक चेतावनी के रूप में कार्य करता है: परिवर्तन सूक्ष्म, जटिल और डिजिटल दुनिया के सामान्य शोर के रूप में आसानी से गलत समझे जाने वाले हो सकते हैं।