CarbonCrediBERT: Expert-Guided Few-Shot and Selective Classification of Carbon Credit Disclosures
यह शोध पत्र CarbonCrediBERT का प्रस्ताव करता है, जो एक विशेषज्ञ-निर्देशित प्राकृतिक भाषा प्रसंस्करण ढांचा है जो एक विशिष्ट वर्गीकरण (taxonomy), हार्ड-नेगेटिव उदाहरणों, और कार्य-विशिष्ट फ्यू-शॉट या फाइन-ट्यून्ड मॉडलों को जोड़ता है ताकि कॉर्पोरेट खुलासे में कार्बन क्रेडिट की प्रासंगिकता, भावना और उपयोग को सटीक रूप से वर्गीकृत किया जा सके और अनिश्चित मामलों को मानव समीक्षा के लिए चुनिंदा रूप से फ्लैग किया जा सके।
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
कॉर्पोरेट रिपोर्टें जलवायु के बारे में वादों से तेजी से भरी जा रही हैं। जैसे-जैसे सरकारें और निवेशक अधिक पारदर्शिता की मांग कर रहे हैं, कंपनियां "नेट ज़ीरो" उत्सर्जन तक पहुँचने के अपने लक्ष्यों और जीवाश्म ईंधन से दूर जाने की अपनी योजनाओं के बारे में विस्तार से लिख रही हैं। इन लंबी दस्तावेजों के भीतर, एक विशिष्ट प्रकार का वित्तीय उपकरण अधिक बार दिखाई दे रहा है: कार्बन क्रेडिट। ये वे व्यापार योग्य प्रमाण पत्र हैं जो वायुमंडल से कार्बन डाइऑक्साइड को हटाने या उसे प्रवेश करने से रोकने वाले एक टन का प्रतिनिधित्व करते हैं। कंपनियां अपने स्वयं के प्रदूषण की भरपाई करने के लिए उन्हें खरीदती हैं और रिटायर करती हैं, यह दावा करते हुए कि उन्होंने हर उस टन के लिए भुगतान किया है जिसे कहीं और साफ किया जाना है जिसके लिए वे उत्सर्जन कर रहे हैं। हालांकि, इन क्रेडिट्स का वर्णन करने के लिए उपयोग की जाने वाली भाषा पेचीदा है। वे शब्द जो कार्बन क्रेडिट खरीद का संकेत देते हैं—जैसे कि "क्रेडिट" (credit), "ऑफसेट" (offset), या "नेट" (net)—वे भी बैंकिंग, अकाउंटिंग या सामान्य जलवायु रणनीति जैसे पूरी तरह से अलग संदर्भों में दिखाई देते हैं। "क्रेडिट रिस्क" (credit risk) के बारे में एक वाक्य का पर्यावरण से कोई लेना-देना नहीं है, ठीक वैसे ही जैसे "नेट इंटरेस्ट" (net interest) का उल्लेख विशुद्ध रूप से वित्तीय है। यह अस्पष्टता निवेशकों या नियामकों के लिए यह पता लगाना लगभग असंभव बना देती है कि वे हजारों रिपोर्टों को जल्दी से स्कैन करके वास्तव में यह जान सकें कि कंपनी कार्बन क्रेडिट के साथ वास्तव में क्या कर रही है, या क्या वे वास्तव में उनका उपयोग कर रही हैं या नहीं।
न्यू साउथ वेल्स विश्वविद्यालय और वेरसेंट्रा (Vercentra) के शोधकर्ताओं ने इस भ्रम को दूर करने के लिए एक नया टूल विकसित किया है, जिसका लक्ष्य कंप्यूटर को कॉर्पोरेट रिपोर्टों को उसी सावधानीपूर्ण दृष्टि के साथ पढ़ने के लिए सिखाना है जैसा कि एक मानव विशेषज्ञ करता है। वे अपने सिस्टम को CarbonCrediBERT कहते हैं। केवल कीवर्ड खोजने के बजाय, जो अक्सर गलत अलार्म का कारण बनता है, यह सिस्टम पैराग्राफ के