Crosswalk Task: A naturalistic reinforcement learning paradigm for characterizing real-world risky behavior
लेखक क्रॉसवॉक टास्क (Crosswalk Task) प्रस्तुत करते हैं, जो एक स्वाभाविक सुदृढीकरण अधिगम (naturalistic reinforcement learning) प्रतिमान है जो पारंपरिक समग्र व्यवहार संबंधी मापों की तुलना में वास्तविक दुनिया के जोखिम वरीयता में व्यक्तिगत अंतरों को अधिक प्रभावी ढंग से पकड़ने के लिए व्युत्क्रम सुदृढीकरण अधिगम (inverse reinforcement learning) का उपयोग करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
हर दिन, लोग सुरक्षा और गति के बीच संतुलन बनाने वाले क्षणिक निर्णय लेते हैं। सड़क किनारे से उतरने से पहले आने वाली कार की ओर देखते समय एक पैदल यात्री एक संभावित इनाम—जल्दी से दूसरी ओर पहुँचने—को एक गंभीर जोखिम के विरुद्ध तौल रहा होता है। मनोवैज्ञानिक लंबे समय से यह समझने की कोशिश कर रहे हैं कि कुछ लोग ये जोखिम क्यों उठाते हैं जबकि अन्य प्रतीक्षा करते हैं, लेकिन उनके पारंपरिक उपकरण अक्सर विफल हो जाते हैं। प्रयोगशाला में, शोधकर्ता लोगों से जोखिम लेने की उनकी इच्छा के बारे में प्रश्नावली भरने के लिए कह सकते हैं या उन्हें निश्चित नियमों वाले एक सरल कंप्यूटर गेम को खेलने के लिए कह सकते हैं। हालाँकि, ये तरीके वास्तविक दुनिया की अव्यवस्थित और परिवर्तनशील वास्तविकता को पकड़ने में विफल रहते हैं, जहाँ निर्णय एक बदलते परिवेश और तत्काल परिणामों पर निर्भर करते हैं। लैब और जीवन के बीच इस अंतर को पाटने के लिए, शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता थी जिससे वे देख सकें कि जब दांव असली महसूस होते हैं, तो लोग वास्तव में कैसे व्यवहार करते हैं, बिना किसी मानक प्रयोग की कृत्रिम बाधाओं के।
सियोल नेशनल यूनिवर्सिटी और जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस व्यवहार का अध्ययन करने का एक नया तरीका विकसित किया जिसे 'क्रॉसवॉक टास्क' (Crosswalk Task) कहा गया। लोगों से यह पूछने के बजाय कि वे क्या करेंगे, उन्होंने एक डिजिटल सिमुलेशन बनाया जहाँ प्रतिभागी व्यस्त सड़कों की एक श्रृंखला के माध्यम से एक पात्र (character) का मार्गदर्शन करते हैं। लक्ष्य सरल है: मानचित्र के शीर्ष तक जितनी जल्दी हो सके पहुँचना। लेकिन रास्ता चलती कारों से भरा है, और टक्कर होने पर खेल तुरंत समाप्त हो जाता है। यह कार्य खिलाड़ियों को निरंतर, गतिशील विकल्प चुनने के लिए मजबूर करता है। वे सड़क पार करने की जल्दबाजी कर सकते हैं, इस उम्मीद में कि ट्रैफ़िक के बीच का अंतराल पर्याप्त चौड़ा होगा, या वे एक निर्धारित क्रॉसिंग (crosswalk) के लिए प्रतीक्षा कर सकते जहाँ कारें उनके लिए रुक जाती हैं। क्रॉसिंग का उपयोग करना सुरक्षित है लेकिन इसमें अधिक समय लगता है, जिसका अर्थ यह हो सकता है कि फिनिश लाइन तक पहुँचने से पहले समय समाप्त हो जाए। जल्दबाजी करना तेज़ है लेकिन दुर्घटना का खतरा बना रहता है। बार-बार इन विकल्पों को चुनते हुए लोगों को देखकर, शोधकर्ता उनके वास्तविक जोखिम लेने की शैली को देख सके।
