क्या AI सर्वेक्षण सांख्यिकीविदों की जगह लेगा? जब प्रतिक्रिया दर गिरती है, AI खाली जगह भरता है

सर्वेक्षण अनुसंधान संकट में है -- और AI कारण और संभावित इलाज दोनों है। पारंपरिक सर्वेक्षणों के लिए प्रतिक्रिया दर 1990 के दशक में 35% से अधिक से गिरकर आज एकल अंकों तक आ गई है। लोग अपने फोन का जवाब नहीं देते, अपना मेल नहीं खोलते, और ऑनलाइन प्रश्नावलियों के प्रति तेजी से संदेहास्पद हैं। वह पेशा जिसने प्रतिनिधि नमूना लेने पर अपनी विश्वसनीयता बनाई थी, वह स्वयं प्रतिनिधित्व के साथ संघर्ष कर रहा है। 2024 के अमेरिकी चुनाव मतदान चक्र ने इसे दर्दनाक रूप से दिखाई दिया: मतदाताओं ने जिन्होंने दशकों अपनी कार्यप्रणाली को परिपूर्ण करने में बिताए थे, उन्होंने कई प्रमुख दौड़ों में व्यवस्थित रूप से 3-5 प्रतिशत अंकों से दूर राज्य-स्तरीय अनुमान तैयार किए। कुछ त्रुटि यादृच्छिक थी; अधिकांश एक ऐसी जनता का संरचनात्मक परिणाम था जो तेजी से नमूना लिए जाने से इनकार करती है।

AI में प्रवेश करें, जो लोगों के विचारों को समझने के तरीके में क्रांति लाने का वादा करता है।

डेटा: महत्वपूर्ण जोखिम

सर्वेक्षण शोधकर्ता 61% के कुल AI एक्सपोज़र और 50% के स्वचालन जोखिम का सामना करते हैं। ये किसी भी अनुसंधान पेशे के लिए सबसे ऊँची संख्याओं में से हैं, और BLS प्रक्षेपण दबाव की पुष्टि करता है: 2034 तक 5% गिरावट, लगभग $60,000 के मध्य वेतन और लगभग 16,000 अभ्यासकर्ताओं के साथ। यह गिरावट BLS द्वारा अगले दशक में किसी भी व्हाइट-कॉलर पेशे के लिए अनुमानित सबसे तेज़ गिरावटों में से एक है, और यह संरचनात्मक वास्तविकता को कैप्चर करती है कि पारंपरिक सर्वेक्षण कार्य दोनों तरफ से दबा रहा है -- AI उपकरणों द्वारा विश्लेषण सस्ता करने और अंतर्निहित प्रतिक्रिया दर पतन द्वारा सर्वेक्षणों को स्वयं बचाव करना कठिन बनाने से।

कार्य विवरण से पता चलता है कि दबाव कहाँ केंद्रित है। सर्वेक्षण प्रतिक्रिया डेटा का सांख्यिकीय रूप से विश्लेषण 78% स्वचालन पर है -- AI इसे असाधारण रूप से अच्छी तरह से संभालता है। सर्वेक्षण प्रश्नावली और फॉर्म तैयार करना 65% पर है, क्योंकि AI अब सर्वेक्षणों का मसौदा तैयार कर सकता है, उन्हें पूर्वाग्रह के लिए परीक्षण कर सकता है, और प्रश्न क्रम को अनुकूलित कर सकता है। नमूना कार्यप्रणाली डिज़ाइन करना 42% पर है, अधिक प्रतिरोधी क्योंकि इसके लिए व्यावहारिक बाधाओं के बारे में निर्णय की आवश्यकता होती है। और हितधारकों को निष्कर्ष प्रस्तुत करना 20% तक गिरता है, सबसे अधिक मानव-निर्भर कार्य। विवरण का आकार -- निष्पादन के लिए उच्च स्वचालन, निर्णय और संचार के लिए कम स्वचालन -- वही आकार है जो हम अधिकांश मात्रात्मक अनुसंधान व्यवसायों में देखते हैं, और यह उसी निष्कर्ष की ओर इशारा करता है: नियमित काम मशीनों के पास जा रहा है, लेकिन निर्णय का काम बना रहता है।

