Explainable Job Category Detection Using DistilBERT: A Three-Class Transformer Model for Classifying Real, Fake, and Invalid Online Job Offers
यह अध्ययन एक व्याख्या योग्य, हल्का (lightweight) DistilBERT-आधारित सिस्टम प्रस्तुत करता है जो पोस्टिंग को वास्तविक (Real), फर्जी (Fake) और अमान्य (Invalid) श्रेणियों में वर्गीकृत करके ऑनलाइन जॉब ऑफर स्क्रीनिंग में सुधार करता है, जिसने 98.74% सटीकता प्राप्त की है, और एक संतुलित तीन-वर्ग दृष्टिकोण तथा SHAP-आधारित व्याख्यात्मकता के माध्यम से पारंपरिक बाइनरी मॉडल की सीमाओं को संबोधित किया 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
नौकरी खोजने का डिजिटल परिदृश्य स्थानीय समाचार पत्र के वर्गीकृत विज्ञापनों से बदलकर एक वैश्विक, तात्कालिक बाजार में परिवर्तित हो गया है। लिंक्डइन और इंडीड जैसे प्लेटफॉर्म नियोक्ताओं को लाखों उम्मीदवारों तक तुरंत पहुँचने की अनुमति देते हैं, लेकिन इसी खुलेपन ने एक विशिष्ट प्रकार के साइबर अपराध के लिए स्वर्ग बना दिया है: ऑनलाइन भर्ती धोखाधड़ी। जालसाज भ्रामक विज्ञापन तैयार करते हैं जो पैसे चुराने, पहचान चोरी के लिए व्यक्तिगत डेटा एकत्र करने या पीड़ितों को अवैध योजनाओं में फँसाने के लिए डिज़ाइन किए जाते हैं। वर्षों से, शोधकर्ता ऐसे कंप्यूटर सिस्टम बनाने की कोशिश कर रहे हैं जो इन फर्जी पोस्टिंग को पहचान सकें। शुरुआती प्रयास सरल नियमों और बुनियादी सांख्यिकीय पैटर्न पर निर्भर थे, जो अक्सर विफल हो जाते थे जब जालसाज वैध कंपनियों की भाषा की नकल करना सीख जाते थे। हाल ही में, वैज्ञानिकों ने उन्नत आर्टिफिशियल इंटेलिजेंस मॉडल की ओर रुख किया है जो मानव भाषा के संदर्भ और बारीकियों को समझने में सक्षम हैं, ठीक वैसे ही जैसे एक मानव पाठक महसूस करता है कि कोई कहानी गलत लग रही है। हालाँकि, ये शक्तिशाली मॉडल वास्तविक समय (real-time) के उपयोग के लिए बहुत धीमे होते हैं, और अधिकांश मौजूदा सिस्टम एक साधारण हाँ या ना के निर्णय तक सीमित हैं: क्या यह नौकरी असली है या नकली? यह बाइनरी दृष्टिकोण इंटरनेट की जटिल वास्तविकता के साथ संघर्ष करता है, जहाँ कई पोस्टिंग दुर्भावनापूर्ण घोटाले नहीं होतीं, बल्कि केवल टूटी हुई, अधूरी या निरर्थक होती हैं।
पोर्ट हारकोर्ट, नाइजीरिया के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो इन सीमाओं को संबोधित करता है। उन्होंने एक ऐसा सिस्टम बनाया है जो न केवल यह पूछता है कि नौकरी का प्रस्ताव असली है या नकली, बल्कि इसमें एक तीसरा वर्ग भी जोड़ता है: अमान्य (invalid)। यह अंतर महत्वपूर्ण है क्योंकि यह सिस्टम को खतरनाक घोटालों को निर्दोष त्रुटियों से अलग करने की अनुमति देता है, जैसे कि ऐसी पोस्ट जिसमें मुख्य विवरण गायब हैं या जिसमें अर्थहीन शब्द हैं। इस टूल को बनाने के लिए, शोधकर्ताओं ने नौकरी के विज्ञापनों के तीन अलग-अलग संग्रहों को संयोजित किया। एक सेट में पिछले अध्ययनों से हजारों सत्यापित असली और नकली पोस्टिंग शामिल थीं, जबकि दूसरे ने स्पष्ट रूप से टूटे हुए या विकृत टेक्स्ट के उदाहरण प्रदान किए। परिणामी डेटासेट में 34,000 से अधिक रिकॉर्ड शामिल थे, लेकिन संख्याएँ अत्यधिक विषम थीं, जिसमें असली नौकरी के प्रस्तावों की संख्या फर्जी और अमान्य पोस्ट की तुलना में बहुत अधिक थी। कंप्यूटर को प्रभावी ढंग से सिखाने के लिए, टीम ने केवल संख्याओं को संतुलित करने के लिए उदाहरणों को कॉपी और पेस्ट नहीं किया, जो कि एक सामान्य तकनीक है जो कृत्रिम डेटा बना सकती है। इसके बजाय, उन्होंने असली उदाहरणों की संख्या को सावधानीपूर्वक कम किया और शब्दों को पुनर्व्यवस्थित करके और 'नॉइज़' (noise) जोड़कर फर्जी और अमान्य टेक्स्ट के नए, विविध उदाहरण बनाए, जिससे यह सुनिश्चित हुआ कि कंप्यूटर कृत्रिम डुप्लिकेट के बजाय वास्तविक भाषाई पैटर्न से सीखे।
