Incremental Value of Structured Metadata for Text Based Risk Triage in a Role Play Derived University Counselling Corpus
यह अध्ययन पाता है कि टेक्स्ट-आधारित क्लासिफायर में स्ट्रक्चर्ड मेटाडेटा जोड़ने से विश्वविद्यालय मानसिक स्वास्थ्य जोखिम ट्राइएज के लिए कोई सुसंगत वृद्धिशील लाभ नहीं मिलता है, क्योंकि केवल संदेश टेक्स्ट ही स्ट्रक्चर्ड-ओनली मॉडल और संयुक्त दृष्टिकोणों से बेहतर प्रदर्शन करता है, हालांकि डेटा की रोल-प्ले प्रकृति और स्वायत्त-स्तर के प्रदर्शन की कमी के लिए वास्तविक परामर्श रिकॉर्ड पर आगे के सत्यापन की आवश्यकता 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
विश्वविद्यालय के परामर्श केंद्रों (काउंसलिंग सेंटर्स) के शांत स्थानों में, छात्र अक्सर ऐसे बोझ लेकर आते हैं जिन्हें नाम देना कठिन होता है। वे चिंता, अलगाव या निराशा की बात करते हैं, इस उम्मीद में कि वे अपनी भावनाओं को समझ सकें और सही मदद पा सकें। दशकों से, मानव परामर्शदाता इन कहानियों को सुनने और यह तय करने के लिए अपने प्रशिक्षण और अंतर्ज्ञान पर भरोसा करते आए हैं कि किन छात्रों को तत्काल ध्यान देने की आवश्यकता है और कौन प्रतीक्षा कर सकता है। आज, जैसे-जैसे मदद मांगने वाले छात्रों की संख्या उपलब्ध परामर्शदाताओं की संख्या से अधिक तेजी से बढ़ रही है, शोधकर्ता पूछ रहे हैं कि क्या कंप्यूटर मदद कर सकते हैं। प्राकृतिक भाषा प्रसंस्करण (नेचुरल लैंग्वेज प्रोसेसिंग) का यह क्षेत्र, मशीनों को मानवीय पाठ पढ़ने और उन पैटर्न को पहचानने के लिए प्रशिक्षित करने का प्रयास करता है जो खतरे का संकेत देते हैं। केंद्रीय प्रश्न केवल यह नहीं है कि क्या एक कंप्यूटर एक संदेश पढ़ सकता है, बल्कि यह है कि क्या किसी व्यक्ति के बारे में कुछ सरल तथ्य जोड़ना—जैसे उनकी आयु, लिंग या अध्ययन का वर्ष—कंप्यूटर को शब्दों के अकेले पढ़ने की तुलना में संकट को पहचानने में बेहतर बनाता है।
ज़ाम्बिया विश्वविद्यालय के शोधकर्ताओं की एक टीम ने कहानियों के एक अनूठे संग्रह का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने वास्तविक रोगी रिकॉर्ड का उपयोग नहीं किया, जो बहुत निजी और जटिल होते। इसके बजाय, उन्होंने 1,672 लघु परिदृश्यों (सिनारियो) का एक पुस्तकालय बनाया। इन कहानियों में, छात्रों और परामर्शदाताओं ने संवाद किए, जिसमें छात्र संकट में फंसे व्यक्ति की चिंताओं को व्यक्त कर रहे थे और परामर्शदाता पेशेवर रूप से प्रतिक्रिया दे रहे थे। प्रत्येक कहानी को उस परामर्शदाता द्वारा लेबल दिया गया था जिसने उस भूमिका को निभाया था, जिससे स्थिति को कम जोखिम, मध्यम जोखिम, उच्च जोखिम या गंभीर के रूप में चिह्नित किया गया। शोधकर्ताओं ने फिर इन जोखिम स्तरों की भविष्यवाणी करने के लिए तीन अलग-अलग कंप्यूटर मॉडल बनाए। पहला मॉडल केवल छात्र के संदेश के पाठ को पढ़ता था। दूसरा मॉडल केवल संरचित तथ्यों को देखता था, जैसे छात्र का लिंग और अध्ययन का वर्ष। तीसरा मॉडल पाठ और तथ्यों दोनों का एक साथ उपयोग करने का प्रयास करता था।