पूर्ण संदर्भ को समझने के लिए डिज़ाइन किया गया है। यह किसी भी टेक्स्ट को पढ़ने के बारे में तीन विशिष्ट प्रश्न पूछता है: क्या यह पैराग्राफ वास्तव में कार्बन क्रेडिट के बारे में बात कर रहा है? यदि हाँ, तो क्या लहजा सकारात्मक, नकारात्मक या तटस्थ है? और अंत में, क्या कंपनी वास्तव में इन क्रेडिट्स का उपयोग कर रही है, या वह केवल उनके बारे में बात कर रही है? इन प्रश्नों का उत्तर देने के लिए, टीम ने बड़ी मात्रा में पूर्व-मौजूद डेटा पर भरोसा नहीं किया, जो अक्सर ऐसे विशिष्ट विषय के लिए उपलब्ध नहीं होता है। इसके बजाय, उन्होंने "विशेषज्ञ-निर्देशित शिक्षण" (expert-guided learning) नामक एक पद्धति का उपयोग किया, जहाँ मानव विशेषज्ञों ने कंप्यूटर को यह सिखाने के लिए कि क्या देखना है, उदाहरणों के एक छोटे सेट को लेबल किया। उन्होंने इसमें "हार्ड नेगेटिव्स" (hard negatives) भी शामिल किए—ऐसे उदाहरण जो कार्बन क्रेडिट की चर्चाओं जैसे दिखते हैं लेकिन वास्तव में किसी और चीज़ जैसे कि टैक्स या सामान्य जलवायु लक्ष्यों के बारे में होते हैं—ताकि सिस्टम को अंतर पहचानने के लिए प्रशिक्षित किया जा सके।
शोधकर्ताओं ने ऑस्ट्रेलियाई सिक्योरिटीज एक्सचेंज पर सूचीबद्ध शीर्ष 100 कंपनियों की रिपोर्टों पर अपने सिस्टम का परीक्षण किया, जिसमें 2024 और 2025 में प्रकाशित वार्षिक, जलवायु और स्थिरता रिपोर्ट शामिल थीं। उन्होंने हजारों प्रासंगिक कीवर्ड वाले वाक्यों को निकालने के साथ शुरुआत की, फिर इसे 15,000 से अधिक पैराग्राफों के संतुलित पूल तक सीमित कर दिया। इस पूल से, मानव विशेषज्ञों ने प्रशिक्षण सेट के रूप में कार्य करने के लिए प्रत्येक तीन कार्यों के लिए 100 पैराग्राफों को सावधानीपूर्वक लेबल किया। टीम ने विभिन्न कंप्यूटर मॉडलों की तुलना की ताकि यह देखा जा सके कि कौन सा मॉडल इस छोटी मात्रा में विशेषज्ञ मार्गदर्शन से सबसे अच्छा सीखता है। उन्होंने पाया कि कोई भी एकल मॉडल हर काम के लिए पूर्ण नहीं था। पहले कार्य के लिए—यह निर्धारित करना कि क्या एक पैराग्राफ कार्बन क्रेडिट के लिए प्रासंगिक है—एक मॉडल जिसने पहले से ही बड़ी मात्रा में जलवायु संबंधी टेक्स्ट पर प्रशिक्षण प्राप्त किया था, सबसे अच्छा प्रदर्शन किया, जिसने उच्च सटीकता के साथ प्रासंगिक अंशों की पहचान की। हालांकि, लहजे (सेंटीमेंट) को आंकने और यह निर्धारित करने के कि क्या कंपनी वास्तव में क्रेडिट का उपयोग कर रही है, जैसे अधिक सूक्ष्म कार्यों के लिए, एक अलग दृष्टिकोण बेहतर काम करता था। यह दूसरा दृष्टिकोण, जिसे "फ्यू-शॉट लर्निंग" (few-shot learning) कहा जाता है, मॉडल को टेक्स्ट की विशाल मात्रा को याद करने के बजाय उदाहरणों की तुलना करके सीखने की अनुमति देता है। यह कंपनियों द्वारा अपने कार्यों का वर्णन करने के सूक्ष्म अंतरों को समझने में अधिक प्रभावी साबित हुआ।
