When Debate Hurts: Model-Scale-Dependent Effects of Multi-Agent Deliberation in Psychiatric Diagnosis

मानसिक स्वास्थ्य देखभाल की दुनिया में, किसी मरीज का निदान करना केवल लक्षणों को एक चेकलिस्ट से मिलाने जैसा सरल मामला नहीं है। अत्यधिक प्रशिक्षित मानव मनोचिकित्सकों के लिए भी, यह प्रक्रिया अनिश्चितताओं से भरी होती है। अध्ययनों से पता चला है कि जब अलग-अलग डॉक्टर एक ही मरीज के विवरण को देखते हैं, तो वे अक्सर अंतिम निदान पर असहमत होते हैं। कभी-कभी, भ्रम इतना गहरा होता है कि दुनिया के अग्रणी विशेषज्ञों की एक टीम भी इस बात पर सहमत नहीं हो पाती कि व्यक्ति को क्या समस्या है। इसी कारण से, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (AI) की ओर रुख किया है, इस उम्मीद में कि कंप्यूटर मॉडल मानसिक स्वास्थ्य स्थितियों की पहचान करने के लिए एक अधिक सुसंगत तरीका प्रदान कर सकते हैं। एक लोकप्रिय विचार यह है कि कई AI एजेंटों को एक विशेषज्ञ पैनल की तरह काम करने दिया जाए, जो निष्कर्ष पर पहुँचने से पहले एक मामले पर बहस करें। सिद्धांत यह है कि यह आपसी चर्चा त्रुटियों को पकड़ लेगी और बेहतर उत्तरों की ओर ले जाएगी, ठीक वैसे ही जैसे एक मानवीय टीम मिलकर एक जटिल समस्या पर काम करती है।

भारतीय प्रौद्योगिकी संस्थान खड़गपुर के शोधकर्ताओं का एक नया अध्ययन इस विचार का एक बहुत ही व्यावहारिक तरीके से परीक्षण करता है, जिसमें बड़े, महंगे सर्वरों के बजाय एक मानक व्यक्तिगत कंप्यूटर पर चल सकने वाले छोटे, ओपन-सोर्स कंप्यूटर मॉडल का उपयोग किया गया है। उन्होंने एक ऐसी प्रणाली स्थापित की जहाँ तीन अलग-अलग AI "विशेषज्ञ"—एक लक्षणों पर केंद्रित, एक विभिन्न संभावित निदानों की तुलना करने पर, और एक मरीज के खतरे का आकलन करने पर—बीसचार कृत्रिम (सिंथेटिक) रोगी कहानियों पर चर्चा करेंगे। ये कहानियाँ वास्तविक चिकित्सा केस फाइलों की तरह लिखी गई थीं, जो मनोरोग संबंधी स्थितियों की एक श्रृंखला को कवर करती हैं। शोधकर्ता यह देखना चाहते थे कि क्या यह बहस करने वाली प्रक्रिया वास्तव में AI को सही उत्तर पाने में मदद करती है, या क्या यह चीजों को और खराब कर देती है। उन्होंने बहस करने वाली टीम की तुलना एक एकल AI एजेंट से की, जो बिना किसी से बात किए तुरंत एक उत्तर देता है।

परिणाम आश्चर्यजनक थे और इस सामान्य धारणा के विपरीत थे कि अधिक चर्चा हमेशा बेहतर परिणाम देती है। जब शोधकर्ताओं ने दो अलग-अलग आकार के कंप्यूटर मॉडल पर इस प्रणाली का परीक्षण किया—एक जिसमें एक अरब पैरामीटर थे और दूसरा जिसमें तीन अरब—तो उन्होंने पाया कि बहस करने वाली टीम लगातार उस एकल एजेंट से खराब प्रदर्शन करती है जो बस एक त्वरित उत्तर देता है। यह किसी एक परीक्षण की आकस्मिक घटना नहीं थी; शोधकर्ताओं ने परिणामों को वास्तविक सुनिश्चित करने के लिए प्रत्येक सेटअप के लिए प्रयोग को पांच अलग-अलग बार चलाया। हर बार, बहस करने वाले AI ने उस AI की तुलना में अधिक बार गलत निदान किया जिसने बहस नहीं की थी। अंतर महत्वपूर्ण था: छोटे आकार में, बहस करने वाली टीम औसतन 57 प्रतिशत बार सही थी, जबकि सरल, गैर-बहस करने वाला एजेंट औसतन 73 प्रतिशत बार सही था। बड़े आकार में, बहस करने वाली टीम औसतन लगभग 69 प्रतिशत तक सुधर गई, लेकिन सरल एजेंट अभी भी बेहतर प्रदर्शन करते हुए लगभग 88 प्रतिशत सटीकता तक पहुँच गया।

