Conscious infrastructure for fairness aware detection of household water insecurity in Hyderabad informal settlements

तकनीकी सारांश: हैदराबाद के अनौपचारिक बस्तियों में निष्पक्षता-जागरूक जल असुरक्षा का पता लगाने के लिए सचेत बुनियादी ढांचा (Conscious Infrastructure)

समस्या विवरण
शहरी जल शासन में आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग के वर्तमान अनुप्रयोग मुख्य रूप से उपयोगिताओं (utilities) के परिचालन परिप्रेक्ष्य के इर्द-गिर्द संगठित हैं, जो नेटवर्क संपत्तियों, प्रवाह, दबाव और बुनियादी ढांचे की दृश्यता पर केंद्रित हैं। अनौपचारिक बस्तियों के लिए यह ओरिएंटेशन विश्लेषणात्मक रूप से अपूर्ण है, जहाँ जल असुरक्षा केवल बुनियादी ढांचे की पूर्ण अनुपस्थिति के रूप में नहीं, बल्कि अविश्वसनीय या असुरक्षित सेवाओं को उपयोगी बनाने के घरेलू बोझ के रूप में अनुभव की जाती है। यह शोध एक "बुनियादी ढांचा दृश्यता अंतराल" (infrastructural visibility-gap) की पहचान करता है: वह विसंगति जो घरों द्वारा अनुभव किए जाने वाले बोझ (समय की हानि, आय का दबाव, स्वास्थ्य जोखिम, सामर्थ्य लागत) और उस साक्ष्य के बीच है जिसे सार्वजनिक निर्णय प्रणालियाँ कार्रवाई योग्य मानकर पहचानती हैं। जब AI मॉडल केवल उपयोगिता-दृश्य चर (जैसे स्रोत प्रकार, आपूर्ति अनुसूची) पर प्रशिक्षित होते हैं, तो वे संस्थागत सुपाठ्यता (institutional legibility) के लिए अनुकूलित होने का जोखिम उठाते हैं, जबकि उन घरों को अनदेखा कर देते हैं जिनकी असुरक्षा श्रम और आर्थिक व्यवधान के माध्यम से व्यक्त होती है। यह केवल एक तकनीकी एल्गोरिदम पूर्वाग्रह नहीं, बल्कि एक "समस्या-प्रारूपण पूर्वाग्रह" (problem-formulation bias) है।

कार्यप्रणाली
यह अध्ययन सचेत बुनियादी ढांचा न्यूरल सिस्टम्स (Conscious Infrastructure Neural Networks - CINS) नामक एक निर्णय-सहायता आर्किटेक्चर को संचालित करता है। यह ध्यान देना महत्वपूर्ण है कि इस संदर्भ में "न्यूरल" का अर्थ न्यूरल नेटवर्क एल्गोरिदम का उपयोग करना नहीं है, बल्कि एक लिंक्ड निर्णय आर्किटेक्चर है जो घरेलू डेटा, भविष्य कहनेवाला वर्गीकरण (predictive classification), उपसमूह निष्पक्षता ऑडिट और संस्थागत प्रतिक्रिया प्रोटोकॉल को जोड़ता है।

