How can digital and AI-enabled behaviour change interventions be evaluated while they are changing? HUMMBER: identifying what changed, for whom, why and with what effect
यह शोध पत्र HUMMBER को प्रस्तुत करता है, जो एक मानव-केंद्रित, पुन: प्रयोज्य मूल्यांकन ढांचा है जिसे डिजिटल और एआई-सक्षम व्यवहार परिवर्तन हस्तक्षेपों के विकसित होने के साथ निरंतर मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो एक पूर्णतः सिंथेटिक प्रूफ-ऑफ-कांसेप्ट अध्ययन के माध्यम से इसकी कम्प्यूटेशनल व्यवहार्यता और परिवर्तनों को ट्रैक करने, प्रभावित समूहों की पहचान करने और कारण प्रभावों को निर्धारित करने की क्षमता को प्रदर्शित करता 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
कल्पना कीजिए कि आप एक ऐसे तूफान में जहाज चलाने की कोशिश कर रहे हैं जहाँ नक्शा, हवा और चालक दल, तीनों एक ही समय में बदल रहे हैं। यह आधुनिक स्वास्थ्य कार्यक्रमों की वास्तविकता है जो स्मार्टफोन और वियरेबल्स (wearables) पर आधारित हैं। ये डिजिटल उपकरण लोगों को स्वस्थ आदतें अपनाने, जैसे अधिक व्यायाम करना या बेहतर खान-पान, में मदद करने के लिए डिज़ाइन किए गए हैं। इनके कुछ नवीनतम संस्करण यहाँ तक उपयोग करते हैं कि व्यक्ति को क्या चाहिए इसका अनुमान लगाने और वास्तविक समय में उनकी सलाह बदलने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करें। लेकिन यह निरंतर बदलाव उन लोगों के लिए एक समस्या पैदा करता है जो यह मापने की कोशिश करते हैं कि ये उपकरण वास्तव में काम करते हैं या नहीं। यदि कोई कार्यक्रम हर हफ्ते अपनी विशेषताओं को बदल देता है, या यदि किसी उपयोगकर्ता की जीवन परिस्थितियाँ बदल जाती हैं, तो एक साधारण "पहले और बाद" की जाँच भ्रामक हो सकती है। एक व्यक्ति अंततः एक अच्छी स्थिति में पहुँच सकता है, लेकिन वहाँ पहुँचने का रास्ता दूसरों से भिन्न हो सकता है, या वह उपकरण एक समूह के लिए काम कर सकता है लेकिन दूसरे के लिए विफल हो सकता है। इन चलते-फिरते लक्ष्यों को वास्तव में समझने के लिए, वैज्ञानिकों को कार्यक्रम के चलते समय देखने, सुनने और प्रश्न पूछने के तरीके की आवश्यकता है, न कि केवल अंतिम परिणाम की प्रतीक्षा करने की।
शोधकर्ताओं की एक टीम ने इस जटिलता को संभालने का एक नया तरीका प्रस्तावित किया है, जिसे HUMMBER कहा जाता है। यह दृष्टिकोण कोई नया ऐप या चिकित्सा उपचार नहीं है; यह इन बदलते डिजिटल उपकरणों के अध्ययन करने के नियमों का एक समूह है। शोधकर्ता एक ऐसा तरीका बनाना चाहते थे जो ट्रैक कर सके कि क्या बदल रहा है, किसे प्रभावित कर रहा है, किन परिस्थितियों में, और क्यों। महत्वपूर्ण रूप से, यह विधि निर्णय लेने के लिए एक इंसान को प्रभारी रखती है। कृत्रिम बुद्धिमत्ता सुझाव दे सकती है और डेटा एकत्र कर सकती है, लेकिन यह विधि सुनिश्चित करती है कि एक मानव मूल्यांकनकर्ता ही तय करे कि डेटा का अर्थ क्या है और क्या उस पर कार्रवाई की जानी चाहिए। टीम ने इस विचार का परीक्षण करने के लिए एक पूरी तरह से कंप्यूटर-जनित सिमुलेशन बनाया। उन्होंने एक नकली डिजिटल स्वास्थ्य कार्यक्रम बनाया और उसमें 600 आभासी लोगों को शामिल किया, फिर उस कार्यक्रम को 26 सप्ताह तक चलाया। उन्होंने विशिष्ट समस्याएँ पेश कीं, जैसे कि कुछ लोगों के पास खराब इंटरनेट एक्सेस होना या कार्यक्रम का बहुत कठिन हो जाना, ताकि देख सकें कि क्या उनका नया तरीका इन मुद्दों को सटीक रूप से पहचान सकता है।