उनके सिस्टम का मूल डिस्टिलबर्ट (DistilBERT) नामक एक बड़े भाषा मॉडल का एक सुव्यवस्थित संस्करण है। इस मॉडल को एक अत्यंत कुशल छात्र के रूप में समझें जिसने लाखों किताबें पढ़ी हैं और भाषा के नियमों को सीखा है, लेकिन यह अपने बड़े समकक्षों की तुलना में छोटा और तेज़ है। शोधकर्ताओं ने इस मॉडल को अपने 9,000 नौकरी पोस्टिंग के संतुलित डेटासेट पर प्रशिक्षित किया, जिससे इसे एक वैध प्रस्ताव, एक घोटाले और एक टूटी हुई पोस्ट के बीच सूक्ष्म अंतर पहचानने की शिक्षा मिली। प्रशिक्षण प्रक्रिया एक मानक कंप्यूटर पर दस मिनट से भी कम समय में पूरी हुई, जिसके बाद मॉडल का परीक्षण नौकरी के प्रस्तावों के एक पूरी तरह से नए सेट (1,350 प्रस्ताव) पर किया गया जिसे उसने पहले कभी नहीं देखा था। परिणाम उल्लेखनीय रूप से सटीक थे। सिस्टम ने लगभग 99 प्रतिशत मामलों में नौकरी के प्रस्ताव की श्रेणी को सही ढंग से पहचाना। यह अमान्य पोस्ट को पकड़ने में विशेष रूप से अच्छा था, टेस्ट ग्रुप में उन्हें हर बार सही पहचाना, और इसने 98 प्रतिशत सफलता दर के साथ फर्जी घोटालों की पहचान सफलतापूर्वक की। यह सटीकता महत्वपूर्ण है क्योंकि यह पिछले सिस्टमों से बेहतर प्रदर्शन करती है जो बाइनरी विकल्पों तक सीमित थे, भले ही इस नए सिस्टम को अधिक कठिन तीन-तरफा वर्गीकरण समस्या को हल करना पड़ा हो।
केवल एक भविष्यवाणी करने के अलावा, शोधकर्ता यह सुनिश्चित करना चाहते थे कि उनका सिस्टम पारदर्शी हो। उन्होंने एक विशेषता को एकीकृत किया जो यह समझाती है कि कंप्यूटर ने अपना निर्णय क्यों लिया। जब सिस्टम किसी नौकरी को घोटाले के रूप में चिह्नित करता है, तो यह टेक्स्ट के उन विशिष्ट शब्दों को हाइलाइट करता है जिन्होंने अलार्म बजाया, जैसे बैंक विवरण के लिए तत्काल अनुरोध या अवास्तविक वेतन के वादे। यदि कोई पोस्ट अमान्य चिह्नित की जाती है, तो सिस्टम उन टूटे हुए वाक्यों या यादृच्छिक वर्णों की ओर इशारा करता है जो उसे निरर्थक बनाते हैं। यह क्षमता विश्वास पैदा करती है, जिससे एक मानव उपयोगकर्ता को केवल एक 'ब्लैक-बॉक्स' निर्णय प्राप्त करने के बजाय वर्गीकरण के पीछे के साक्ष्य देखने की अनुमति मिलती है। टीम ने एक वर्किंग वेब एप्लिकेशन भी बनाया है जो इस तकनीक को वास्तविक समय में प्रदर्शित करता है। जब कोई उपयोगकर्ता इंटरफ़ेस में नौकरी का विवरण पेस्ट करता है, तो सिस्टम टेक्स्ट का विश्लेषण करता है और केवल एक से तीन सेकंड में एक आत्मविश्वास स्कोर (confidence score) के साथ वर्गीकरण वापस करता है। यह गति सिद्ध करती है कि परिष्कृत आर्टिफिशियल इंटेलिजेंस को भारी कंप्यूटिंग पावर की आवश्यकता के बिना व्यावहारिक, रोजमर्रा के उपकरणों में तैनात किया जा सकता है।
अध्ययन में उनके सुव्यवस्थित मॉडल की तुलना दो अन्य प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर से भी की गई, जिनमें से एक टेक्स्ट को क्रमिक रूप से (sequentially) प्रोसेस करता है और दूसरा और भी सरल है। जबकि इन वैकल्पिक मॉडलों ने अच्छा प्रदर्शन किया, सुव्यवस्थित भाषा मॉडल सबसे सटीक रहा, जिसने उच्चतम सफलता दर के साथ नौकरी के प्रस्तावों को सही ढंग से वर्गीकृत किया। शोधकर्ता स्वीकार करते हैं कि उनका सिस्टम पूर्ण नहीं है और वास्तविक दुनिया की धोखाधड़ी की रणनीतियाँ लगातार विकसित हो रही हैं। वे उल्लेख करते हैं कि उनका प्रशिक्षण डेटा अंग्रेजी भाषा की पोस्टिंग तक सीमित था, और टेस्ट सेट को कृत्रिम रूप से संतुलित किया गया था, जो शायद वास्तविक दुनिया में घोटालों की दुर्लभता को प्रतिबिंबित न करे। हालाँकि, यह कार्य प्रदर्शित करता है कि एक तीन-वर्ग ढांचा न केवल संभव है, बल्कि अत्यधिक प्रभावी भी है। असली, फर्जी और अमान्य सामग्री के बीच अंतर करके, और अपने निर्णयों के स्पष्ट कारण प्रदान करके, यह सिस्टम तेजी से जटिल होते डिजिटल वातावरण में नौकरी चाहने वालों की रक्षा करने का एक अधिक विश्वसनीय और उपयोगकर्ता के अनुकूल तरीका प्रदान करता 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।