यह अध्ययन कम्प्यूटेशनल भाषाविज्ञान और मनोविज्ञान के अंतरसंबंधित क्षेत्र में एक मील का पत्थर साबित होने वाला सर्वेक्षण है। शोध दल ने 75,000 Facebook उपयोगकर्ताओं से प्राप्त, अभूतपूर्व 70 करोड़ शब्दों, वाक्यांशों और विषय उदाहरणों के डेटासेट का विश्लेषण करते हुए, एक नवीन तरीके सेओपन-वोकेबुलरी पद्धतियह समझने के लिए कि सोशल मीडिया भाषा व्यक्तित्व, लिंग और आयु जैसे मूलभूत मानवीय गुणों से कैसे जुड़ी है। यह कार्य पारंपरिक, पूर्वनिर्धारित शब्द श्रेणियों के विश्लेषण (जैसे LIWC) से आगे बढ़कर, डेटा को स्वयं व्यक्तियों और समूहों को अलग करने वाले भाषाई चिह्नों को प्रकट करने देता है।
इसका मूल आधार यह है कि Facebook जैसे प्लेटफार्मों पर उत्पन्न बड़े पैमाने पर, प्राकृतिक भाषा डेटा मानव मनोविज्ञान में अंतर्दृष्टि प्रदान करने का एक अनूठा दृष्टिकोण प्रस्तुत करता है। शोध से पता चलता है कि यह डेटा-संचालित दृष्टिकोण प्रकट करने में सक्षम हैface validity associations(उदाहरण के लिए, उच्च ऊंचाई वाले क्षेत्रों के लोग पहाड़ों पर चर्चा करते हैं),ज्ञात मनोवैज्ञानिक निष्कर्षों का पुनरुत्पादन(उदाहरण के लिए, न्यूरोटिसिज्म "डिप्रेशन" जैसे शब्दों से संबंधित है), और सबसे महत्वपूर्ण बात, यह सक्षम हैमानव व्यवहार के बारे में नवीन परिकल्पनाएँ उत्पन्न करनाये धारणाएँ शोधकर्ताओं द्वारा पूर्वनिर्धारित नहीं थीं।
इस अध्ययन की पद्धतिगत कठोरता इसके योगदान का एक प्रमुख घटक है। यह बड़े पैमाने पर डेटा संग्रह को नवीन विश्लेषण तकनीकों के साथ जोड़ती है।
उस समय यह डेटासेट बहुत बड़ा था:
यह इस अध्ययन की मुख्य नवीनता है। पूर्वनिर्धारित शब्द श्रेणियों (जैसे, "नकारात्मक भावना शब्द") के बारे में परिकल्पनाओं का परीक्षण करने वाली बंद शब्दावली विधियों के विपरीत, ओपन-वोकैबुलरी दृष्टिकोण हैअन्वेषणात्मक और डेटा-संचालित। एल्गोरिदम पूरे कॉर्पस को स्कैन करता है, ताकि लक्ष्य चर (जैसे, उच्च न्यूरोटिसिज्म) के साथ सांख्यिकीय रूप से संबंधितकिसी भीभाषाई विशेषताओं की पहचान की जा सके - अलग-अलग शब्द, बहु-शब्द वाक्यांश या अंतर्निहित विषय। इससे शोधकर्ता द्वारा विशेषताओं के चयन में पूर्वाग्रह समाप्त होता है और अप्रत्याशित भाषाई पैटर्न की खोज संभव होती है।
DLA यहाँ प्रयुक्त ओपन-वोकैबुलरी पद्धति का एक विशिष्ट कार्यान्वयन है। इसका संचालन निम्नानुसार है:
इस विश्लेषण ने भाषा के उपयोग की मनोवैज्ञानिक प्रक्रियाओं पर समृद्ध और सूक्ष्म अंतर्दृष्टि प्रदान की है।
अध्ययन में पाया गया कि भाषा और बिग फाइव व्यक्तित्व लक्षणों के बीच एक मजबूत संबंध है:
इस अध्ययन ने ज्ञात लिंग अंतरों की पुष्टि की और उन्हें परिष्कृत किया:
आयु के साथ भाषा का उपयोग व्यवस्थित रूप से बदलता है:
DLA का मूल भाषाई विशेषता $f$ (उदाहरण के लिए, एक शब्द) और द्विआधारी या सतत विशेषता $a$ (उदाहरण के लिए, लिंग या न्यूरोटिसिज्म स्कोर) के बीच पॉइंट म्यूचुअल इन्फॉर्मेशन (PMI) या सहसंबंध गुणांक की गणना करना है। द्विआधारी विशेषता के लिए:
$PMI(f, a) = \log \frac{P(f, a)}{P(f)P(a)}$
जहाँ $P(f, a)$ विशेषता और विशेषता के सह-घटित होने की संयुक्त संभावना है (उदाहरण के लिए, शब्द "awesome" एक बहिर्मुखी व्यक्ति के संदेश में प्रकट होता है), जबकि $P(f)$ और $P(a)$ सीमांत संभावनाएँ हैं। फिर समूह $a$ के लिए सबसे अधिक विभेदक टोकन की पहचान करने के लिए विशेषताओं को PMI या सहसंबंध स्कोर के आधार पर क्रमबद्ध किया जाता है।
विषय मॉडलिंग के लिए (संभवतः "विषय उदाहरण" उत्पन्न करने के लिए), लेटेंट डिरिचलेट एलोकेशन (LDA) जैसी तकनीकों का उपयोग किया जाता है। LDA प्रत्येक दस्तावेज़ को $K$ विषयों के मिश्रण के रूप में मॉडल करता है और प्रत्येक विषय को शब्दों पर एक वितरण के रूप में मॉडल करता है। दस्तावेज़ $d$ में शब्द $w$ की संभावना निम्नलिखित द्वारा दी गई है:
$P(w|d) = \sum_{k=1}^{K} P(w|z=k) P(z=k|d)$
जहाँ $z$ एक अव्यक्त विषय चर है। ये खोजे गए विषय बाद में DLA में विशेषताओं के रूप में कार्य करते हैं।
केस अध्ययन: उच्च कर्तव्यनिष्ठा के भाषाई चिह्नों की पहचान
हालांकि मूल PDF में चार्ट शामिल नहीं हो सकते हैं, परिणामों को समझने के लिए प्रमुख विज़ुअलाइज़ेशन अवधारणाओं का उपयोग किया जा सकता है:
सत्यापन का विशाल पैमाना स्वयं एक महत्वपूर्ण परिणाम है: 700 मिलियन भाषाई उदाहरणों में देखे गए पैटर्न शक्तिशाली सांख्यिकीय शक्ति और मजबूती प्रदान करते हैं।
मुख्य अंतर्दृष्टि: Schwartz et al. 2013 का पेपर केवल एक अध्ययन नहीं था; यह एक प्रतिमान परिवर्तन था। इसने मनोविज्ञान में एक मौलिक समस्या - अवलोकनीय व्यवहार के माध्यम से व्यक्तित्व जैसी अंतर्निहित संरचनाओं को मापने - पर हमला करने के लिए सफलतापूर्वक सोशल मीडिया के "बिग डेटा" का उपयोग किया। इसकी मुख्य अंतर्दृष्टि यह थी कि हमारे डिजिटल निशान हमारे आंतरिक संसार के उच्च-निष्ठा व्यवहार रिकॉर्ड हैं। पेपर ने साबित किया कि एक पर्याप्त शक्तिशाली, अज्ञेयवादी लेंस (ओपन-वोकैबुलरी विश्लेषण) को लागू करके, आप इस रिकॉर्ड को आश्चर्यजनक सटीकता के साथ डिकोड कर सकते हैं, रूढ़िवादिता से परे जाकर सूक्ष्म, अक्सर प्रतिज्ञानातीत भाषाई विशेषताओं को प्रकट करते हुए।
तार्किक प्रवाह: इसका तर्क सुंदर और सीधा है: 1) सोने के मानक मनोमितीय डेटा (Facebook + व्यक्तित्व परीक्षण) से जुड़े एक बड़े पैमाने पर, वास्तविक दुनिया के पाठ कोष को प्राप्त करें। 2) पूर्वनिर्धारित शब्दकोशों के सैद्धांतिक बंधनों को त्यागें। 3) मशीन लर्निंग एल्गोरिदम को पूरी भाषाई परिदृश्य में सांख्यिकीय संकेतों की खोज करने दें। 4) सबसे मजबूत संकेतों की व्याख्या करें, जो स्पष्ट (मनोविक्षुब्ध लोग "उदास" कहते हैं) से लेकर अत्यंत सूक्ष्म (सर्वनाम के लिंग-आधारित उपयोग) तक होते हैं। डेटा के पैमाने से लेकर पद्धति में नवाचार और नई खोजों के प्रवाह तक, यह प्रक्रिया प्रभावशाली और पुनरुत्पादनीय है।