सिमुलेशन से पता चला कि केवल अंतिम परिणाम को देखना अक्सर एक जाल होता है। कंप्यूटर की दुनिया में, शोधकर्ताओं ने आभासी लोगों के पांच अलग-अलग समूह बनाए। 26 सप्ताह के अंत तक, सभी पांच समूह सफलता के लगभग एक ही स्तर पर पहुँच गए थे, जिनमें से लगभग 70 प्रतिशत लोग कार्यक्रम का पालन कर रहे थे। हालाँकि, प्रत्येक समूह की यात्रा पूरी तरह से अलग थी। एक समूह इसलिए संघर्ष कर रहा था क्योंकि तकनीक ने उन्हें विफल कर दिया, दूसरा इसलिए क्योंकि लक्ष्य बहुत कठिन महसूस हुए, और तीसरा इसलिए क्योंकि उनकी रुचि ही समाप्त हो गई थी। यदि शोधकर्ताओं ने केवल अंतिम आंकड़ों को देखा होता, तो वे इन महत्वपूर्ण अंतरों को चूक जाते। हालाँकि, HUMMBER विधि ने इन अलग-अलग रास्तों को सफलतापूर्वक ट्रैक किया। इसने दिखाया कि जबकि मंजिल एक ही थी, वहाँ पहुँचने के कारण—या विफल होने के कारण—प्रत्येक समूह के लिए अद्वितीय थे। यह साबित करता है कि एक ऐसी पद्धति की आवश्यकता है जो केवल अंत को नहीं, बल्कि पूरी कहानी को देखे।
अध्ययन ने यह भी रेखांकित किया कि कैसे डेटा में निष्पक्षता छिपी हो सकती है। शोधकर्ताओं ने एक ऐसी स्थिति प्रोग्राम की जहाँ सीमित डिजिटल पहुंच वाले लोगों के पास उपकरण से मदद प्राप्त करने के कम अवसर थे। इस पद्धति ने इसे तुरंत पकड़ लिया। इसने दिखाया कि इन प्रतिभागियों के पास सहायता प्राप्त करने के कम अवसर थे और उनके डेटा में अधिक कमी थी, भले ही वह सहायता उनके लिए भी उतनी ही प्रभावी रही जितनी कि अन्य सभी के लिए। इस विस्तृत ट्रैकिंग के बिना, एक शोधकर्ता गलत निष्कर्ष निकाल सकता था कि उपकरण इंटरनेट की खराब कनेक्टिविटी वाले लोगों के लिए काम नहीं कर रहा था। इसके बजाय, इस पद्धति ने स्पष्ट किया कि समस्या उपकरण की प्रभावशीलता नहीं थी, बल्कि उस तक पहुँच की कमी थी। यह अंतर सुनिश्चित करने के लिए महत्वपूर्ण है कि स्वास्थ्य उपकरण सभी की मदद करें, न कि केवल उनकी जिनके पास सबसे अच्छी तकनीक है।
एक अन्य प्रमुख निष्कर्ष यह था कि लोगों को परेशान किए बिना उनसे जानकारी कैसे मांगी जाए। सिमुलेशन ने उपयोगकर्ताओं से संपर्क करने के विभिन्न तरीकों का परीक्षण किया: तुरंत पूछना, कुछ समय प्रतीक्षा करना, या उन्हें उत्तर देने का समय चुनने देना। परिणामों ने दिखाया कि उपयोगकर्ता को समय चुनने देना सबसे कुशल था। इसने उपयोगकर्ता द्वारा उत्तर देने में बिताए गए प्रत्येक मिनट के लिए सबसे उपयोगी जानकारी एकत्र की। यह सुझाव देता है कि किसी व्यक्ति के समय और पसंद का सम्मान करना वास्तव में डेटा की गुणवत्ता में सुधार कर सकता है, न कि यह केवल एक अच्छा व्यवहार है। पद्धति ने यह भी परीक्षण किया कि क्या सिस्टम यह पता लगा सकता है कि चीजें क्यों बदलीं। जब सिमुलेशन ने किसी समस्या के कारण के बारे में गलत अनुमान के साथ शुरुआत की, तो HUMMBER विधि नए साक्ष्य आने के साथ धीरे-धीरे खुद को सुधारती गई। इसने जल्दबाजी में उत्तर देने के लिए दबाव नहीं डाला; इसके बजाय, इसने कहानी के आगे बढ़ने के साथ अपनी समझ को अपडेट किया, और अंततः अधिकांश मामलों में वास्तविक कारण की पहचान की।