अध्ययन ने यह भी बारीकी से देखा कि यह क्यों हुआ, इस प्रक्रिया का विश्लेषण किया कि कौन सा हिस्सा समस्या का कारण बन रहा है। शोधकर्ताओं ने माना था कि अंतिम चरण, जहाँ एक "जज" एजेंट बहस का सारांश देता है और अंतिम निर्णय लेता है, खराब प्रदर्शन के लिए मुख्य दोषी है। हालाँकि, उनके जांच से एक अधिक जटिल तस्वीर सामने आई। बहस करने की क्रिया, एक जज के शामिल होने से पहले ही, सरल दृष्टिकोण की तुलना में सटीकता को कम कर देती है। इसके अलावा, जज का प्रभाव मॉडल के आकार के आधार पर बदल जाता था। छोटे मॉडल पर, जज ने चीजों को बहुत अधिक खराब नहीं किया, लेकिन बड़े मॉडल पर, जज ने केवल खोई हुई सटीकता को आंशिक रूप से वापस पाने में मदद की, जबकि समग्र सटीकता पर इसका प्रभाव विभिन्न पैमानों पर असंगत बना रहा। यह सुझाव देता है कि समस्या केवल एक टूटा हुआ हिस्सा नहीं है, बल्कि कंप्यूटर के मस्तिष्क के आकार और वह समूह चर्चा को कैसे संभालता है, इसके बीच एक जटिल अंतःक्रिया है।

शायद सबसे महत्वपूर्ण निष्कर्ष सुरक्षा से संबंधित था। मानसिक स्वास्थ्य में, मरीज के खुद को नुकसान पहुँचाने के खतरे के संकेत को चूक जाना एक विनाशकारी विफलता है। शोधकर्ताओं ने पाया कि बहस का प्रभाव खतरे को पहचानने के मामले में मॉडल के आकार के आधार पर बदल गया। छोटे मॉडल पर, बहस की प्रक्रिया ने AI को स्वयं को नुकसान पहुँचाने के उच्च जोखिम को नोटिस करने में वास्तव में मदद की, जिसे सरल एजेंट ने मिस कर दिया था। लेकिन बड़े मॉडल पर, इसके विपरीत हुआ: सरल एजेंट ने खतरे की सही पहचान की, लेकिन बहस करने वाली टीम, विशेष रूप से वह जज जिसने चर्चा का सारांश दिया, खतरे को फ्लैग करने के बजाय उससे पीछे हट गया। इसका मतलब है कि एक प्रणाली जिसे आपस में बहस करके अधिक सुरक्षित बनाने के लिए डिज़ाइन किया गया था, वह पूरी तरह से इस बात पर निर्भर करती है कि किस विशिष्ट कंप्यूटर मॉडल का उपयोग किया जा रहा है, वह कम सुरक्षित भी हो सकती है।

शोधकर्ताओं ने सावधानीपूर्वक यह नोट किया कि उनके परिणामों का अर्थ यह नहीं है कि आर्टिफिशियल इंटेलिजेंस ने पहले से ही मानव डॉक्टरों को पीछे छोड़ दिया है। उन्होंने अपने परिणामों की तुलना मानव मनोचिकित्सकों के प्रकाशित अध्ययनों से की और पाया कि उनके AI परिणाम समान कार्यों पर मानव प्रदर्शन के आसपास ही थे, कभी-कभी उससे भी अधिक, लेकिन उन्होंने इस बात पर जोर दिया कि परीक्षण पूरी तरह से मेल खाते नहीं थे। मानव अध्ययनों में अलग-अलग रोगी कहानियों और सही उत्तर निर्धारित करने के अलग-अलग तरीकों का उपयोग किया गया था। लेखक का तर्क है कि सबसे महत्वपूर्ण निष्कर्ष यह नहीं है कि AI इंसानों से बेहतर है या बदतर, बल्कि यह है कि "अधिक बहस बेहतर है" का लोकप्रिय विचार एक सार्वभौमिक नियम नहीं है। इन स्थानीय कंप्यूटर मॉडलों का उपयोग करके मनोरोग निदान के विशिष्ट संदर्भ में, एजेंटों को आपस में बहस करने के अतिरिक्त कदम ने ऐसी त्रुटियाँ पैदा कीं जिनसे एक सरल, सीधा दृष्टिकोण बच सकता था। यह अध्ययन एक अनुस्मारक के रूप में कार्य करता है कि चिकित्सा जैसे जटिल क्षेत्रों में, चर्चा की परतें जोड़ने से स्वतः ही बेहतर परिणाम की गारंटी नहीं मिलती है, और कभी-कभी, सबसे सीधा मार्ग ही सबसे विश्वसनीय होता है।