कृत्रिम बुद्धिमत्ता पर आधारित व्यक्तित्व कम लागत में फोकस समूहों और सर्वेक्षणों का अनुकरण करने के तरीके के रूप में पोलिंग उद्योग में प्रवेश करने लगे हैं। लेकिन Syracuse University के एक शोधकर्ता का कहना है कि मतदाताओं के विकल्प के रूप में इस तकनीक पर भरोसा करने से पहले इसे एक बुनियादी परीक्षा से गुजरना होगा: क्या यह बदलती जनमत को प्रतिबिंबित कर सकती है?
Syracuse’s School of Information Studies की प्रोफेसर Jennifer Stromer-Galley पोलिंग पद्धति का अध्ययन करती हैं। उनका कहना है कि AI व्यक्तित्व इस तरह स्थिर हो सकता है, जैसा वास्तविक लोग नहीं होते। अक्टूबर में किसी मतदाता का उत्तर कुछ महीनों बाद परिस्थितियों के बदलने पर अलग हो सकता है। सिंथेटिक उत्तरदाता इस बदलाव का प्रतिनिधित्व कर सकते हैं या नहीं, यह इस बात पर निर्भर करता है कि उन्हें कैसे बनाया और अपडेट किया गया है।
यह मुद्दा सिंथेटिक पोलिंग के केंद्र में है। इस तरीके से मौजूदा पोलिंग डेटा और जनसांख्यिकीय जानकारी का उपयोग करके बड़े भाषा मॉडल पर आधारित सैकड़ों या हजारों व्यक्तित्व बनाए जा सकते हैं, फिर इन व्यक्तित्वों को कृत्रिम सर्वेक्षणों या फोकस समूहों में इस्तेमाल किया जा सकता है। इसका आकर्षण स्पष्ट है: पोलिंग विक्रेता सवालों के जवाब देने के लिए वास्तविक लोगों को भर्ती करने की लॉजिस्टिक्स और लागत के बिना अपनी सेवाओं का विस्तार कर सकते हैं।
सिंथेटिक पोलिंग का उद्देश्य
पारंपरिक पोलिंग किसी खास समय पर लोगों से प्रतिक्रियाएं लेने का प्रयास करती है। इसके विपरीत, सिंथेटिक पोलिंग संभावित मतदाताओं या अन्य आबादियों का प्रतिनिधित्व करने वाले डिजिटल विकल्प तैयार करती है। व्यक्तित्वों को पोल के लिए प्रासंगिक जनसांख्यिकीय जानकारी दी जा सकती है और कुछ मामलों में, उनकी राय को अधिक विस्तृत बनाने के उद्देश्य से दस्तावेज़ और अन्य सामग्री भी जोड़ी जा सकती है।
सैद्धांतिक रूप से, कोई विक्रेता मुद्दों और नीतियों पर विस्तृत दृष्टिकोण रखने वाले व्यक्तित्व बना सकता है, फिर उनसे रुचि-आधारित सर्वेक्षणों या कृत्रिम फोकस समूहों में भाग लेने को कह सकता है। सिस्टम का आउटपुट संदेशों के परीक्षण, परिदृश्यों की पड़ताल या शोध उत्पादों के विस्तार के लिए उपयोगी दिखाई दे सकता है।
Stromer-Galley इस क्षेत्र को “सिंथेटिक व्यक्तित्व युग” की शुरुआत बताती हैं। पोलिंग कंपनियों के लिए संभावना यह है कि वे अपेक्षाकृत कम लागत में अतिरिक्त शोध उपलब्ध करा सकें। लेकिन कम परिचालन लागत इस पद्धतिगत सवाल का समाधान नहीं करती कि क्या उत्पन्न किए गए उत्तर जनमत का पर्याप्त प्रतिनिधित्व करते हैं।
स्थिरता कैसे खामी बन सकती है
बड़े भाषा मॉडल आम तौर पर उन निर्देशों और जानकारियों के आधार पर काम करते हैं जिनसे किसी व्यक्तित्व का निर्माण किया जाता है। इससे उनकी प्रतिक्रियाएं स्थिर हो सकती हैं। कुछ अनुप्रयोगों के लिए स्थिर व्यवहार वांछनीय है: इससे परीक्षण दोहराने योग्य बन सकता है और किसी सिम्युलेटेड प्रतिभागी का आकलन करना आसान हो सकता है।
हालांकि, पोलिंग ऐसे लोगों से संबंधित है जिनके विचार बदल सकते हैं। अक्टूबर की शुरुआत में किसी उत्तरदाता को जो मुद्दे सबसे महत्वपूर्ण लगते हैं, वे तीन महीने बाद उसके लिए उतने महत्वपूर्ण नहीं रह सकते। व्यक्तिगत परिस्थितियों में बदलाव, नई जानकारी और सार्वजनिक जीवन के घटनाक्रम—सभी लोगों के उत्तरों को प्रभावित कर सकते हैं।
इसलिए चिंता केवल यह नहीं है कि AI सिस्टम किसी एक उत्तर में गलत हो सकता है। चिंता यह है कि सिस्टम शुरुआती प्रोफ़ाइल को जरूरत से अधिक मजबूती से बनाए रख सकता है। यदि उसके संभावित वास्तविक समकक्ष के आसपास की वास्तविक परिस्थितियां बदलने के बाद भी व्यक्तित्व अपनी शुरुआती धारणाओं को दोहराता रहे, तो वह उस बदलाव को नहीं पकड़ पाएगा जिसे पोलिंग मापना चाहती है।
जब सिंथेटिक नतीजों को बदलती जनभावना के संकेत के रूप में समझा जाता है, तब यह समस्या और गंभीर हो जाती है। व्यक्तित्वों का एक समूह तेजी से कई उत्तर उत्पन्न कर सकता है, लेकिन केवल अधिक मात्रा से यह साबित नहीं होता कि वे उत्तर जनमत के विकसित होने के तरीके को पकड़ते हैं।
यह अंतर क्यों मायने रखता है
जनमत पोलिंग को ऐतिहासिक रूप से विश्वसनीयता, पूर्वानुमेयता और निरंतरता के लिए महत्व दिया जाता रहा है। सिंथेटिक तरीके इस तस्वीर को जटिल बनाते हैं, क्योंकि वे एक नई अनिश्चितता पेश करते हैं: मॉडल किए गए उत्तरदाता का डिजाइन।
पारंपरिक सर्वेक्षण में भी शोधकर्ताओं को नमूने, सवालों और विश्लेषण से जुड़े फैसले लेने पड़ते हैं। फिर भी उत्तर वर्तमान समय का अनुभव कर रहे लोगों से आते हैं। AI व्यक्तित्व में निर्देश, स्रोत डेटा और अतिरिक्त सामग्री स्वयं उत्तरदाता का हिस्सा बन जाते हैं। किसी मतदाता के बारे में सिस्टम की धारणाएं सवाल पूछे जाने से पहले ही उत्तरों को प्रभावित कर सकती हैं।
इससे रिफ्रेश और सत्यापन केंद्रीय मुद्दे बन जाते हैं। यदि कोई पोलिंग कंपनी जनसांख्यिकीय डेटा और नीतिगत संकेतों के एक सेट से व्यक्तित्व तैयार करती है, तो उसे यह निर्धारित करने का तरीका चाहिए कि बाद का आउटपुट सार्वजनिक वातावरण में वास्तविक बदलावों को दर्शाता है या केवल एक स्थिर मूल प्रोफ़ाइल से उत्पन्न भिन्नताओं को।
स्रोत सामग्री यह स्थापित नहीं करती कि सिंथेटिक पोलिंग उपयोगी नहीं हो सकती। यह इस अनसुलझी चिंता की पहचान करती है कि क्या तकनीक राय में होने वाले बदलावों को ध्यान में रख सकती है। यह एक सीमित लेकिन महत्वपूर्ण चुनौती है: किसी सिम्युलेटेड मतदाता का आकलन केवल इस आधार पर नहीं होना चाहिए कि वह आज एक विश्वसनीय उत्तर दे सकता है, बल्कि इस आधार पर भी होना चाहिए कि वास्तविक उत्तरों को आकार देने वाली परिस्थितियों के बदलने पर वह विश्वसनीय ढंग से प्रतिक्रिया देता है या नहीं।
सिर्फ AI का नहीं, पद्धति का सवाल
यह बहस अंततः प्रमाण को लेकर है। पोलिंग कंपनियां AI व्यक्तित्वों को उत्तरदाताओं तक पहुंचने की लागत और कठिनाई के बिना अधिक समृद्ध सेवाएं बनाने के अवसर के रूप में देख सकती हैं। यह तकनीक शोधकर्ताओं को बड़ी संख्या में परिदृश्यों का तेजी से परीक्षण करने की सुविधा भी दे सकती है। लेकिन ये दक्षताएं अपने आप यह साबित नहीं करतीं कि सिंथेटिक आउटपुट जनमत को मापते हैं।
सिंथेटिक पोलिंग को व्यापक भरोसा हासिल करने के लिए इसके निर्माताओं को अच्छी तरह वर्णित व्यक्तित्व और जीवित उत्तरदाता के बीच के अंतर को संबोधित करना होगा। किसी सौंपे गए रुख को लगातार दोहराने वाली प्रोफ़ाइल आंतरिक रूप से सुसंगत हो सकती है। फिर भी वह ऐसे व्यक्ति का प्रतिनिधित्व करने में विफल हो सकती है जिसकी प्राथमिकताएं, राय या परिस्थितियां बदल चुकी हों।
यह अंतर तब और महत्वपूर्ण होने की संभावना है जब विक्रेता विस्तृत नीतिगत व्यक्तित्वों, कृत्रिम फोकस समूहों और रुचि-आधारित सर्वेक्षणों का विस्तार करेंगे। आउटपुट से लिए जाने वाले फैसले जितने महत्वपूर्ण होंगे, यह जानना उतना ही जरूरी होगा कि AI उत्तरदाता वास्तव में किस चीज़ का मॉडल तैयार कर रहे हैं।
Stromer-Galley की चेतावनी इस क्षेत्र के अगले दावों के मूल्यांकन के लिए एक उपयोगी मानक देती है। सिंथेटिक पोलिंग का आकलन केवल गति, पैमाने और दिखाई देने वाली वास्तविकता के आधार पर नहीं, बल्कि समय को संभालने की उसकी क्षमता के आधार पर भी किया जाना चाहिए। यदि जनमत बदलता है और AI व्यक्तित्व उसके साथ नहीं बदलते, तो यह तकनीक व्यवस्थित नतीजे दे सकती है, लेकिन उस जनता को नहीं पकड़ पाएगी जिसका प्रतिनिधित्व करने का उसका उद्देश्य है।
यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।
Originally published on phys.org
