Content Deviation Recognition and Recommendation Model for Sports and Health Information: Based on Improved Text Rank Algorithm and Deep Fusion Transformer Architecture
यह अध्ययन खेल और स्वास्थ्य संबंधी सूचनाओं के लिए एक उन्नत टेक्स्ट रैंक (TextRank) एल्गोरिदम को एसबीईआरटी (SBERT), एक स्रोत विश्वसनीयता तंत्र और एक मल्टी-लेवल बर्ट-लॉन्गफॉर्मर ट्रांसफॉर्मर आर्किटेक्चर के साथ एकीकृत करते हुए एक बेहतर 'कंटेंट डेविएशन रिकग्निशन एंड रिकमेंडेशन मॉडल' का प्रस्ताव करता है, जो भ्रामक सामग्री की प्रभावी ढंग से पहचान करने और उच्च-विश्वसनीयता वाली सिफारिशों को प्राथमिकता देने के लिए है, तथा मौजूदा बेसलाइन मॉडलों की तुलना में पूर्वाग्रह का पता लगाने और रैंकिंग मेट्रिक्स में बेहतर प्रदर्शन प्राप्त 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
डिजिटल युग में, स्वास्थ्य संबंधी सलाह पहले की तुलना में कहीं अधिक तेज़ी से फैलती है। किसी चमत्कारिक डाइट या त्वरित समाधान वाले सप्लीमेंट के बारे में एक एकल पोस्ट सोशल मीडिया और वीडियो प्लेटफॉर्म पर लाखों उपयोगकर्ताओं तक पहुँच सकती है, इससे पहले कि विशेषज्ञों को इसकी सत्यता जाँचने का मौका मिले। यह गति एक खतरनाक समस्या पैदा करती है: एल्गोरिदम जो हमें वह दिखाते हैं जो हमें पसंद है, अक्सर तथ्यात्मक सटीकता के बजाय सनसनीखेज दावों को प्राथमिकता देते हैं। जब कोई उपयोगकर्ता वजन घटाने या रोग प्रतिरोधक क्षमता बढ़ाने के तरीके खोजता है, तो सिस्टम उन अपुष्ट लेखों को सामने ला सकता है जो असंभव परिणाम देने का वादा करते हैं, केवल इसलिए क्योंकि वे लेख आकर्षक तरीके से लिखे गए हैं। वैज्ञानिकों और इंजीनियरों के लिए मुख्य चुनौती एक ऐसा सिस्टम बनाने की है जो न केवल उपयोगकर्ता की रुचि से मेल खाए, बल्कि यह भी समझ सके कि जानकारी भरोसेमंद है या नहीं। इसके लिए एक नए प्रकार की बुद्धिमत्ता की आवश्यकता है, जो एक लंबे लेख को पढ़ सके, पेशेवर सलाह और छद्म विज्ञान (pseudoscience) के बीच के सूक्ष्म अंतर को महसूस कर सके, और उस व्यक्ति या संस्था की प्रतिष्ठा को भी तौल सके जिसने इसे प्रकाशित किया है।
शोधकर्ताओं की एक टीम ने इस सटीक समस्या को हल करने के लिए एक नया मॉडल विकसित किया है, जो खेल और स्वास्थ्य संबंधी जानकारी के लिए एक फ़िल्टर और मार्गदर्शक दोनों के रूप में कार्य करता है। उनका कार्य दो मुख्य कार्यों पर केंद्रित है: भ्रामक सामग्री की पहचान करना और उपयोगकर्ताओं को केवल विश्वसनीय सामग्री की सिफारिश करना। इसे करने के लिए, उन्होंने एक कंप्यूटर प्रोग्राम बनाया जो वास्तविक दुनिया के स्वास्थ्य लेखों के विशाल संग्रह से सीखता है, जिनमें से कुछ ज्ञात रूप से गलत हैं। सिस्टम सबसे पहले पाठ (text) को तोड़कर सबसे महत्वपूर्ण विचारों को खोजता है, न कि केवल शब्दों की आवृत्ति गिनकर, बल्कि उन संदर्भों को समझकर जिनमें वे शब्द उपयोग किए गए हैं। इसके बाद, यह सूचना के स्रोत का मूल्यांकन करता है, और एक 'ट्रस्ट स्कोर' (विश्वास स्कोर) प्रदान करता है कि क्या लेख किसी मान्यता प्राप्त चिकित्सा संस्थान से आता है या किसी कम विश्वसनीय वेबसाइट से। अंत में, यह तय करने के लिए इन जानकारियों को जोड़ता है कि कौन से लेख उपयोगकर्ता को दिखाए जाने चाहिए और किन्हें आगे की समीक्षा के लिए रोका जाना चाहिए।
शोधकर्ताओं ने अपने मॉडल का परीक्षण स्वास्थ्य संबंधी गलत सूचनाओं के एक बड़े डेटासेट का उपयोग करके किया है, जिसका उपयोग विशेषज्ञों द्वारा वर्षों से किया जा रहा है। उन्होंने पाया कि उनका नया दृष्टिकोण पिछले तरीकों की तुलना में गलत जानकारी को पकड़ने में काफी बेहतर था। पक्षपाती या भ्रामक सामग्री की पहचान करने के लिए पूछे जाने पर, मॉडल ने 92.7 प्रतिशत का उच्च सटीकता स्कोर प्राप्त किया, जो मानक भाषा प्रसंस्करण तकनीकों पर निर्भर अन्य उन्नत प्रणालियों से बेहतर प्रदर्शन करता है। यह सुधार महत्वपूर्ण है क्योंकि भ्रामक स्वास्थ्य दावे अक्सर वैज्ञानिक दिखने वाली भाषा का उपयोग करके अनप्रमाणित विचारों को छिपाते हुए आम तौर पर नज़र के सामने ही होते हैं। वाक्यों के गहरे अर्थ को समझकर, न कि केवल कीवर्ड्स को देखकर, मॉडल इन सूक्ष्म धोखों को अधिक प्रभावी ढंग से पकड़ सका।