लाभ और कमियाँ: इसका विशाल लाभ इसकीअन्वेषण क्षमता में निहित है। बंद शब्दावली अध्ययनों (जैसे, LIWC का उपयोग करके) के विपरीत, जो केवल पूर्व-मौजूदा परिकल्पनाओं की पुष्टि या खंडन कर सकते हैं, यह दृष्टिकोणउत्पन्न करने में सक्षम हैपरिकल्पनाएँ। यह एक खोज इंजन है। यह कंप्यूटर विज़न जैसे क्षेत्रों में प्रचारित डेटा-संचालित दर्शन के अनुरूप है, जैसा कि CycleGAN पेपर (Zhu et al., 2017) में छवि सुविधाओं के अनिरीक्षित खोज में देखा गया है, जहां मॉडल भारी मात्रा में मानव-अंकित डेटा के बिना प्रतिनिधित्व सीखते हैं। हालाँकि, इसकी कमी इसके लाभ का दर्पण है:जोखिम की व्याख्या करें"स्कीइंग" और कम न्यूरोटिसिज्म के बीच संबंध का पता लगाने का मतलब यह नहीं है कि स्कीइंग भावनात्मक स्थिरता का कारण बनती है; यह एक झूठा संबंध हो सकता है या किसी तीसरे चर (आयु, भौगोलिक स्थान) को दर्शाता है। हालांकि पेपर इस बात से अवगत है, लेकिन यह अतिव्याख्या के लिए दरवाजा खोलता है। इसके अलावा, 2013 के Facebook डेटा पर इसकी निर्भरता, अन्य प्लेटफॉर्म (Twitter, TikTok) और आधुनिक ऑनलाइन भाषा के लिए इसकी सामान्यीकरण क्षमता के बारे में सवाल उठाती है।
क्रियान्वयन योग्य अंतर्दृष्टि: शोधकर्ताओं के लिए निर्देश स्पष्ट हैं: सिद्धांत-चालित अनुसंधान के पूरक उपकरण के रूप में ओपन-वोकैबुलरी दृष्टिकोण को अपनाएं। इसका उपयोग परिकल्पना निर्माण के लिए करें, और फिर नियंत्रित अध्ययनों के माध्यम से उनकी पुष्टि करें। उद्योग के लिए, इसके निहितार्थ गहन हैं। यह दृष्टिकोण टार्गेटेड विज्ञापन, सामग्री अनुशंसा और यहां तक कि जोखिम मूल्यांकन (जैसे, बीमा या वित्त में) के लिए आधुनिक मनोवैज्ञानिक लक्षण विश्लेषण की रीढ़ है। कार्रवाई योग्य अंतर्दृष्टि यह है: अपने स्वामित्व वाले पाठ डेटा - ग्राहक समीक्षाओं, सपोर्ट टिकटों, आंतरिक संचार - के लिए समान प्रक्रियाएं बनाएं ताकि छिपे हुए बाजार खंडों और व्यवहार संबंधी भविष्यवक्ताओं का पता लगाया जा सके। हालांकि, नैतिक मुद्दों को अत्यंत सावधानी से संभालना चाहिए। भाषा से अंतरंग मनोवैज्ञानिक लक्षणों का अनुमान लगाने की क्षमता एक दोधारी तलवार है, जिसे हेरफेर और पूर्वाग्रह को रोकने के लिए मजबूत शासन ढांचे की आवश्यकता है - एक चिंता जिसे AI Now Institute जैसे संस्थानों के शोधकर्ताओं ने बाद की आलोचनाओं में रेखांकित किया है।
यहां स्थापित ओपन-वोकैबुलरी ढांचे ने कई शोध और अनुप्रयोग मार्गों को जन्म दिया है: