بگ فائیو لفظی ویکٹرز ہیں

اصل اشاعت: Vectors of Mind۔

نفسیات میں لغوی مطالعات اور کمپیوٹر سائنس میں پوشیدہ معنوی تجزیہ (Latent Semantic Analysis) مختلف مسائل حل کرنے کے لیے نصف صدی کے وقفے سے متعارف کرائے گئے، لیکن ریاضیاتی طور پر مساوی ہیں۔ یہ محض تجرید کی کسی مخصوص سطح پر کارآمد استعارہ نہیں ہے*؛* بگ فائیو، لفظی ویکٹرز کی ابعاد ہیں۔

لیکن پہلے کچھ پس منظر۔ لغوی مفروضہ کہتا ہے کہ شخصیت کا ڈھانچا زبان میں اس لیے ثبت ہو جائے گا کہ بولنے والوں کو اپنے گرد موجود لوگوں کی سب سے نمایاں صفات بیان کرنا ہوتی ہیں۔ اس خیال کی خوب صورتی یہ ہے کہ شخصیت کا کوئی نمونہ کسی ایک فرد کے تجویز کرنے کے بجائے زبان اس چیز کو ریکارڈ کرتی ہے جسے لاکھوں لوگ ضمنی طور پر مفید سمجھنے پر متفق ہیں۔ نفسی قیاسی ماہر کا کام محض اس ڈھانچے کی شناخت کرنا ہے۔ عموماً یہ کام نفسیات کے طلبہ کو صفاتی الفاظ کی فہرستوں پر اپنے بارے میں درجہ بندی کرنے کی دعوت دے کر اور باہمی ارتباطی میٹرکس پر عاملی تجزیہ انجام دے کر کیا گیا ہے۔ 1933 میں ایل ایل تھرسٹون نے 1300 افراد سے 60 صفات پر مشتمل ایک سروے کروایا۔ اپنی اہم تصنیف The Vectors of Mind میں وہ رپورٹ کرتا ہے کہ ڈیٹا کی توضیح کے لیے “پانچ عوامل کافی ہیں”۔ بعد کی دہائیوں میں اس نوع کے مطالعات کے نتیجے میں، کم و بیش، پانچ بنیادی اجزا سامنے آئے: موافقت پذیری، برون مائیگی، ضمیر مندی، عصبیّت، اور کشادگی/ذہانت۔ (اس موضوع کے بہترین مطالعے کے لیے Lexical Foundations of the Big Five ملاحظہ کریں۔)

پوشیدہ معنوی تجزیہ کو 1988 میں معلومات کی بازیافت کی ایک تکنیک کے طور پر متعارف کرایا گیا۔ الفاظ کو ویکٹرز کے طور پر پیش کیا جا سکتا ہے، اور دستاویزات یا جملوں کو ان کے لفظی ویکٹرز کے اوسط کے طور پر پیش کیا جا سکتا ہے۔ اگر آپ کسی بڑے ڈیٹابیس (مثلاً ویکیپیڈیا) میں تلاش کرنا چاہیں، تو ہر صفحے کے کلیدی الفاظ آپ کو صرف ایک حد تک مدد دے سکتے ہیں۔ اس سے نمٹنے کا ایک طریقہ یہ ہے کہ دستاویزات (ویکی مضامین) اور استفسارات (تلاش کی اصطلاحات) دونوں کو ان کے لفظی ویکٹرز کے اوسط کے طور پر پیش کیا جائے۔ اب متعلقہ دستاویزات کی تلاش ایک سادہ نقطۂ ضرب کے ذریعے کی جا سکتی ہے۔ (اس تحریر میں، میں LSA اور لفظی ویکٹرز کو مترادف سمجھتا ہوں۔ زبان کو ویکٹرائز کرنے، اور بالخصوص لفظی ویکٹرز بنانے کے، دوسرے طریقے بھی موجود ہیں، لیکن فی الحال وہ اس بحث کے دائرۂ کار سے باہر ہیں۔)

اپنے مختلف استعمالات اور تاریخ کے باوجود، مراحل ایک جیسے ہیں:

1. لفظ × دستاویز شمار میٹرکس جمع کرنا
2. غیر خطی تبدیلی
3. میٹرکس کی تحلیل
4. گردش (اختیاری)

نتیجتاً لفظی ویکٹرز کا ایک مجموعہ حاصل ہوتا ہے جو ہر لفظ کی جامع وضاحت کرتا ہے۔ ان کا استعمال جذباتی تجزیے سے لے کر طلبہ کے مضامین کی بنیاد پر نرگسیت کی پیش گوئی تک، کئی ذیلی کاموں کے لیے کیا جا سکتا ہے۔ شخصیتی صفات کے معاملے میں لفظی ویکٹرز کی ابعاد کا کئی دہائیوں تک تجزیہ، نام گذاری، اور بحث کی جاتی رہی۔ آگے ہر مرحلے کے اختلافات پر گفتگو کی گئی ہے۔