सिंथेटिक डेटा चुनौती

सर्वेक्षण अनुसंधान में सबसे उत्तेजक विकास AI-जनित सिंथेटिक उत्तरदाता हैं। भाषा मॉडल को यह अनुकरण करने के लिए ठीक किया जा सकता है कि विभिन्न जनसांख्यिकीय समूह सर्वेक्षण प्रश्नों का उत्तर कैसे देंगे, "सिंथेटिक सर्वेक्षण" उत्पन्न करते हैं जो वास्तविक जनमत को लागत के एक अंश पर अनुमानित करते हैं। कुछ शोधकर्ताओं का दावा है कि ये सिंथेटिक नमूने पहले से ही कुछ प्रकार के प्रश्नों के लिए पारंपरिक सर्वेक्षणों की सटीकता के करीब आ गए हैं।

स्टैनफोर्ड और शिकागो विश्वविद्यालय के शोधकर्ताओं के 2023 के एक पेपर ने GPT-3.5 द्वारा उत्पन्न सिंथेटिक प्रतिक्रियाओं की तुलना अमेरिकी राष्ट्रीय चुनाव अध्ययनों के वास्तविक सर्वेक्षण डेटा से की और कई नीति प्रश्नों के लिए 0.85 से ऊपर की सहसंबंध पाई। ब्रिघम यंग विश्वविद्यालय के एक अन्य अध्ययन ने जनसांख्यिकीय उपसमूहों के मतदान व्यवहार का अनुकरण करने के लिए भाषा मॉडल का उपयोग किया और ऐसे परिणाम तैयार किए जो उच्च-गुणवत्ता वाले पारंपरिक मतदान के त्रुटि मार्जिन के भीतर आते थे। ये निष्कर्ष अभी भी विवादास्पद हैं -- प्रतिकृति मिश्रित रही है और मॉडल अपने प्रशिक्षण वितरण के बाहर के प्रश्नों पर स्पष्ट रूप से विफल होते हैं -- लेकिन यात्रा की दिशा अचूक है।

यदि यह सर्वेक्षण शोधकर्ताओं के लिए धमकी देने वाला लगता है, तो ऐसा होना चाहिए -- कम से कम उनके लिए जिनका काम मुख्य रूप से बुनियादी वर्णनात्मक डेटा एकत्र करने के बारे में है। यदि AI एक ग्राहक को बता सकता है कि एक भी वास्तविक व्यक्ति से संपर्क किए बिना उचित सटीकता के साथ कितने प्रतिशत मिलेनियल्स उत्पाद A को B पर पसंद करते हैं, तो पारंपरिक सर्वेक्षण व्यवसाय मॉडल वास्तविक दबाव में है। बड़े सामान्य-आबादी पैनलों के विक्रेता (NORC, Ipsos, YouGov, Pew Research) सभी हाइब्रिड पद्धतियों में भारी निवेश कर रहे हैं जो वास्तविक और सिंथेटिक डेटा को मिलाते हैं, आंशिक रूप से क्योंकि वे लागत संरचना को अपने आंतरिक मार्जिन के अनुकूल होने की तुलना में तेजी से बदलते हुए देख सकते हैं।

क्यों मानव सर्वेक्षण शोधकर्ता अभी भी आवश्यक हैं

लेकिन सिंथेटिक डेटा की एक महत्वपूर्ण सीमा है: यह केवल अपने प्रशिक्षण डेटा के वितरण के भीतर प्रतिक्रियाओं का अनुमान लगा सकता है। यह वास्तव में नए दृष्टिकोण, अप्रत्याशित राय परिवर्तन, या उभरते घटनाक्रम का पता नहीं लगा सकता जिनका कोई ऐतिहासिक उदाहरण नहीं है। जब COVID-19 आया, तो किसी भी सिंथेटिक मॉडल ने काम की प्राथमिकताओं, स्वास्थ्य व्यवहार, और राजनीतिक दृष्टिकोण में नाटकीय बदलावों का अनुमान नहीं लगाया -- क्योंकि वे बदलाव अभूतपूर्व थे। अगले बड़े झटके के बारे में भी यही सच होगा: एक नई तकनीक, एक युद्ध, एक राजनीतिक पुनर्संरेखण, एक पीढ़ीगत मनोदशा परिवर्तन। सिंथेटिक डेटा मॉडल इसे इसी कारण से व्यवस्थित रूप से चूकेंगे: उन घटनाओं के लिए कोई ऐतिहासिक प्रशिक्षण डेटा नहीं है जो अभी तक नहीं हुई हैं।

