Racialized Heteroscedasticity in Neuroimaging Features, Behavior Measures, and Neuroimaging-Based Predictive Models
4,736 ABCD कोहोर्ट प्रतिभागियों का यह अध्ययन 'रेसियलाइज्ड हेटरोसेडास्टिसिटी' (racialized heteroscedasticity) को प्रकट करता है, जो ब्लैक प्रतिभागियों के लिए न्यूरोइमेजिंग और व्यवहार संबंधी डेटा में लगातार उच्च विचलन (variance) द्वारा अभिलक्षित है, और यह दर्शाता है कि यह माध्य अंतर (mean differences) की अनुपस्थिति में भी भविष्यवाणी त्रुटि (prediction error) और मॉडल विश्वसनीयता में व्यवस्थित रूप से असमानता उत्पन्न करता है, जो विविध आबादी में मॉडल की सामान्यीकरण क्षमता (generalizability) के लिए विचलन संरचना (variance structure) को एक महत्वपूर्ण निर्धारक के रूप में रेखांकित 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
मुख्य विचार: यह केवल औसत के बारे में नहीं है, बल्कि फैलाव के बारे में भी है
कल्पना कीजिए कि आप इंजन के आकार के आधार पर यह अनुमान लगाने की कोशिश कर रहे हैं कि एक कार कितनी तेज़ चलेगी। आमतौर पर, वैज्ञानिक कारों के विभिन्न समूहों के बीच अंतर देखने के लिए कारों की औसत (average) गति को देखते हैं।
यह शोध पत्र तर्क देता है कि वैज्ञानिक एक महत्वपूर्ण हिस्से को अनदेखा कर रहे हैं: प्रत्येक समूह के भीतर गति कितनी भिन्न होती है।
शोधकर्ताओं ने ABCD स्टडी नामक एक विशाल अध्ययन में लगभग 5,000 किशोरों (मुख्य रूप से श्वेत और अश्वेत प्रतिभागियों) के ब्रेन स्कैन और व्यवहार परीक्षणों का अध्ययन किया। उन्होंने एक ऐसी घटना की खोज की जिसे वे "रेशियलाइज्ड हेटरोसेडास्टिसिटी" (Racialized Heteroscedasticity) कहते हैं।
साधारण शब्दों में, इसका अर्थ है: डेटा का "फैलाव" या "परिवर्तनीयता" (variability), श्वेत प्रतिभागियों की तुलना में अश्वेत प्रतिभागियों के लिए अलग है।
उपमा: दो तीरंदाजी टीमें
कल्पना कीजिए कि दो तीरंदाजी टीमें हैं, टीम A और टीम B, जो लक्ष्य पर तीर चला रही हैं।
- टीम A (श्वेत प्रतिभागी): उनके तीर बुल्सआई (केंद्र) के ठीक आसपास एक घने समूह में गिरते हैं। वे बहुत सुसंगत (consistent) हैं।
- टीम B (अश्वेत प्रतिभागी): उनके तीर भी बुल्सआई (औसत) के आसपास ही केंद्रित हैं (औसत समान है!), लेकिन वे पूरे लक्ष्य पर बिखरे हुए हैं। कुछ बुल्सआई पर लगते हैं, कुछ किनारे पर, और कुछ लक्ष्य से पूरी तरह बाहर निकल जाते हैं।
समस्या: यदि आप टीम के प्रशिक्षण के आधार पर अगला तीर कहाँ गिरेगा, इसका अनुमान लगाने के लिए एक कंप्यूटर प्रोग्राम (एक प्रेडिक्टिव मॉडल) बनाते हैं, तो वह टीम A के लिए बहुत अच्छा काम करेगा क्योंकि उनके तीर अनुमानित (predictable) हैं। लेकिन टीम B के लिए, प्रोग्राम बहुत अधिक "भ्रमित" होगा। भले ही प्रोग्राम औसत स्थान का सही अनुमान लगा ले, लेकिन टीम B के लिए वह इस बात में बहुत अधिक गलत होगा कि व्यक्तिगत तीर वास्तव में कहाँ गिरा।
शोध पत्र में पाया गया कि ब्रेन इमेजिंग और व्यवहार परीक्षणों में, अश्वेत प्रतिभागियों ने अक्सर इस "बिखरे हुए" पैटर्न (उच्च परिवर्तनशीलता) को दिखाया, जबकि श्वेत प्रतिभागियों ने "घने क्लस्टर" (कम परिवर्तनशीलता) वाले पैटर्न को दिखाया।