شمار میٹرکس۔ LSA میں عموماً بڑی تعداد میں متنوع دستاویزات شامل ہوتی ہیں (مثلاً Amazon کی مصنوعات پر لاکھوں جائزے)۔ ہر دستاویز میں ہر لفظ کتنی مرتبہ ظاہر ہوتا ہے، اس کی گنتی کر کے انہیں لفظ × دستاویز میٹرکس میں تبدیل کیا جاتا ہے۔ نفسیات میں دستاویز سے مراد وہ الفاظ ہیں جن کے بارے میں کوئی آزمودنی اس بات سے اتفاق کرتا ہے کہ وہ اس کی وضاحت کرتے ہیں۔ اس کا اطلاق Likert پیمانوں پر بھی ہوتا ہے۔ اگر کوئی شخص کہتا ہے کہ کوئی لفظ 5/7 کی شدت سے اس کی وضاحت کرتا ہے، تو دستاویز میں اس لفظ کو محض پانچ مرتبہ دہرایا جائے۔

غیر خطی تبدیلی۔ لغوی مطالعات میں اکثر ڈیٹا کو اِپسَٹائز کیا جاتا ہے (آزمودنی کے محور کے ساتھ z اسکور) اور پھر Pearson correlation انجام دیا جاتا ہے۔ تھرسٹون نے اپنے مطالعے میں ایک قدیم tetrarch correlation استعمال کیا۔ LSA میں سب سے عام تبدیلی TF-IDF ہے، جس کے بعد لوگارتھم استعمال کیا جاتا ہے۔ اس سے یہ یقینی بنتا ہے کہ میٹرکس عام اصطلاحات کے غلبے میں نہ آ جائے۔ اکثر تبدیلی کے نتیجے میں لفظ × لفظ affinity matrix حاصل ہوتی ہے (مثلاً correlation matrix)۔ یہ مرحلہ عملی طور پر نہایت اہم ہے، لیکن نظری اعتبار سے اتنا زیادہ اہم نہیں۔ منتخب کی جانے والی تبدیلی وہ ہونی چاہیے جو آخر میں ایک معقول نتیجہ فراہم کرے۔

میٹرکس کی تحلیل۔ میٹرکس کی تحلیل کے بہت سے طریقے ہیں۔ بعض، مثلاً PCA، مربع میٹرکس کے متقاضی ہوتے ہیں۔ دوسرے گم شدہ ڈیٹا کے مقابلے میں مضبوط ہوتے ہیں۔ شخصیتی ڈیٹا کے ساتھ طریقے کا انتخاب زیادہ اہمیت نہیں رکھتا؛ نتائج بہت ملتے جلتے ہوتے ہیں۔ عمومی لفظی ویکٹرز میں کسی لفظ کے معنی، اس کے کلامی حصے، slang ہونے کی کیفیت، اور زبان کو بافت دینے والی بہت سی دوسری چیزوں کی نمائندگی کے لیے تقریباً ~300 ابعاد درکار ہوتی ہیں۔ چونکہ سروے اس تمام چیز کو بڑی حد تک مستقل رکھنے کے لیے وضع کیے جاتے ہیں، اس لیے صرف ~5 ابعاد درکار ہوتی ہیں۔ تھرسٹون نے پانچ کے انتخاب کا جواز reconstruction error کو دیکھ کر پیش کیا، جسے وہ ایک ہسٹوگرام کی صورت میں رپورٹ کرتا ہے۔ بعد کے نفسیات دانوں نے 5 کا جواز reconstruction error (جسے eigenvalues کے ذریعے ناپا گیا) کے ساتھ ساتھ قابلِ فہمیت اور قابلِ تکرار ہونے کو مدنظر رکھ کر پیش کیا۔

گردش۔ کیا آپ نے component over-extraction کے بارے میں کبھی سنا ہے؟ یہ ایسی کہانی نہیں ہے جو نفسیات دان آپ کو سنائیں گے۔ اس سے مراد یہ ہے کہ کوئی محقق بہت زیادہ Principal Components اخذ کرتا ہے اور پھر ابتدائی، معتبر PCs سے variance کو بعد کے معمولی PCs پر منتقل کر کے ان کی گردش کرتا ہے۔ یقین کریں یا نہ کریں، بگ فائیو کے ساتھ یہی ہوا! جسے اب موافقت پذیری کہا جاتا ہے، کبھی ایک کہیں زیادہ مضبوط اور نظریاتی طور پر زیادہ تسلی بخش ‘Socialization’ factor تھا، جسے PCs 3-5 میں پھیلا کر Conscientiousness، Neuroticism، اور Openness بنائے گئے۔ قابلِ فہم عوامل پیدا کرنے کے لیے rotation کا جواز پیش کیا جا سکتا ہے۔ لیکن اگر آپ کبھی خود کو rotation کرنے اور پھر عوامل کی درست تعداد پر بحث کرنے کی حالت میں پائیں، تو ذرا خود احتسابی کریں!

لفظی ویکٹرز سے حاصل ہونے والے بگ تھری

میں نے اپنی PhD کا آغاز Facebook statuses سے بگ فائیو کی صفات کی پیش گوئی کرتے ہوئے کیا۔ شخصیت کا ساسیج کیسے تیار کیا گیا تھا، یہ پڑھنے کے بعد مجھے احساس ہوا کہ اس منصوبے میں (Facebook statuses کے) لفظی ویکٹرز استعمال کر کے ان مقامات کی شور آلود تقریبوں کی پیش گوئی کی جا رہی تھی جہاں افراد بگ فائیو کی فضائیہ میں رہتے ہیں؛ اور اس فضائیہ کی اصل تعریف بھی لفظی ویکٹرز سے کی گئی تھی۔ مجھے یہ زیادہ دلچسپ معلوم ہوا کہ بات کو براہِ راست اصل نکتے تک لایا جائے اور لفظی ویکٹرز سے شخصیت کے بارے میں کوئی بنیادی بات سیکھی جائے۔ (اس کے علاوہ، Cambridge Analytica کے بعد وہ ڈیٹاسیٹ بھی زہریلا ہو گیا جسے میں استعمال کر رہا تھا۔) میری PhD کا باقی حصہ لفظی ویکٹرز کو محدود کرنے میں صرف ہوا تاکہ بگ فائیو کو دوبارہ پیدا کیا جا سکے۔ اس میں LSA کے بجائے transformers استعمال کرنا شامل تھا (اس پر آئندہ تحریروں میں مزید بات ہوگی)۔ لفظی ویکٹرز (DeBERTa) سے حاصل شدہ عوامل اور سرویز کے عوامل کے درمیان نتیجے میں آنے والا باہمی ارتباط ذیل میں دیا گیا ہے۔ جیسا کہ آپ دیکھ سکتے ہیں، پہلے تین عوامل کے لیے باہمی مطابقت نہایت قریب ہے۔ جہاں نتائج ایک دوسرے سے مختلف ہوتے ہیں، وہاں یہ واضح نہیں کہ کون سا طریقہ غلطی پر ہے۔ شاید سروے درست ہیں، اور جب ہمیں GPT-5 ملے گا تو تمام باہمی ارتباط 1 تک پہنچ جائیں گے۔ شاید سروے محض جانب دار اور شور آلود ہیں، اور بہت زیادہ PCs اخذ کیے گئے تھے۔ شاید وہ مختلف چیزیں ناپ رہے ہیں، اور ہمیں دونوں کی تشریح کو بہتر بنانے کی ضرورت ہے۔ بہرحال، میرے لیے یہ واضح نہیں کہ دونوں میں سرویز کو معیارِ زرّیں سمجھا جانا چاہیے۔ آخرکار، لغوی مفروضہ زبان کے ڈھانچے سے متعلق ہے، اور نفسیات واحد شعبہ ہے جو فطری زبان کا تجزیہ کرنے کے لیے سرویز استعمال کرتا ہے۔

نتیجہ

تھرسٹون نے 30 کی دہائی میں لغوی مفروضے کی تحقیق کے لیے شماریات اور خطی الجبرا کے طریقوں کو فروغ دیا۔ یہ امر قابلِ حیرت ہے کہ اس نے الفاظ کی نمائندگی کا ایسا طریقہ وضع کیا جسے بعد میں معلومات کی بازیافت کے لیے دوبارہ دریافت کیا گیا، اور جو اب عصرِ معلومات کو توانائی فراہم کرتا ہے۔ حساب نے تھرسٹون کو مجبور کیا کہ زبان کے غنی منظرنامے کو سروے کے جوابات تک محدود کر دے۔ گزشتہ 30 برسوں میں NLP نے متعدد انقلابات کا تجربہ کیا ہے۔ اگر تھرسٹون نے زبان کے ڈھانچے کو دیکھنے کے لیے ایک دوربین ایجاد کی تھی، تو اب ہمارے پاس Hubble ہے۔ بہت سی بصیرتیں ہماری منتظر ہیں!