सर्वेक्षण कार्यप्रणाली में निर्णय भी शामिल है जिसे AI खराब तरीके से संभालता है। क्या इस प्रश्न को 5-बिंदु या 7-बिंदु पैमाने का उपयोग करना चाहिए? हमें आय रिपोर्टिंग के संवेदनशील विषय को कैसे संभालना चाहिए? क्या यह शब्द हमारी लक्षित आबादी के लिए सांस्कृतिक रूप से उपयुक्त है? क्या हम विभेदक गैर-प्रतिक्रिया के लिए अपने नमूने का वजन कैसे करते हैं? इन निर्णयों के लिए मानव मनोविज्ञान, सांस्कृतिक संदर्भ, और सांख्यिकीय सिद्धांत की समझ की आवश्यकता होती है जिसे पूरी तरह से स्वचालित नहीं किया जा सकता। प्यू अनुसंधान केंद्र की कार्यप्रणाली टीम सटीक रूप से इसलिए हर वजन और समायोजन निर्णय के विस्तृत दस्तावेज प्रकाशित करती है क्योंकि ये निर्णय विवादित हैं, केवल मानव निर्णय द्वारा रक्षणीय हैं, और अनुसरण करने वाले हर अनुमान की वैधता के लिए परिणामी हैं।

सर्वेक्षण शोधकर्ताओं के लिए सबसे महत्वपूर्ण भूमिका AI-सहायता प्राप्त सर्वेक्षण प्रक्रियाओं पर गुणवत्ता नियंत्रण हो सकती है। जैसे-जैसे संगठन सर्वेक्षणों को डिज़ाइन, प्रशासित, और विश्लेषण करने के लिए तेजी से AI का उपयोग करते हैं, किसी को यह मूल्यांकन करने की आवश्यकता है कि क्या परिणाम भरोसेमंद हैं -- और इसके लिए ठीक उसी कार्यप्रणाली विशेषज्ञता की आवश्यकता होती है जो सर्वेक्षण शोधकर्ताओं के पास होती है। अनुसंधान उपकरणों के लिए "AI ऑडिटिंग" का बढ़ता क्षेत्र लगभग पूरी तरह से सर्वेक्षण अनुसंधान पृष्ठभूमि वाले कार्यप्रणालीविदों द्वारा संचालित किया जा रहा है, क्योंकि वे केवल वही लोग हैं जो जानते हैं कि सिंथेटिक प्रतिक्रिया वितरण प्रशंसनीय है या नहीं इसका मूल्यांकन कैसे करना है।

अनुकूलन पथ

जो सर्वेक्षण शोधकर्ता फलेंगे-फूलेंगे वे हैं जो पारंपरिक कार्यप्रणाली कठोरता को AI प्रवाह के साथ जोड़ते हैं। मिश्रित-तरीके दृष्टिकोण -- AI-संसाधित बड़े डेटा को सत्यापन के लिए सावधानीपूर्वक डिज़ाइन किए गए छोटे-नमूना सर्वेक्षणों के साथ संयोजित करना -- इस क्षेत्र के भविष्य का प्रतिनिधित्व करते हैं। सर्वेक्षण शोधकर्ता गुणवत्ता आश्वासन विशेषज्ञ बन जाता है जो तेजी से स्वचालित अनुसंधान पाइपलाइन में मानव स्पर्श बिंदुओं को डिज़ाइन करता है।

