मुक्त-पाठ उत्तर और LLMs मानव विकल्पों के पीछे छिपे कारणों को उजागर करते हैं

परिचय

लोग अपने द्वारा चुने गए विकल्प क्यों चुनते हैं? यह मूलभूत प्रश्न लंबे समय से मनोविज्ञान, अर्थशास्त्र और तंत्रिका विज्ञान के शोधकर्ताओं को उत्सुक करता रहा है। पारंपरिक दृष्टिकोण अक्सर नियंत्रित प्रयोगों में विकल्पों को देखने और गणितीय मॉडलों के माध्यम से अंतर्निहित निर्णय प्रक्रियाओं का अनुमान लगाने पर निर्भर करते हैं। हालांकि, ये विधियाँ केवल यह पकड़ सकती हैं कि लोग क्या करते हैं, न कि वे ऐसा क्यों करते हैं। अब, TUD ड्रेसडेन यूनिवर्सिटी ऑफ टेक्नोलॉजी के सेंटर सिनर्जी ऑफ सिस्टम्स (SynoSys), मैक्स प्लैंक इंस्टीट्यूट फॉर ह्यूमन डेवलपमेंट और बेसल विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो देखे गए विकल्पों को प्रतिभागियों के अपने निर्णय प्रक्रियाओं के विवरणों के साथ जोड़ता है। बड़े भाषा मॉडल (LLMs) का लाभ उठाकर, वे अभूतपूर्व विस्तार से मानव निर्णयों के पीछे के कारणों को उजागर करने के लिए मुक्त-पाठ स्पष्टीकरणों का व्यवस्थित रूप से विश्लेषण कर सकते हैं। उनके निष्कर्ष प्रोसीडिंग्स ऑफ द नेशनल एकेडमी ऑफ साइंसेज में प्रकाशित हुए हैं।

स्पष्टीकरणों को डेटा में बदलना

मुख्य लेखक डॉ. कामिल फुलावका, SynoSys में एक शोधकर्ता, बताते हैं: "मानव व्यवहार की हमारी समझ, जिसमें निर्णय लेना भी शामिल है, लोगों से उनकी विचार प्रक्रियाओं के बारे में विस्तार से पूछकर गहरी की जा सकती है। हालांकि, ऐसे मुक्त-पाठ डेटा के व्यवस्थित विश्लेषण के लिए स्केलेबल और कठोर विश्लेषणात्मक ढाँचों की आवश्यकता होती है - एक ऐसा प्रयास जिसे अब LLMs द्वारा समर्थित किया जा सकता है।" अपने प्रयोग में, प्रतिभागियों ने एक जुआ कार्य में भाग लिया और प्रत्येक निर्णय को अपने शब्दों में समझाने के लिए कहा गया। इन स्पष्टीकरणों का विश्लेषण करने के लिए, शोधकर्ताओं ने संभावित निर्णय कारणों का एक बड़ा सेट विकसित करने के लिए मौजूदा सिद्धांतों और निर्णय लेने के मॉडलों का उपयोग किया, जैसे कि सर्वोत्तम संभव परिणाम पर ध्यान केंद्रित करना या बड़े नुकसान से बचना। बड़े भाषा मॉडलों ने तब पहचाना कि प्रतिभागियों के मुक्त-पाठ स्पष्टीकरणों में इनमें से कौन से कारण दिखाई दिए, जबकि लोगों के विकल्पों के गणितीय मॉडलिंग ने सत्यापन प्रदान किया।

अध्ययन कैसे काम करता है

अध्ययन में एक नियंत्रित जुआ प्रयोग शामिल था जहाँ प्रतिभागियों ने जोखिम भरे विकल्पों के बीच कई निर्णय लिए। प्रत्येक विकल्प के बाद, उन्होंने अपने तर्क का एक संक्षिप्त स्पष्टीकरण टाइप किया। शोधकर्ताओं ने स्थापित निर्णय लेने के सिद्धांतों के आधार पर संभावित निर्णय कारणों की एक व्यापक सूची तैयार की, जिसमें शामिल हैं:

• अपेक्षित मूल्य को अधिकतम करना
• संभावित नुकसान को कम करना
• उच्चतम संभव भुगतान की तलाश करना
• सबसे खराब परिणाम से बचना
• एक सरल अनुमान का पालन करना जैसे "जीतने की अधिक संभावना वाला विकल्प चुनें"

एक बड़े भाषा मॉडल का उपयोग करके, उन्होंने स्वचालित रूप से प्रत्येक मुक्त-पाठ प्रतिक्रिया को वर्गीकृत किया ताकि यह निर्धारित किया जा सके कि कौन से कारण मौजूद थे। सटीकता सुनिश्चित करने के लिए, LLM के वर्गीकरणों को मानव मूल्यांकनकर्ताओं के साथ क्रॉस-वैलिडेट किया गया और गणितीय मॉडलों के साथ तुलना की गई जिन्होंने पहचाने गए कारणों के आधार पर विकल्पों की भविष्यवाणी की। इस बहु-विधि दृष्टिकोण ने टीम को लोगों द्वारा उद्धृत कारणों की खोज करने और यह सत्यापित करने दोनों की अनुमति दी कि वे कारण वास्तव में उनके निर्णयों को संचालित करते हैं।