परिणाम स्पष्ट और कुछ हद तक आश्चर्यजनक थे। वह कंप्यूटर जिसने केवल पाठ को पढ़ा, उस कंप्यूटर से बेहतर प्रदर्शन करता था जिसने केवल तथ्यों को देखा था। जब शोधकर्ताओं ने पाठ को जनसांख्यिकीय विवरणों के साथ जोड़ा, तो कंप्यूटर और बेहतर नहीं हुआ; वास्तव में, कभी-कभी यह थोड़ा खराब प्रदर्शन करता था। छात्र के बारे में अतिरिक्त जानकारी ने मशीन को शब्दों के बिना खतरे को समझने में कोई मदद नहीं की। एकमात्र संरचित जानकारी जिसने कुछ आशा दिखाई, वह थी समस्या की श्रेणी, जैसे कि क्या कहानी में आघात (ट्रॉमा) या हिंसा शामिल थी। हालाँकि, ये श्रेणियां सीधे कहानियों की सामग्री से प्राप्त की गई थीं, इसलिए वे वास्तव में स्वतंत्र तथ्य नहीं थे बल्कि जो पहले ही कहा जा चुका था उसका सारांश थीं। लिंग या छात्र कहाँ रहता है जैसे जनसांख्यिकीय विवरणों ने भविष्यवाणी में लगभग कोई योगदान नहीं दिया।
सर्वश्रेष्ठ पाठ-मात्र (टेक्स्ट-ओनली) मॉडल के साथ भी, शोधकर्ताओं ने पाया कि प्रणाली अभी भी अपने आप जीवन-मृत्यु के निर्णय लेने के लिए तैयार नहीं थी। सबसे खतरनाक मामलों में से 95 प्रतिशत को पकड़ने के लिए, कंप्यूटर को लगभग 80 प्रतिशत छात्रों को मदद की आवश्यकता के रूप में चिह्नित करना होगा। यह एक परामर्श केंद्र को अभिभूत कर देगा, क्योंकि इसका अर्थ होगा कि लगभग सभी के साथ आपात स्थिति का व्यवहार करना। मूल कहानियों के सेट में, मानक सेटिंग का उपयोग करते समय मॉडल ने सबसे गंभीर मामलों में से तीन में से चार को मिस कर दिया था। हालांकि पुस्तकालय में अधिक कहानियाँ जोड़ने से संख्या में सुधार हुआ, लेकिन प्रणाली अभी भी मानवीय देखरेख के बिना सबसे गंभीर स्थितियों की विश्वसनीय पहचान करने में संघर्ष करती रही।
अध्ययन ने डेटा बनाने के तरीके में एक महत्वपूर्ण सीमा को भी रेखांकित किया। चूंकि एक ही छोटे समूह के लोगों ने सभी कहानियाँ लिखी थीं, इसलिए संभव है कि कंप्यूटर ने वास्तविक संकट के संकेतों के बजाय उन विशिष्ट लेखकों की लेखन शैली को पहचानना सीख लिया हो। इसके अलावा, जिस व्यक्ति ने प्रत्येक कहानी के जोखिम को रेट किया था, वह वही परामर्शदाता था जिसने अभी-अभी उस दृश्य में अभिनय किया था, जिसका अर्थ है कि वे संदर्भ से अनजान नहीं थे। इससे पता चलता है कि स्कोर वास्तविक दुनिया के परिवेश की तुलना में अधिक हो सकते हैं जहाँ एक अजनबी एक वास्तविक, बिना स्क्रिप्ट वाला संदेश पढ़ता है।
अंततः, यह शोध बताता है कि इस विशिष्ट प्रकार के डेटा के लिए, छात्र जो लिखता है वह उसके बारे में तथ्यों से कहीं अधिक महत्वपूर्ण है। कंप्यूटर ने सीखा कि संकट संदेश में था, मेटाडेटा में नहीं। हालाँकि, अध्ययन यह कहने से रुक जाता है कि कंप्यूटर विश्वविद्यालय परामर्श में मानवीय निर्णय का स्थान लेने के लिए तैयार हैं। मॉडल अभी इतने सटीक नहीं हैं कि उन्हें सुरक्षा-महत्वपूर्ण निर्णयों के लिए भरोसेमंद माना जा सके, और प्रशिक्षण के लिए उपयोग किया गया डेटा निर्मित था, न कि वास्तविक रोगियों से एकत्र किया गया था। यह कार्य इस बात के परीक्षण के लिए एक सावधानीपूर्ण विधि के रूप में कार्य करता है कि ये उपकरण कैसे व्यवहार करते हैं, जो दिखाता है कि यद्यपि पाठ शक्तिशाली है, एक सुरक्षित, स्वचालित प्रणाली का मार्ग वास्तविक रूप से जरूरतमंद छात्रों की छंटनी (ट्राइएज) करने के लिए उपयोग किए जाने से पहले बहुत अधिक सत्यापन की मांग करता 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।