शायद सबसे महत्वपूर्ण बात यह है कि पद्धति ने यह सीखा कि कब रुकना है और कहना है "हमें अभी नहीं पता।" सिमुलेशन में, शोधकर्ताओं ने यह सिद्ध करने की कोशिश की कि एक विशिष्ट विशेषता ने व्यवहार में बदलाव लाया। जब डेटा संदिग्ध था या तुलना अनुचित थी, तो पद्धति ने कोई दावा करने से इनकार कर दिया। इसने परिणाम को "अपर्याप्त साक्ष्य" के रूप में लेबल किया, न कि किसी निष्कर्ष पर पहुँचने के लिए मजबूर किया। यह एक जानबूझकर किया गया डिज़ाइन विकल्प है। शोधकर्ताओं ने सिस्टम को सतर्क बनाने के लिए बनाया था। यदि साक्ष्य पर्याप्त मजबूत नहीं थे, या यदि डेटा इस तरह से गायब था जो परिणामों को पक्षपाती बना सकता था, तो पद्धति ने अनिश्चितता को चिह्नित किया। इसने कोई उत्तर देने का ढोंग नहीं किया। यह निर्णय लेने वालों को झूठी उम्मीदों पर कार्य करने से बचाता है। सिस्टम ने उन स्थितियों की भी जाँच की जहाँ उपकरण का प्रभाव समय के साथ बदल गया, यह सुनिश्चित करते हुए कि सप्ताह एक में निकाला गया निष्कर्ष सप्ताह बीस में अंधाधुंध रूप से लागू न किया जाए।
शोधकर्ता सावधानीपूर्वक यह स्पष्ट करने में रहे कि यह स्वयं पद्धति का एक परीक्षण था, न कि किसी वास्तविक स्वास्थ्य कार्यक्रम का परीक्षण। लोग और घटनाएँ पूरी तरह से कंप्यूटर द्वारा बनाई गई थीं ताकि यह देखा जा सके कि नियम काम करते हैं या नहीं। उन्होंने इसका परीक्षण वास्तविक रोगियों या वास्तविक अस्पताल पर नहीं किया। लक्ष्य यह सिद्ध करना था कि जब चर (variables) ज्ञात हों और परिणाम पूर्व-निर्धारित हों, तो पद्धति का तर्क काम करता है। सिमुलेशन ने दिखाया कि आर्किटेक्चर विभिन्न प्रकार के साक्ष्यों को भ्रमित किए बिना आपस में जोड़े रख सकता है। यह जो हुआ उसकी कहानी और क्यों हुआ उसकी कहानी को अलग कर सकता था, और यह उपयोगकर्ता पर पड़ने वाले भार को दृश्यमान रख सकता था।
यह कार्य डिजिटल स्वास्थ्य के भविष्य के लिए एक नया मार्ग सुझाता है। जैसे-जैसे स्वास्थ्य ऐप्स में कृत्रिम बुद्धिमत्ता अधिक सामान्य होती जा रही है, ये उपकरण लगातार बदलेंगे और अनुकूलित होंगे। HUMMBER पद्धति इन परिवर्तनों को बारीकी से देखने का एक तरीका प्रदान करती है, यह सुनिश्चित करती है कि हम समझें कि किसे लाभ हो रहा है, किसे बाहर छोड़ा जा रहा है, और वास्तव में परिणामों को क्या संचालित कर रहा है। यह साक्ष्यों की व्याख्या करने और अंतिम निर्णय लेने के लिए जिम्मेदारी वापस मानव मूल्यांकनकर्ताओं को सौंपती है। जबकि सिमुलेशन ने सिद्ध किया कि यह अवधारणा एक नियंत्रित वातावरण में काम करती है, शोधकर्ता नोट करते हैं कि अगला कदम इसे वास्तविक दुनिया में आज़माना है। उन्हें यह देखने की आवश्यकता है कि क्या डॉक्टर, रोगी और डेवलपर्स इन नियमों को एक साथ मिलकर जटिल, बदलते स्वास्थ्य उपकरणों को समझने के लिए उपयोग कर सकते हैं। तब तक, यह पद्धति एक बढ़ते हुए स्वचालित जगत के केंद्र में मानवीय निर्णय को बनाए रखने के लिए एक आशाजनक ब्लूप्रिंट बनी हुई 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।