মেন্টাল মডেল — মানুষ কীভাবে AI বোঝে
এই পাঠে যা শিখবেন
- মেন্টাল মডেল কী, এবং ব্যবহারকারীরা কীভাবে AI সিস্টেম সম্পর্কে এটি তৈরি করেন
- কেন ভুল মেন্টাল মডেল ওভার-ট্রাস্ট ও আন্ডার-ট্রাস্ট — দুটোরই কারণ হতে পারে
- কেন একটি ভুল মেন্টাল মডেল প্রায়শই দীর্ঘদিন ধরা পড়ে না
- একটি সত্যিকারের কোড ডেমো — কখন ব্যবহারকারীর সরল ধারণা প্রকৃত মডেলের আচরণ থেকে বিচ্যুত হয়
১ · মেন্টাল মডেল কী
মেন্টাল মডেলমেন্টাল মডেলএকজন ব্যবহারকারীর মাথায় থাকা একটি সরলীকৃত, প্রায়ই অসম্পূর্ণ ধারণা যে একটি সিস্টেম আসলে কীভাবে কাজ করে — যা তার প্রকৃত প্রযুক্তিগত গঠন থেকে ভিন্ন হতে পারে। হলো কোনো সিস্টেম সম্পর্কে ব্যবহারকারীর মাথায় তৈরি হওয়া একটি সরল "গল্প" — সিস্টেমের প্রকৃত অভ্যন্তরীণ গঠন নয়, বরং ব্যবহারকারী নিজের পর্যবেক্ষণ থেকে যা অনুমান করেছেন। কেউ কখনও একটি AI মডেলের ওয়েট-ম্যাট্রিক্স দেখেন না — তারা শুধু ইনপুট ও আউটপুট দেখে একটি সরলীকৃত ধারণা তৈরি করেন, যেমন "এটা মনে হয় শুধু কীওয়ার্ড মেলায়" বা "এটা বোধহয় আমার আগের পছন্দ মনে রাখে।"
এই ধারণা সিস্টেমের প্রকৃত প্রযুক্তিগত মেকানিজম (যেমন feature weighting বা নিউরাল নেটওয়ার্কের গঠন — সেই মেকানিজমের প্রযুক্তিগত ভিত্তি Machine Learning কোর্সে বিস্তারিত) থেকে ভিন্ন হতে পারে, কিন্তু সেটাই ব্যবহারকারীর আচরণ নির্ধারণ করে — কারণ তিনি সিস্টেমের কোড নয়, নিজের মেন্টাল মডেল অনুযায়ী সিদ্ধান্ত নেন।
২ · কীভাবে ভুল মেন্টাল মডেল ওভার-ট্রাস্ট ও আন্ডার-ট্রাস্ট তৈরি করে
ব্যবহারকারী ভাবেন সিস্টেমটি "বোঝে" — যেমন একটি চ্যাটবট সাবলীল বাংলায় উত্তর দেয় বলে ধরে নেন সেটা সত্যিই তথ্য যাচাই করেছে, যদিও এটি শুধু ভাষাগতভাবে প্রবাহমান টেক্সট তৈরি করছে।
একবার সিস্টেমকে একটি সহজ প্রশ্নে ভুল করতে দেখে ব্যবহারকারী ধরে নেন এটি "সবসময় অবিশ্বাস্য" — এবং এমনকি যেসব ক্ষেত্রে সিস্টেম সত্যিই নির্ভরযোগ্য, সেখানেও ব্যবহার বন্ধ করে দেন।
সবচেয়ে বিপজ্জনক হলো যখন মেন্টাল মডেলটি বেশিরভাগ ক্ষেত্রে সঠিক ফলাফল দেয় — তখন ব্যবহারকারী কখনও বুঝতেই পারেন না তার ধারণা প্রযুক্তিগতভাবে ভুল, যতক্ষণ না একটি অপ্রত্যাশিত ব্যর্থতা ঘটে।
এই পাঠের মেন্টাল মডেল ধারণাটি সরাসরি ট্রাস্ট ক্যালিব্রেশনের (M3) ভিত্তি — একজন ব্যবহারকারীর ট্রাস্ট তখনই "ক্যালিব্রেটেড" হয় যখন তার মেন্টাল মডেল সিস্টেমের প্রকৃত নির্ভরযোগ্যতার সাথে যথেষ্ট মিলে যায়। L09-এ আমরা দেখব কীভাবে এই মিল ভেঙে যায় এবং কীভাবে সেটা মেরামত করা যায়।
৩ · একটি সত্যিকারের ডেমো — সরল মেন্টাল মডেল বনাম প্রকৃত মডেল
ধরা যাক একজন ব্যবহারকারীর একটি প্রোডাক্ট-রিকমেন্ডেশন সিস্টেম নিয়ে মেন্টাল মডেল হলো: "একই ক্যাটাগরির প্রোডাক্ট হলেই সেটা সাজেশনে আসবে।" কিন্তু প্রকৃত সিস্টেমটি আসলে ক্যাটাগরি-মিল, জনপ্রিয়তা ও মূল্যের একটি ওজনযুক্ত স্কোর হিসাব করে। নিচের কোডে ৬টি প্রোডাক্টের জন্য দুটো "মডেল" (ব্যবহারকারীর সরল ধারণা বনাম প্রকৃত সিস্টেম) পাশাপাশি চালিয়ে দেখা যাক কতবার তারা একমত হয়, আর কতবার হয় না।
products = [
{"name": "প্রোডাক্ট ১", "category_match": 1, "popularity": 0.9, "price_score": 0.2},
{"name": "প্রোডাক্ট ২", "category_match": 1, "popularity": 0.3, "price_score": 0.8},
{"name": "প্রোডাক্ট ৩", "category_match": 0, "popularity": 0.95, "price_score": 0.1},
{"name": "প্রোডাক্ট ৪", "category_match": 1, "popularity": 0.5, "price_score": 0.5},
{"name": "প্রোডাক্ট ৫", "category_match": 0, "popularity": 0.6, "price_score": 0.4},
{"name": "প্রোডাক্ট ৬", "category_match": 1, "popularity": 0.1, "price_score": 0.9},
]
def user_mental_model(product):
# ব্যবহারকারীর সরল ধারণা: ক্যাটাগরি মিললেই সাজেশন দেখানো হয়
return product["category_match"] == 1
def actual_recommendation_model(product, threshold=0.6):
# প্রকৃত সিস্টেম: ক্যাটাগরি-মিল, জনপ্রিয়তা ও কম-মূল্যের ওজনযুক্ত স্কোর
score = (0.5 * product["category_match"]
+ 0.3 * product["popularity"]
+ 0.2 * (1 - product["price_score"]))
return score >= threshold
mismatches = 0
for p in products:
predicted = user_mental_model(p)
actual = actual_recommendation_model(p)
agree = "মিলেছে" if predicted == actual else "মেলেনি! (মেন্টাল মডেল ভুল)"
if predicted != actual:
mismatches += 1
print(f"{p['name']}: ব্যবহারকারীর ধারণা={predicted}, প্রকৃত সিস্টেম={actual} -> {agree}")
mismatch_rate = mismatches / len(products) * 100
print(f"\nমোট বিচ্যুতির হার: {mismatches}/{len(products)} = {mismatch_rate:.1f}%")ডিজাইনের কাজ হলো ব্যবহারকারীর মেন্টাল মডেলকে প্রকৃত সিস্টেমের আচরণের যতটা সম্ভব কাছাকাছি আনা — অনবোর্ডিং (M6), এক্সপ্লেনেশন (M4), এবং সামঞ্জস্যপূর্ণ ফিডব্যাক দিয়ে। ব্যবহারকারীর ভুল ধারণা "সংশোধন" করার দায়িত্ব শুধু ব্যবহারকারীর নয় — এটি একটি ডিজাইন দায়িত্ব।
ভাবনার প্রশ্ন
প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।
প্র ০১ উপরের ডেমোতে ৫টি ক্ষেত্রে ব্যবহারকারীর ধারণা "সঠিক" ছিল। এটা কি মেন্টাল মডেলটাকে আসলে "ভালো" প্রমাণ করে?
না — এটাই মূল বিপদ। একটি মেন্টাল মডেল বেশিরভাগ ক্ষেত্রে সঠিক ফলাফল দিলেও সেটা প্রযুক্তিগতভাবে ভুল হতে পারে, কারণ এটি ভুল কারণে সঠিক উত্তরে পৌঁছাচ্ছে। সমস্যা তখনই প্রকাশ পায় যখন এমন একটি কেস আসে যেখানে সরলীকরণটি ভেঙে পড়ে (এখানে প্রোডাক্ট ৬) — এবং ব্যবহারকারী প্রস্তুত থাকেন না, কারণ তিনি কখনও বুঝতেই পারেননি তার মডেল অসম্পূর্ণ ছিল।
প্র ০২ একটি প্রোডাক্ট টিম যদি জানতে পারে ব্যবহারকারীদের মেন্টাল মডেল ভুল, তাহলে তাদের দুটো সম্ভাব্য প্রতিক্রিয়া কী হতে পারে — এবং কোনটি সাধারণত ভালো?