• डेटा स्रोत: विश्लेषण में हैदराबाद, भारत की 34 अनौपचारिक बस्तियों के 1,700 घरेलू सर्वेक्षण रिकॉर्ड और 34 जल-गुणवत्ता नमूना रिकॉर्ड का एक कच्चा डेटासेट शामिल है। यह डेटा पेयजल पहुंच और निर्णय लेने पर डॉक्टरेट अनुसंधान से प्राप्त हुआ है।
• परिणाम चर (Outcome Variable): प्राथमिक परिणाम एक बाइनरी संकेतक है कि क्या किसी घर ने रिपोर्ट किया कि उसके काम के समय में पीने के पानी की आपूर्ति या उपलब्धता के समय के कारण व्यवधान आया। यह "बाध्यकारी" (binding) जल असुरक्षा के प्रॉक्सी के रूप में कार्य करता है, जो व्यक्तिपरक धारणा के बजाय सीधे आर्थिक और सामयिक परिणामों को पकड़ता है।
• मॉडल तुलना: दो लॉजिस्टिक रिग्रेशन मॉडल का अनुमान लगाया गया और एक होल्ड-आउट टेस्ट सेट (30% डेटा, स्ट्रैटिफाइड) पर उनकी तुलना की गई:
  1. उपयोगिता-दृश्य मॉडल (Utility-Visible Model): इसमें पारंपरिक बुनियादी ढांचा ज्ञान के करीब के चर (स्रोत उपयोग, आपूर्ति का समय, भंडारण अवधि, बस्ती आईडी, संबद्ध सूक्ष्मजीव संबंधी जोखिम) शामिल हैं।
  2. घरेलू-बोझ मॉडल (Household-Burden Model): इसमें सभी उपयोगिता-दृश्य चर के साथ-साथ घरेलू-बोझ चर (आय/व्यय मध्य बिंदु, व्यय अनुपात, कथित गुणवत्ता/मात्रा रेटिंग, बीमारी/उपचार संकेतक, पानी लाने का बोझ और बहु-स्रोत निर्भरता) शामिल हैं।
• मूल्यांकन मेट्रिक्स: प्रदर्शन का मूल्यांकन सटीकता (accuracy), परिशुद्धता (precision), रिकॉल (recall), F1-स्कोर, AUC, और विशेष रूप रूप से फॉल्स नेगेटिव रेट (FNR) के आधार पर किया गया। अध्ययन ने समग्र सटीकता के बजाय कमजोर उपसमूहों (सबसे कम आय वाले चतुर्थांश, बहु-स्रोत वाले घर, टैंकर-निर्भर घर, और सूक्ष्मजीव संबंधी जोखिम वाली बस्तियों) के बीच FNR को कम करने को प्राथमिकता दी।
• निष्पक्षता ऑडिट: यह निर्धारित करने के लिए कि क्या घरेलू-बोझ चरों को शामिल करने से विशिष्ट कमजोर समूहों के लिए अंडर-डिटेक्शन (कम पहचान) को कम करने में मदद मिली, उपसमूह विश्लेषण किया गया। व्याख्यात्मकता की जाँच के लिए एक पूरक के रूप में रैंडम फॉरेस्ट फीचर-इंपॉर्टेंस विश्लेषण का उपयोग किया गया।

प्रमुख परिणाम

• मॉडल प्रदर्शन: घरेलू-बोझ मॉडल ने होल्ड-आउट टेस्ट सेट पर उपयोगिता-दृश्य मॉडल की तुलना में बेहतर प्रदर्शन किया।
  • सटीकता (Accuracy): 0.669 से बढ़कर 0.731 हुई।
  • रिकॉल (Recall): 0.636 से बढ़कर 0.714 हुआ।
  • F1-स्कोर: 0.513 से बढ़कर 0.593 हुआ।
  • AUC: 0.731 से बढ़कर 0.818 हुआ।
  • फॉल्स नेगेटिव रेट (FNR): 0.364 से घटकर 0.286 हुआ।
• कन्फ्यूजन मैट्रिक्स: घरेलू-बोझ मॉडल ने 100 वास्तविक सकारात्मक (व्यवधान झेलने वाले घर) घरों की सही पहचान की, जबकि उपयोगिता-दृश्य मॉडल ने 89 की पहचान की थी, जिससे छूटे हुए बाधित घरों की संख्या 51 से घटकर 40 रह गई।
• उपसमूह निष्पक्षता:
  • सुधार: सबसे कम आय वाले चतुर्थांश (32.1% से 25.0%) और बहु-स्रोत वाले घरों (40.5% से 31.6%) के लिए FNR में महत्वपूर्ण कमी आई।
  • विसंगति: टैंकर-निर्भर घरों के लिए FNR थोड़ा बढ़ गया (8.8% से 12.5%)। लेखक इसे इस रूप में व्याख्यायित करते हैं कि टैंकर का उपयोग पहले से ही उपयोगिता-दृश्य मॉडल में एक मजबूत भविष्यवक्ता था; जोड़ने से भार (weights) का पुनर्वितरण हुआ, जिससे इस विशिष्ट उपसमूह के लिए प्रदर्शन थोड़ा कमजोर हो गया जिसका जोखिम पहले से ही अत्यधिक दृश्य था।
• फीचर महत्व (Feature Importance): घरेलू-बोझ मॉडल में, आर्थिक दबाव (व्यय, आय मार्जिन), कथित सेवा गुणवत्ता और पानी लाने का बोझ, बुनियादी ढांचा चरों के साथ उच्च-रैंकिंग भविष्यवक्ता के रूप में उभरे, जो पुष्टि करते हैं कि घरेलू अनुभव निर्णय-संबंधित जानकारी जोड़ता है।