निर्णय के कारण संदर्भ के साथ बदलते हैं

मौखिक रिपोर्टों, LLMs और कठोर गणितीय मॉडलिंग के संयोजन ने स्पष्ट रूप से प्रदर्शित किया कि लोगों की अपनी अंतर्दृष्टि डेटा का एक मूल्यवान स्रोत है। इसने यह भी दिखाया कि लोग जिन कारणों पर भरोसा करते हैं वे निश्चित नहीं हैं बल्कि निर्णय समस्या की संरचना के साथ व्यवस्थित रूप से बदलते हैं। उदाहरण के लिए, जब संभावित नुकसान बड़े थे, तो प्रतिभागियों द्वारा नुकसान से बचने का उल्लेख करने की अधिक संभावना थी; जब संभावित लाभ अधिक थे, तो उन्होंने लाभ को अधिकतम करने पर ध्यान केंद्रित किया। यह संदर्भ-निर्भरता पारंपरिक मॉडलों को चुनौती देती है जो स्थिर प्राथमिकताओं या निश्चित निर्णय रणनीतियों को मानते हैं।

"वित्तीय निवेश से लेकर चिकित्सा विकल्पों तक कई महत्वपूर्ण निर्णयों में जोखिम और लाभों का मूल्यांकन शामिल होता है," डॉ. फुलावका कहते हैं। "हमारी विधि बताती है कि लोग अपने तर्क को विशिष्ट स्थिति के अनुसार अनुकूलित करते हैं, जिसका व्यवहार की भविष्यवाणी और हस्तक्षेपों को डिजाइन करने पर प्रभाव पड़ता है।"

व्यवहार विज्ञान के लिए निहितार्थ

यह शोध मानव व्यवहार के अध्ययन के लिए नए रास्ते खोलता है। मुक्त-पाठ डेटा को LLMs के साथ एकीकृत करके, वैज्ञानिक अब उस समृद्ध, गुणात्मक जानकारी तक पहुँच सकते हैं जो प्रतिभागी स्वाभाविक रूप से प्रदान करते हैं, बिना पूर्वनिर्धारित सर्वेक्षण प्रश्नों की बाधाओं के। यह दृष्टिकोण स्केलेबल है, जो हजारों प्रतिक्रियाओं का त्वरित और सुसंगत रूप से विश्लेषण करने की अनुमति देता है। इसके अलावा, यह गुणात्मक और मात्रात्मक विधियों के बीच एक पुल प्रदान करता है, जो निर्णय लेने की एक अधिक पूर्ण तस्वीर पेश करता है।

अध्ययन व्यवहार अनुसंधान के लिए उपकरणों के रूप में LLMs की क्षमता को भी उजागर करता है। जबकि LLMs की अक्सर वास्तविक समझ की कमी के लिए आलोचना की जाती है, यहाँ वे शक्तिशाली पैटर्न-मिलान इंजन के रूप में कार्य करते हैं जो पाठ में निर्णय कारणों का विश्वसनीय रूप से पता लगा सकते हैं। शोधकर्ता इस बात पर जोर देते हैं कि LLM के वर्गीकरणों को मानव निर्णयों और गणितीय मॉडलों के खिलाफ मान्य किया गया था, जिससे विश्वसनीयता सुनिश्चित हुई।

भविष्य की दिशाएँ

टीम अपनी विधि को अन्य क्षेत्रों में लागू करने की योजना बना रही है, जैसे उपभोक्ता विकल्प, राजनीतिक निर्णय लेना और स्वास्थ्य व्यवहार। वे निर्णय कारणों के सेट को परिष्कृत करने और यह पता लगाने का भी लक्ष्य रखते हैं कि व्यक्तिगत अंतर (जैसे, आयु, संज्ञानात्मक क्षमता) लोगों द्वारा उपयोग किए जाने वाले कारणों को कैसे प्रभावित करते हैं। अंततः, यह कार्य मानव विकल्प के अधिक सटीक मॉडलों को जन्म दे सकता है जो व्यवहारिक डेटा और स्व-रिपोर्ट किए गए तर्क दोनों को शामिल करते हैं।

जैसे-जैसे LLMs में सुधार जारी है, जटिल मानव भाषा का विश्लेषण करने की उनकी क्षमता और बढ़ेगी। यह अध्ययन एक व्यावहारिक अनुप्रयोग प्रदर्शित करता है जो मानव आत्मनिरीक्षण की समृद्धि का सम्मान करता है जबकि वैज्ञानिक कठोरता बनाए रखता है। हमारे विकल्पों के पीछे छिपे कारण अब इतने छिपे नहीं रह सकते हैं।

यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।