झूठ पकड़ने के अलावा, सिस्टम ने यह भी सीखा कि जानकारी को कैसे रैंक किया जाए ताकि सबसे विश्वसनीय लेख उपयोगकर्ता के फीड में सबसे ऊपर दिखाई दें। शोधकर्ताओं ने एक "सोर्स कॉन्फिडेंस स्कोर" (स्रोत विश्वास स्कोर) की गणना करने की विधि पेश की, जो प्रकाशक के लिए एक प्रतिष्ठा बैज की तरह काम करता है। यदि कोई लेख किसी अत्यधिक विश्वसनीय चिकित्सा संगठन से आता है, तो उसे उच्च स्कोर मिलता है। यदि वह ऐसे स्रोत से आता है जिसका गलत दावे फैलाने का इतिहास रहा है, तो स्कोर गिर जाता है। जब शोधकर्ताओं ने अपने रैंकिंग सिस्टम में इस प्रतिष्ठा कारक को जोड़ा, तो अनुशंसित लेखों की गुणवत्ता में उल्लेखनीय सुधार हुआ। सिस्टम उच्च-गुणवत्ता वाली, प्रासंगिक सामग्री को सामने लाने और उन लेखों को नीचे धकेलने में बेहतर हो गया जो भ्रामकी और अविश्वसनीय स्रोतों से आते थे।
अध्ययन ने विशिष्ट विषयों, जैसे व्यायाम दिनचर्या, पोषण संबंधी सप्लीमेंट और टीकाकरण सुरक्षा पर मॉडल के प्रदर्शन को भी देखा। सिस्टम व्यायाम विधियों के बारे में प्रश्नों को संभालने में विशेष रूप से प्रभावी साबित हुआ, जहाँ इसने लगभग 94 प्रतिशत मामलों में पक्षपाती सामग्री की सही पहचान की। सप्लीमेंट्स के बारे में सवालों के लिए, सिस्टम पहले की तुलना में काफी अधिक विश्वसनीय उत्तरों को शीर्ष पर रैंक करने में सक्षम था। एक विशिष्ट परीक्षण में, सिस्टम ने उच्च-जोखिम वाले लेखों के एक समूह को सफलतापूर्वक फ्लैग किया जो "तीन गोलियों के साथ एक सप्ताह में पांच पाउंड कम करने" या "टीके डीएनए उत्परिवर्तन (DNA mutations) का कारण बनने" जैसी बातें दावा करते थे। इन लेखों को स्वचालित रूप से मानव समीक्षा के लिए एक प्रतिबंधित सूची में स्थानांतरित कर दिया गया, जिससे उन्हें जनता के बीच व्यापक रूप से प्रसारित होने से रोका जा सके।
जो बात इस कार्य को विशिष्ट बनाती है, वह यह है कि यह लंबे स्वास्थ्य लेखों की जटिलता को संभालने के लिए विभिन्न तकनीकों को कैसे जोड़ता है। पारंपरिक तरीके अक्सर उन लेखों के साथ संघर्ष करते हैं जो बहुत लंबे होते हैं या जिनमें जानकारी कई अनुच्छेदों में फैली होती है। नया मॉडल एक दोहरी-स्तरीय दृष्टिकोण का उपयोग करता है: एक हिस्सा वाक्य के तात्कालिक विवरणों पर ध्यान केंद्रित करता है, जबकि दूसरा हिस्सा पाठ के दूरस्थ हिस्सों के बीच के संबंधों को देखता है। यह सिस्टम को एक तर्क की पूरी तस्वीर समझने की अनुमति देता है, भले ही भ्रामक दावा लेख के भीतर गहराई में दबा हो। शोधकर्ताओं ने यह भी पाया कि सिस्टम ने तब भी अच्छा काम किया जब उसके पास सीखने के लिए सीमित डेटा था, जो यह सुझाव देता है कि इसे उभरते हुए स्वास्थ्य विषयों के लिए अनुकूलित किया जा सकता है।
परिणाम दिखाते हैं कि एक ऐसा अनुशंसा सिस्टम (recommendation system) बनाना संभव है जो लोकप्रियता के साथ-साथ सत्य को भी महत्व देता है। स्रोत विश्वसनीयता के माप को सीधे लेखों की रैंकिंग के तरीके में एकीकृत करके, मॉडल इस संभावना को कम करता है कि उपयोगकर्ता खतरनाक स्वास्थ्य सलाह का सामना करें। अध्ययन ने गलत सूचना की समस्या को पूरी तरह से हल करने का दावा नहीं किया, यह नोट करते हुए कि सिस्टम अभी भी विश्वसनीय स्रोतों के मौजूदा डेटाबेस पर निर्भर करता है और अभी तक व्यक्तिगत उपयोगकर्ता प्राथमिकताओं को ध्यान में नहीं रखता है। हालाँकि, निष्कर्ष स्वास्थ्य सूचना उपकरणों की अगली पीढ़ी के लिए एक मजबूत आधार प्रदान करते हैं। मॉडल ने प्रदर्शित किया कि कंप्यूटर को सामग्री की प्रासंगिकता के साथ स्रोत की विश्वसनीयता को तौलना सिखाकर, हम एक ऐसा डिजिटल वातावरण बना सकते हैं जहाँ सटीक स्वास्थ्य जानकारी को खोजना आसान और अनदेखा करना कठिन हो।
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।