प्रमुख योगदान

1. वैचारिक ढांचा: यह पत्र बुनियादी ढांचा दृश्यता अंतराल (infrastructural visibility gap) को पेश करता है जो घरेलू जल असुरक्षा, डेटा न्याय और शहरी शासन के बीच एक सेतु है। यह इस अंतराल को घरेलू-अनुभवित बोझ और निर्णय प्रणालियों द्वारा मान्यता प्राप्त साक्ष्य के बीच के अंतर के रूप में परिभाषित करता है।
2. अनुभवजन्य साक्ष्य: यह एक पुनरुत्पादनीय तुलना प्रदान करता है जो प्रदर्शित करता है कि घरेलू-बोझ चरों को शामिल करने से उच्च-जोखिम वाले घरों का पता लगाने में सुधार होता है और कमजोर उपसमूहों के बीच फॉल्स नेगेटिव को कम करता है, जो बुनियादी ढांचा-केंद्रित डेटा की पर्याप्तता को चुनौती देता है।
3. शासन संरचना (CINS): यह पत्र CINS को केवल एक भविष्य कहनेवाला उपकरण के रूप में नहीं, बल्कि एक शासन संरचना के रूप में प्रस्तावित करता है जो भविष्य कहनेवाला वर्गीकरण को संस्थागत प्रतिक्रिया प्रोटोकॉल से जोड़ता है। यह तर्क देता है कि निष्पक्षता-जागरूक AI को घरेलू बोझों का पता लगाने के इर्द-गिर्द डिज़ाइन किया जाना चाहिए और इसे विशिष्ट कार्यों (जैसे पुनः परीक्षण, आपूर्ति सुधार, सामर्थ्य मूल्यांकन) को ट्रिगर करना चाहिए, न कि केवल निष्क्रिय डैशबोर्ड आउटपुट के रूप में रहना चाहिए।
4. निष्पक्षता का पुनर्निर्धारण: अध्ययन बुनियादी ढांचे के AI में निष्पक्षता के मूल्यांकन को समग्र सटीकता से बदलकर कमजोर उपसमूहों में फॉल्स नेगेटिव के वितरण की ओर स्थानांतरित करता है, यह तर्क देते हुए कि निष्पक्षता डेटा समावेशन और समस्या प्रारूपण का गुण है, न कि केवल पोस्ट-हॉक मॉडल समायोजन।

महत्व और दावे
यह पत्र दावा करता है कि बुनियादी ढांचे के AI में निष्पक्षता केवल मॉडल आउटपुट को ठीक करके नहीं, बल्कि घरेलू बोझ को शामिल करने के लिए डेटा आर्किटेक्चर को मौलिक रूप से बदलकर प्राप्त की जाती है। केंद्रीय तर्क यह है कि एक घर "औपचारिक रूप से दृश्य" (नेटवर्क से जुड़ा हुआ) हो सकता है, फिर भी अपने द्वारा उठाए जाने वाले श्रम और आर्थिक बोझ के संबंध में "विश्लेषणात्मक रूप से अदृश्य" हो सकता है।

लेखक विनम्रतापूर्वक दावा करते हैं कि उनका विश्लेषण दर्शाता है कि घरेलू-बोझ चर कैसे उच्च-जोखिम वाले घरों का पता लगाने में सुधार करते हैं। वे यह दावा नहीं करते हैं कि उन्होंने अंतिम इष्टतम मॉडल की पहचान कर ली है या CINS को परिचालन रूप से पूरी तरह से तैनात कर दिया है। इसके बजाय, यह पत्र मॉडल तुलना को संस्थागत दृश्यता के लिए एक नैदानिक उपकरण के रूप में प्रस्तुत करता है, जो यह दिखाता है कि घरेलू बोझ को बाहर करने पर क्या छूट जाता है। इसका महत्व इस दावे में निहित है कि शहरी जल शासन में AI को निष्पक्षता-जागरूक होने के लिए, इसे सेवा विखंडन और संबंधित बोझों—विशेष रूप से अनौपचारिक बस्तियों की जीवंत वास्तविकताओं को पहचानने के लिए डिज़ाइन किया जाना चाहिए, न कि केवल बुनियादी ढांचा दृश्यता पर निर्भर रहना चाहिए। यह निष्कर्ष निकलता है कि घरेलू-बोझ डेटा को एकीकृत करने और भविष्यवाणियों को प्रतिक्रिया प्रोटोकॉल से जोड़ने के बिना, AI अपर्याप्त जोखिम वाले लोगों की अदृश्यता को बनाए रखते हुए जल शासन को अधिक कुशल बनाने का जोखिम उठाता है।