একটি প্রতিক্রিয়া হলো সিস্টেমকে ব্যবহারকারীর সরল প্রত্যাশার কাছাকাছি আনা (predictability বাড়ানো), আরেকটি হলো ব্যবহারকারীকে শেখানো সিস্টেম আসলে কীভাবে কাজ করে (এক্সপ্লেনেশন ও অনবোর্ডিং দিয়ে)। বাস্তবে দুটোরই মিশ্রণ দরকার — সিস্টেমকে যতটা সম্ভব বোধগম্য রাখা, এবং যেখানে জটিলতা অনিবার্য সেখানে স্পষ্ট এক্সপ্লেনেশন দেওয়া (M4-এ বিস্তারিত)।
প্র ০৩ আপনার নিজের কোনো AI টুল ব্যবহারের অভিজ্ঞতায় এমন একটি মুহূর্তের কথা চিন্তা করুন যেখানে টুলটি "প্রত্যাশিতভাবে" আচরণ করেনি। আপনার তখনকার মেন্টাল মডেল কী ছিল, এবং সেটা কীভাবে ভুল প্রমাণিত হলো?
এটি ব্যক্তিগত অভিজ্ঞতার প্রশ্ন — সাধারণ প্যাটার্ন হলো: ব্যবহারকারী ধরে নেন AI "মনে রাখে" বা "প্রসঙ্গ বোঝে" যতটা এটি আসলে বোঝে তার চেয়ে বেশি, এবং যখন AI একটি আগের কথোপকথনের প্রসঙ্গ "ভুলে যায়" বা সাম্প্রতিক তথ্য না জানার কারণে ভুল উত্তর দেয়, তখন সেই ফারাকটা স্পষ্ট হয়।
অনুশীলন
-
চিন্তা করুন: উপরের কোড সেলে
threshold-কে0.6থেকে0.9-এ বাড়ালে বিচ্যুতির হার বাড়বে না কমবে বলে আপনার ধারণা?থ্রেশহোল্ড বাড়ালে প্রকৃত মডেলের জন্য "সাজেশন দেওয়া" আরও কঠিন হয়ে যাবে (কম প্রোডাক্ট সেই সীমা পার করবে), অথচ ব্যবহারকারীর সরল মেন্টাল মডেল (শুধু ক্যাটাগরি-ভিত্তিক) একই থাকবে — তাই বিচ্যুতির হার বাড়ার সম্ভাবনাই বেশি।
-
পরীক্ষা করুন: উপরের কোড সেলে
def actual_recommendation_model(product, threshold=0.6):-এর0.6-কে0.9-এ পরিবর্তন করে Run চেপে আপনার অনুমান যাচাই করুন।থ্রেশহোল্ড ০.৯-এ প্রোডাক্ট ১ (স্কোর ০.৯৩) ছাড়া বাকি সবগুলোতে প্রকৃত মডেল "সাজেশন নেই" বলে, যেখানে ব্যবহারকারীর মডেল প্রোডাক্ট ১, ২, ৪, ৬-এ "সাজেশন আছে" ভাবে — বিচ্যুতির হার বেড়ে ৫০.০%-এ (৬টির মধ্যে ৩টি) পৌঁছায়। এটাই প্রমাণ করে ছোট একটা প্যারামিটার পরিবর্তনও (এখানে থ্রেশহোল্ড) ব্যবহারকারীর সরল মেন্টাল মডেলকে অনেক বেশি ভুল করে দিতে পারে — অথচ ব্যবহারকারী জানেনও না থ্রেশহোল্ড বদলেছে।
আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ
- কোর্সের সম্পূর্ণ সিলেবাস দেখুন ৫৭টি পাঠ ট্রাস্ট ক্যালিব্রেশন, এক্সপ্লেইনেবিলিটি, হিউম্যান-ইন-দ্য-লুপ ডিজাইন, কগনিটিভ লোড, অ্যাক্সেসিবিলিটি, হিউম্যান-AI টিমিং, ইউজেবিলিটি ইভালুয়েশন, ইন্ডাস্ট্রি ফ্রেমওয়ার্ক ও ক্যাপস্টোন।
- Machine Learning কোর্স প্রযুক্তিগত ভিত্তি রিকমেন্ডেশন মডেল বা ফিচার-ওয়েটিং প্রকৃতপক্ষে কীভাবে কাজ করে তার গাণিতিক ভিত্তি — এই পাঠ সেই মেকানিজমের সাথে ব্যবহারকারীর ধারণার ফারাক নিয়ে কাজ করে।
- সব Courses দেখুন ABCL TECH C, C++, Python, Java, JavaScript, DSA, Machine Learning, Deep Learning, System Design, Cybersecurity, Cloud Computing & DevOps, এবং আরও অনেক কোর্স — সব এক জায়গায়।