309 वयस्कों द्वारा खेले गए हजारों आंदोलनों और निर्णयों को समझने के लिए, शोधकर्ताओं ने 'इनवर्स रीइन्फोर्समेंट लर्निंग' (inverse reinforcement learning) नामक एक परिष्कृत पद्धति का उपयोग किया। एक मानक कंप्यूटर प्रोग्राम में, आप मशीन को बताते हैं कि इनाम क्या है, और वह उसे प्राप्त करना सीखती है। इस दृष्टिकोण में, शोधकर्ताओं ने इसके विपरीत किया: उन्होंने मनुष्यों को खेलते हुए देखा और यह पता लगाने के लिए पीछे की ओर काम किया कि मनुष्य किसे महत्व दे रहे थे। उन्होंने एक ऐसा मॉडल बनाया जिसने उस अदृश्य "इनाम" का अनुमान लगाया जिसका प्रत्येक व्यक्ति पीछा कर रहा था। क्या इस व्यक्ति ने गति को इतना महत्व दिया कि वह खतरे को अनदेखा करने के लिए तैयार था? क्या दूसरे व्यक्ति ने सुरक्षा को इतना महत्व दिया कि उसने उस क्रॉसिंग के लिए प्रतीक्षा में समय बर्बाद किया जो अनिवार्य रूप से आवश्यक नहीं थी? इस पद्धति ने टीम को व्यवहार को संचालित करने वाले छिपे हुए प्राथमिकताओं को उजागर करने की अनुमति दी, न कि केवल अंतिम स्कोर को गिनने की।
अध्ययन से पता चला कि ये छिपी हुई प्राथमिकताएं साधारण गेम स्कोर की तुलना में कहीं अधिक स्पष्ट कहानी बताती हैं। जब शोधकर्ताओं ने कच्चे आंकड़ों को देखा—जैसे कि कितनी बार कोई खिलाड़ी दुर्घटनाग्रस्त हुआ या उनका कुल स्कोर कितना था—तो किसी व्यक्ति के सामान्य जोखिम लेने वाले व्यक्तित्व के साथ संबंध कमजोर था। हालाँकि, जब उन्होंने प्रत्येक व्यक्ति द्वारा खोजे जा रहे विशिष्ट पुरस्कारों का अनुमान लगाने के लिए मॉडल का उपयोग किया, तो तस्वीर स्पष्ट हो गई। मॉडल ने दिखाया कि जिन लोगों ने स्वयं-रिपोर्ट किए गए जोखिम लेने के पैमानों पर उच्च स्कोर किया था, वे वास्तव में वे लोग थे जिन्होंने लगातार जे-वॉक (बिना क्रॉसिंग के सड़क पार करना) करने का विकल्प चुना, भले ही पास में एक सुरक्षित क्रॉसिंग मौजूद थी। अधिक महत्वपूर्ण बात यह है कि मॉडल ने दिखाया कि जोखिम उठाने की प्रवृत्ति में व्यक्तिगत अंतर उच्च टक्कर दंड (collision penalties) के तहत अधिक मजबूती से प्रतिबिंबित होते थे। यह सूक्ष्मता, जहाँ व्यक्तित्व और व्यवहार के बीच का संबंध बढ़ता हुआ दांव बढ़ने के साथ स्पष्ट हुआ, एक ऐसा विवरण था जिसे साधारण गेम स्कोर पूरी तरह से छोड़ देते हैं।
शोधकर्ताओं ने यह भी पाया कि विभिन्न प्रकार के डेटा को संयोजित करने से सर्वोत्तम परिणाम मिलते हैं। उन्होंने परीक्षण किया कि क्या केवल गेम स्कोर, केवल अनुमानित पुरस्कारों, या दोनों के मिश्रण को देखना किसी व्यक्ति के जोखिम व्यक्तित्व की भविष्यवाणी करने के लिए बेहतर होगा। व्यवहारिक डेटा और अनुमानित पुरस्कारों का मिश्रण सबसे अच्छा रहा, जिसने किसी भी एकल माप की तुलना में व्यक्तिगत अंतर की अधिक पूर्ण तस्वीर पेश की। यह सुझाव देता है कि यह समझने के लिए कि लोग वास्तव में जोखिम कैसे लेते हैं, हमें न केवल उनके कार्यों को, बल्कि उन अदृश्य मूल्यों को भी देखने की आवश्यकता है जो उन कार्यों को संचालित करते हैं। टीम ने इस कार्य के लिए सॉफ्टवेयर अन्य वैज्ञानिकों के लिए स्वतंत्र रूप से उपलब्ध कराया है, जिससे उन्हें एक गतिशील, प्राकृतिक वातावरण में निर्णय लेने का अध्ययन करने की अनुमति मिलती है। स्थिर परीक्षणों से आगे बढ़कर एक ऐसी दुनिया में प्रवेश करते हुए जो बदलती और प्रतिक्रिया देती है, यह कार्य यह देखने का एक नया नजरिया प्रदान करता है कि हम अपने रोजमर्रा के जीवन के जोखिमों को कैसे संभालते 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।