इन सफलताओं के बावजूद, अध्ययन ने भी उन सीमाओं को उजागर किया जो कंप्यूटर की अपने आप करने की क्षमता में हैं। जब शोधकर्ताओं ने सिस्टम को यह तय करने के लिए प्रेरित किया कि वह मानव सहायता के बिना उत्तर देने के लिए कब पर्याप्त आश्वस्त है, तो परिणाम मिश्रित रहे। प्रासंगिक पैराग्राफों को पहचानने के कार्य के लिए, सिस्टम कम त्रुटि दर के साथ अधिकांश उत्तरों को स्वचालित रूप से स्वीकार कर सकता था, लेकिन अभी भी कठिन मामलों में गलतियाँ करता था। सेंटीमेंट और क्रेडिट उपयोग को आंकने के कार्यों के लिए, सिस्टम प्रक्रिया को स्वचालित करने के लिए एक सुरक्षित थ्रेशोल्ड (threshold) नहीं ढूंढ सका। इसने अक्सर एक कंपनी की क्रेडिट उपयोग करने की योजना को क्रेडिट का उपयोग कर चुकी है, ऐसे बयान के साथ भ्रमित कर दिया, या यह समझने में संघर्ष किया कि एक तटस्थ रिपोर्ट और एक नकारात्मक रिपोर्ट के बीच क्या अंतर है। वास्तव में, सिस्टम ने अपने टेस्ट ग्रुप में एकमात्र नकारात्मक भावना वाले उदाहरण को भी मिस कर दिया, और उसे सकारात्मक के रूप में लेबल किया। यह सुझाव देता है कि जबकि तकनीक शोर को छानने में मदद कर सकती है, यह अभी भी मानव निर्णय का स्थान नहीं ले सकती, विशेष रूप से तब जब टेक्स्ट संदिग्ध हो या कंपनी अपने कार्यों के बारे में अस्पष्ट हो।
शोधकर्ताओं ने यह भी देखा कि इन रिपोर्टों में भाषा 2024 और 2025 के बीच कैसे बदली है। उन्होंने पाया कि जबकि "नेट ज़ीरो" और "कार्बन क्रेडिट" जैसे सामान्य शब्द सबसे आम बने हुए हैं, कार्बन हटाने के विशिष्ट तरीकों, जैसे वन पुनरुद्धार (forest regeneration), मृदा प्रबंधन (soil management), और लैंडफिल गैस कैप्चर (landfill gas capture) के उल्लेखों में उल्लेखनीय वृद्धि हुई है। हालांकि, अध्ययन इस बात पर जोर देता है कि इन तरीकों का उल्लेख करने का मतलब स्वतः ही यह नहीं है कि कोई कंपनी कार्बन क्रेडिट का उपयोग कर रही है; यह केवल किसी परियोजना का वर्णन कर सकता है जिसमें कोई वित्तीय लेनदेन जुड़ा हुआ नहीं है। यह अंतर महत्वपूर्ण है क्योंकि नियम सख्त हो रहे हैं, जो कंपनियों को अपने जलवायु लक्ष्यों को पूरा करने के लिए क्रेडिट का उपयोग कैसे किया जाए, इस बारे में बहुत विशिष्ट होने की आवश्यकता है। अध्ययन निष्कर्ष निकालता है कि जबकि CarbonCrediBERT जैसे उपकरण इन विशाल दस्तावेजों के भीतर साक्ष्य को व्यवस्थित करने और उजागर करने में मदद कर सकते हैं, दावों की व्याख्या करने और उनकी अखंडता सुनिश्चित करने की अंतिम जिम्मेदारी अभी भी मानव विशेषज्ञों पर टिकी है। यह सिस्टम सही पैराग्राफों पर ध्यान केंद्रित करने के लिए एक शक्तिशाली लेंस के रूप में कार्य करता है, लेकिन यह अभी उन पैराग्राफों के वास्तविक अर्थ के लिए सावधानीपूर्वक मानवीय जांच की आवश्यकता को प्रतिस्थापित नहीं कर सकता।
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।