AI-Based Tribal Community Sustainability Prediction System Using Machine Learning: A Case Study of Palghar District, Maharashtra

भारत के ग्रामीण विकास के विशाल और विविध परिदृश्य में, जनजातीय समुदायों का कल्याण अक्सर दैनिक आवश्यकताओं के एक जटिल जाल पर निर्भर करता है। इन आबादी के लिए, वास्तविक स्थिरता धन का कोई एकल पैमाना नहीं है, बल्कि स्कूलों तक पहुँच, स्वच्छ जल, विश्वसनीय बिजली, सुरक्षित स्वच्छता, स्थिर काम और डिजिटल दुनिया से जुड़ने की क्षमता का एक संयोजन है। जब ये तत्व अनुपलब्ध या असमान रूप से वितरित होते हैं, तो पूरे गाँव पिछड़ सकते हैं, भले ही किसी जिले के औसत आंकड़े उत्साहजनक दिख रहे हों। यह समझने के लिए कि मदद की सबसे अधिक आवश्यकता कहाँ है, शोधकर्ता लंबे समय से जनगणना के आंकड़ों पर भरोसा करते आए हैं, जो राष्ट्र की स्थिति की एक विशिष्ट क्षण पर ली गई एक विशाल, स्थिर तस्वीर की तरह कार्य करते हैं। चुनौती इन शुष्क आंकड़ों को एक स्पष्ट चित्र में बदलने की है कि कौन से गाँव फल-फूल रहे हैं और कौन से संघर्ष कर रहे हैं, और फिर यह देखने के लिए आधुनिक उपकरणों का उपयोग करने की है कि क्या उस डेटा में मौजूद पैटर्न भविष्य की जरूरतों को पहचानने में मदद कर सकते हैं।

एक नया अध्ययन, जो महाराष्ट्र के पालघर जिले पर केंद्रित है, पारंपरिक जनसांख्यिकीय डेटा को आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के साथ जोड़कर इस अंतर को पाटने का प्रयास करता है। शोधकर्ता, अमीटी यूनिवर्सिटी के रुषी जाधव और टीना थॉमसी ने एक ऐसी प्रणाली बनाने का लक्ष्य रखा जो सैकड़ों गाँवों को उनकी वर्तमान स्थितियों के आधार पर स्थिरता की श्रेणियों में वर्गीकृत कर सके। उन्होंने भारत की 2011 की जनगणना से जानकारी एकत्र करके शुरुआत की, जो एक विशाल सरकारी सर्वेक्षण था जिसमें घरों, साक्षरता और बुनियादी ढांचे के विवरण दर्ज किए गए थे। चूंकि पालघर जिला जनगणना के बाद बड़े ठाणे जिले से अलग होकर बना था, इसलिए टीम को पुराने रिकॉर्ड को नए सीमाओं के साथ सावधानीपूर्वक मैप करना पड़ा, और अंततः 901 गाँवों के डेटासेट को संकलित किया। इस कच्चे डेटा से, उन्होंने 'ट्राइबल कम्युनिटी सस्टेनेबिलिटी इंडेक्स' (जनजातीय समुदाय स्थिरता सूचकांक) नामक एक कस्टम स्कोरिंग सिस्टम बनाया। यह सूचकांक किसी एक कारक पर निर्भर नहीं था, बल्कि जीवन के छह अलग-अलग क्षेत्रों को महत्व देता था: शिक्षा, स्वच्छता जैसी बुनियादी सेवाएँ, जल उपलब्धता, ऊर्जा की उपलब्धता, आजीविका के अवसर और डिजिटल समावेश। प्रत्येक गाँव को एक स्कोर दिया गया कि उसके निवासी इन छह श्रेणियों में कितने बेहतर स्थिति में थे, जिसमें शिक्षा और पानी को गणना में सर्वाधिक भार दिया गया था।

गाँवों को स्कोर करने के बाद, शोधकर्ताओं ने उन्हें तीन समूहों में विभाजित किया: कम स्थिरता वाले, मध्यम स्थिरता वाले और उच्च स्थिरता वाले गाँव। यह वर्गीकरण सापेक्ष था, जिसका अर्थ था कि एक गाँव को केवल इसलिए "उच्च" लेबल किया गया क्योंकि उसने अपने पड़ोसियों की तुलना में बेहतर स्कोर किया था, न कि इसलिए कि वह किसी पूर्ण सरकारी मानक को पूरा करता था। इन समूहों के स्थापित होने के बाद, टीम मशीन लर्निंग की ओर मुड़ी, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ सॉफ्टवेयर उदाहरणों का अध्ययन करके पैटर्न पहचानना सीखता है। उन्होंने छह स्थिरता स्कोर को देखने और यह अनुमान लगाने के लिए तीन अलग-अलग प्रकार के कंप्यूटर मॉडल को प्रशिक्षित किया कि एक गाँव किस समूह से संबंधित है। लक्ष्य यह देखना था कि क्या कंप्यूटर उन श्रेणियों को सटीक रूप से पुनरुत्पादित कर सकता है जिन्हें शोधकर्ताओं ने पहले ही बना लिया था। उन्होंने अपने डेटा को इस तरह विभाजित किया कि कंप्यूटर ने 80 प्रतिशत गाँवों से सीखा और फिर शेष 20 प्रतिशत पर परीक्षण किया कि वह नए उदाहरणों पर कैसा प्रदर्शन करता है।