सोचें कि 2030 का सर्वेक्षण स्टोर कैसा दिखेगा। एक टेलीकॉम कंपनी ग्राहक संतुष्टि को समझना चाहती है। AI पाइपलाइन कॉल सेंटर ट्रांसक्रिप्ट, सोशल मीडिया उल्लेख, ऐप स्टोर समीक्षाएँ, और नेट प्रमोटर स्कोर डेटा खींचती है, एक चल रहे ग्राहक भावना अनुमान का उत्पादन करती है। सर्वेक्षण शोधकर्ता का काम छोटे, सावधानीपूर्वक निर्मित सत्यापन अध्ययन डिज़ाइन करना है जो परीक्षण करते हैं कि क्या AI पाइपलाइन सटीक अनुमान का उत्पादन कर रही है -- और लक्षित हस्तक्षेपों को डिज़ाइन करना है जो उन वास्तव में नए प्रश्नों पर डेटा का उत्पादन करते हैं जिनका उत्तर पाइपलाइन नहीं दे सकती। काम की कुल मात्रा सिकुड़ सकती है, लेकिन प्रत्येक शेष अध्ययन का रणनीतिक मूल्य काफी बढ़ जाता है।

सर्वेक्षण सांख्यिकीविदों को क्या करना चाहिए

मशीन लर्निंग और AI-सहायता प्राप्त सर्वेक्षण उपकरण सीखें। मिश्रित-तरीके अनुसंधान डिज़ाइन में विशेषज्ञता विकसित करें जो पारंपरिक और AI-संचालित दृष्टिकोणों को एकीकृत करता है। सिंथेटिक डेटा मूल्यांकन और सत्यापन में कौशल बनाएँ -- AI-जनित जनमत डेटा का ऑडिट करने और ग्राहकों, नियामकों, और प्रेस द्वारा उपयोग के लिए इसे प्रमाणित करने में सक्षम शोधकर्ताओं की तेजी से बढ़ती माँग है। उन क्षेत्रों पर ध्यान केंद्रित करें जहाँ मानव निर्णय सबसे महत्वपूर्ण है: जटिल नमूना डिज़ाइन, क्रॉस-सांस्कृतिक अनुकूलन, और नीति संदर्भों में निष्कर्षों की व्याख्या।

अपने करियर के शुरुआती दौर के सर्वेक्षण शोधकर्ताओं के लिए, रणनीतिक प्रश्न यह है कि एक कार्यप्रणालीविद् के रूप में विशेषज्ञता प्राप्त करें (अध्ययन डिज़ाइन, AI पाइपलाइन सत्यापन, दूसरों को वही करना सिखाना) या एक मूल विशेषज्ञ के रूप में (स्वास्थ्य, राजनीति, या उपभोक्ता व्यवहार जैसे एक विशिष्ट डोमेन के गहरे ज्ञान के साथ सर्वेक्षण कौशल को जोड़ना)। दोनों रास्ते काम कर सकते हैं; जो काम नहीं करता वह सामान्यवादी बने रहना है, क्योंकि यह ठीक वह प्रोफ़ाइल है जिसे AI-संचालित अनुसंधान स्वचालन सबसे कुशलता से बदल रहा है।

संबंधित डेटा के लिए, सांख्यिकीविद व्यवसाय पृष्ठ और सर्वेक्षण शोधकर्ता व्यवसाय पृष्ठ देखें।

_यह विश्लेषण AI सहायता के साथ तैयार किया गया था, जिसमें Anthropic Labor Market Report और श्रम सांख्यिकी ब्यूरो (BLS) के अनुमानों के डेटा का उपयोग किया गया था।_

संबंधित: अन्य नौकरियों के बारे में क्या?

AI कई पेशों को नया रूप दे रहा है:

• क्या AI अर्थशास्त्रियों को बदल देगा?
• क्या AI जनसांख्यिकों को बदल देगा?
• क्या AI डेटा वैज्ञानिकों को बदल देगा?
• क्या AI सॉफ्टवेयर डेवलपर्स को बदल देगा?

_हमारे ब्लॉग पर सभी 1,016 व्यवसाय विश्लेषण देखें।_