उन्होंने क्या पाया
- ब्रेन स्कैन: जब मस्तिष्क के विभिन्न हिस्सों के बीच संचार (फंक्शनल इमेजिंग) को देखा गया, तो अश्वेत प्रतिभागियों के लिए "शोर" (noise) या परिवर्तनशीलता काफी अधिक थी। यह ऐसा था जैसे उनके मस्तिष्क के संकेत इस समूह में अधिक "अस्थिर" (jittery) या विविध थे।
- व्यवहार परीक्षण: व्यक्तित्व, ध्यान और मूड के परीक्षणों के साथ भी यही हुआ। अश्वेत प्रतिभागियों ने स्कोर की एक विस्तृत श्रृंखला (wider range) दिखाई।
- प्रेडिक्शन मॉडल: जब शोधकर्ताओं ने ब्रेन स्कैन के आधार पर व्यवहार की भविष्यवाणी करने के लिए कंप्यूटर मॉडल बनाए, तो मॉडल दोनों समूहों के लिए अलग-अलग तरह से काम करते थे।
- उस समूह के लिए जिसमें "घना क्लस्टर" (कम परिवर्तनशीलता) था, भविष्यवाणियाँ स्थिर और विश्वसनीय थीं।
- उस समूह के लिए जिसमें "बिखरे हुए तीर" (उच्च परिवर्तनशीलता) थे, भविष्यवाणियाँ इधर-उधर थीं। मॉडल की त्रुटि दर (error rate) अधिक थी, और उनका आत्मविश्वास कम था, भले ही कागज़ पर समग्र गणित ठीक लग रहा हो।
ऐसा क्यों होता है?
शोध पत्र सावधानीपूर्वक यह कहता है कि यह जैविक रूप से अश्वेत मस्तिष्क के "अलग" या "खराब" होने के कारण नहीं है।
इसके बजाय, वे सुझाव देते हैं कि यह परिवर्तनशीलता जीवन के अनुभवों से आती है। इसे इस तरह सोचें:
- यदि आप एक बहुत ही स्थिर, अनुमानित पड़ोस में रहते हैं जहाँ बहुत सारे संसाधन हैं, तो आपका दैनिक जीवन आपके पड़ोसियों के समान ही एक निश्चित पैटर्न का पालन कर सकता है (कम परिवर्तनशीलता)।
- यदि आप ऐसे पड़ोस में रहते हैं जहाँ आपको अधिक तनाव, भेदभाव या अप्रत्याशित चुनौतियों का सामना करना पड़ता है, तो आपके दैनिक अनुभव दिन-प्रतिदिन या व्यक्ति-दर-व्यक्ति बहुत अधिक भिन्न हो सकते हैं (उच्च परिवर्तनशीलता)।
शोध पत्र इस शब्द "रेशियलाइज्ड हेटरोसेडास्टिसिटी" का उपयोग यह जोर देने के लिए करता है कि इस "फैलाव" में अंतर संभवतः समाज द्वारा विभिन्न समूहों के साथ किए जाने वाले व्यवहार के कारण है, न कि उनकी नस्ल के कारण।
निष्कर्ष (Takeaway)
इस शोध पत्र का मुख्य सबक यह है कि औसत जितना महत्वपूर्ण, परिवर्तनशीलता (variability) भी उतनी ही महत्वपूर्ण है।
यदि वैज्ञानिक केवल "औसत" मस्तिष्क या व्यवहार को देखते हैं, तो वे इस तथ्य को नजरअंदाज कर सकते हैं कि उनके कंप्यूटर मॉडल वास्तव में कुछ समूहों के लिए बहुत कम विश्वसनीय हैं। यह एक मौसम ऐप की तरह है जो सभी के लिए "धूप" की भविष्यवाणी करता है। यह स्थिर मौसम वाले शहर के लिए सही हो सकता है, लेकिन यदि आप जंगली और अप्रत्याशित तूफानों वाले शहर में रहते हैं, तो वह "धूप" की भविष्यवाणी बेकार है क्योंकि वहां परिवर्तनशीलता बहुत अधिक है।
लेखकों का निष्कर्ष है कि सभी के लिए निष्पक्ष और सटीक ब्रेन-साइंस उपकरण बनाने के लिए, शोधकर्ताओं को यह मानना बंद करना होगा कि सभी समूहों के डेटा में "फैलाव" की मात्रा समान है। उन्हें इस अतिरिक्त परिवर्तनशीलता को ध्यान में रखने की आवश्यकता है ताकि उनके मॉडल केवल उन समूहों के लिए ही नहीं, बल्कि सभी के लिए अच्छी तरह से काम करें जिनके पास सबसे सुसंगत डेटा 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।