परिणामों ने दिखाया कि कंप्यूटर मॉडल इस विशिष्ट कार्य के लिए उल्लेखनीय रूप से अच्छे थे। लॉजिस्टिक रिग्रेशन नामक सबसे सरल मॉडल ने टेस्ट गाँवों की स्थिरता के स्तर को 99.32 प्रतिशत बार सही ढंग से पहचाना। दो अधिक जटिल मॉडलों, रैंडम फॉरेस्ट और XGBoost ने भी बहुत अच्छा प्रदर्शन किया, जिन्होंने क्रमशः 95.21 प्रतिशत और 94.52 प्रतिशत की सटीकता दर हासिल की। जब शोधकर्ताओं ने देखा कि कंप्यूटर निर्णय लेते समय किसे सबसे महत्वपूर्ण मानता है, तो उन्होंने पाया कि शिक्षा प्रमुख कारक थी। मॉडलों ने लगातार साक्षरता दर को गाँव की समग्र स्थिरता निर्धारित करने के लिए सबसे मजबूत संकेत के रूप में माना, जिसके बाद ऊर्जा पहुंच और जल उपलब्धता का स्थान रहा। यह सुझाव देता है कि इन जनजातीय समुदायों के संदर्भ में, स्कूली शिक्षा का स्तर एक स्वस्थ जीवन के अन्य पहलुओं के साथ गहराई से जुड़ा हुआ है।

हालाँकि, इस अध्ययन में एक महत्वपूर्ण चेतावनी शामिल है जो इन परिणामों को भविष्य की भविष्यवाणी करने के अंतिम समाधान के रूप में सराहे जाने से रोकती है। कंप्यूटर को अनिवार्य रूप से उन्हीं संख्याओं के आधार पर गाँवों को छाँटने के लिए कहा जा रहा था जिनका उपयोग उसने छँटाई करने के लिए किया था। क्योंकि लक्षित श्रेणियाँ सीधे इनपुट डेटा से बनाई गई थीं, इसलिए उच्च सटीकता स्कोर यह सिद्ध करते हैं कि कंप्यूटर उन नियमों को सीख सकता है जो शोधकर्ताओं ने लिखे थे, लेकिन वे यह सिद्ध नहीं करते कि कंप्यूटर यह भविष्यवाणी कर सकता है कि एक गाँव समय के साथ कैसे बदलेगा या वह पूरी तरह से नए डेटा पर कैसा प्रदर्शन करेगा। लेखक इसे एक 'प्रूफ ऑफ कॉन्सेप्ट' (अवधारणा की पुष्टि) के रूप में वर्णित करते हैं, जो यह प्रदर्शित करता है कि ढांचा काम करता है और डेटा सुसंगत है, न कि एक स्वतंत्र भविष्यवाणी के लिए प्रमाणित उपकरण के रूप में। वे स्पष्ट रूप से उल्लेख करते हैं कि यह अध्ययन ऐसे डेटा पर निर्भर है जो अब एक दशक से अधिक पुराना है, और कुछ जानकारी, जैसे स्वच्छ खाना पकाने के ईंधन या बैंकिंग तक पहुँच, प्रत्येक गाँव के बजाय उप-जिला स्तर पर दर्ज की गई थी।

इन सीमाओं के बावजूद, यह कार्य जनजातीय विकास को देखने का एक स्पष्ट और संरचित तरीका प्रदान करता है। यह दिखाता है कि आधिकारिक सांख्यिकी को आधुनिक विश्लेषणात्मक उपकरणों के साथ जोड़कर, एक क्षेत्र में स्थिरता का विस्तृत मानचित्र बनाना संभव है। शोधकर्ता सुझाव देते हैं कि भविष्य के कार्य इस प्रणाली को नए डेटा का उपयोग करके, स्वास्थ्य और पोषण के उन संकेतकों को जोड़कर जो 2011 की जनगणना में गायब थे, और मॉडलों का परीक्षण उन वास्तविक परिणामों के विरुद्ध करके सुधार सकते हैं जिनका उपयोग पहले उन्हें बनाने के लिए नहीं किया गया था। फिलहाल, यह अध्ययन इस बात का प्रदर्शन है कि कैसे आर्टिफिशियल इंटेलिजेंस जटिल सामाजिक डेटा को व्यवस्थित करने में मदद कर सकता है, जो पालघर जिले में सामुदायिक कल्याण के एक केंद्रीय स्तंभ के रूप में शिक्षा को उजागर करता है, और साथ ही हमें याद दिलाता है कि सबसे सटीक मॉडल भी उतने ही अच्छे होते हैं जितना कि उनके परीक्षण के विरुद्ध उपयोग किया गया डेटा स्वतंत्र होता है।