Tehisintellekti algoritm võib aidata identifitseerida kodutuid noori, kellel on oht aine kuritarvitamiseks

Tehisintellekti (AI) algoritm, mille töötas välja Penn State'i infoteaduste ja tehnoloogia kolledži uurimisrühm, võiks aidata ennustada kodutute noorte seas vastuvõtlikkust ainete tarvitamise häirele ja soovitada isikupärastatud rehabilitatsiooniprogramme nende väga haavatavate inimeste jaoks.

Kuigi USA kodutute noorte seas on narkootikumide kuritarvitamise levimuse käsitlemiseks rakendatud palju programme, on vähesed, kui üldse, lisanud andmetest lähtuvaid teadmisi keskkonna- ja psühholoogiliste tegurite kohta, mis võiksid aidata kaasa inimese tõenäosusele uimastitarbimise häire tekkeks.

"Kodutute noorte hulgas on uimastite tarvitamise häirete ennetav ennetamine palju soovitavam kui reaktiivsed leevendusstrateegiad, näiteks häire meditsiiniline ravi ja muud seonduvad sekkumised," ütles infoteaduste ja tehnoloogia dotsent ning projekti juhtivteadur Amulya Yadav. "Kahjuks on enamik varasemaid ennetava ennetamise katseid olnud ad-hoc nende rakendamisel."

Informaatika doktorant ja raamatu juhtiv autor Maryam Tabar lisas: „Poliitikakujundajate abistamiseks tõhusate programmide ja põhimõtete väljatöötamisel põhimõttelisel viisil oleks kasulik töötada välja tehisintellekti ja masinõppe lahendused, mis suudavad automaatselt avastada tervikliku komplekti kodutute noorte hulgas narkootikumide tarvitamise häirega seotud tegureid. "

Tulemused esitati konverentsil Teadmiste avastamine andmebaasides (KDD).

Projekti jaoks ehitas uurimisrühm mudeli, kasutades andmeid, mis olid kogutud umbes 1400 kodutult 18–26-aastaselt noorelt kuuelt USA osariigilt.

Andmed kogus noorte stabiilsuse ja jõudsalt areneva teadusuuringute, hariduse ja edendamise kaaslabor (REALYST), kuhu kuuluvad Denveri ülikooli sotsiaaltöö dotsent ja töö kaasautor Anamika Barman-Adhikari.

Seejärel tegi uurimisrühm kindlaks narkootikumide tarvitamise häirega seotud keskkonnaalased, psühholoogilised ja käitumuslikud tegurid, nagu kriminaalne ajalugu, ohvriks langemise kogemused ja vaimse tervise tunnused.

Nad avastasid, et ebasoodsad lapsepõlvekogemused ja füüsiline tänaval ohverdamine olid kodutute noorte seas tugevamalt seotud narkootikumide tarvitamise häirega kui muud tüüpi ohvriks langemine, näiteks seksuaalne ohvriks langemine.

Lisaks leiti, et traumajärgne stressihäire (PTSD) ja depressioon on selle populatsiooni hulgas tugevamalt seotud ainete tarvitamise häirega kui muud vaimse tervise häired.

Järgmisena jagas meeskond oma andmekogumi geograafiliste erinevuste vaatamiseks kuueks väiksemaks andmekogumiks. Nad koolitasid eraldi mudeli, et prognoosida narkootikumide tarvitamise häireid kodutute noorte seas kõigis kuues osariigis, kus on erinevad keskkonnatingimused, uimastite legaliseerimise poliitika ja jõugude ühendused. Tabari sõnul leidis meeskond mõne teguri assotsiatsioonitasemest mitu asukohaspetsiifilist variatsiooni.

"Vaadates, mida mudel on õppinud, saame tõhusalt välja selgitada tegurid, millel võib olla korrelatsiooniline roll ainete kuritarvitamise häire all kannatavate inimestega," ütles Yadav. "Ja kui need tegurid on teada, suudame palju täpsemini ennustada, kas keegi kannatab ainete tarvitamise all."

Ta lisas: "Nii et kui poliitikakujundaja või sekkumisspetsialist peaks välja töötama programme, mille eesmärk on vähendada uimastite kuritarvitamise levimust, võib see anda kasulikke juhiseid."

Teiste KDD dokumendi autorite hulka kuuluvad dotsent Dongwon Lee ja doktorant Stephanie Winkler, mõlemad Penn State'i infoteaduste ja tehnoloogia kolledžis; ja Sungkyunkwani ülikooli Heesoo park.

Yadav ja Barman-Adhikari töötavad sarnase projekti kallal, mille kaudu on nad välja töötanud tarkvaraagendi, mis kujundab isikupärastatud rehabilitatsiooniprogramme opioidsõltuvusega võitlevatele kodututele noortele. Nende simulatsioonitulemused näitavad, et tarkvaragent - nimega CORTA (tehisintellektist lähtuv terviklik opioidide reageerimise tööriist) - ületab lähtejooni ligikaudu 110%, minimeerides opioidisõltuvuse all kannatavate kodutute noorte arvu.

"Tahtsime mõista, millised on põhjuslikud probleemid inimestel, kellel on opiaatide sõltuvus," ütles Yadav. "Ja siis tahtsime määrata need kodutud noored sobivasse rehabilitatsiooniprogrammi."

Yadav selgitab, et rohkem kui 1400 USA kodutu noore kogutud andmeid kasutati tehisintellekti mudelite loomiseks, et ennustada selle elanikkonna seas opioidsõltuvuse tõenäosust. Pärast probleemide analüüsimist, mis võivad olla opioidisõltuvuse põhjuseks - näiteks hooldekodu ajalugu või kokkupuude tänavavägivallaga -, lahendab CORTA uudsed optimeerimisvormid isikupärastatud rehabilitatsiooniprogrammide määramiseks.

"Näiteks kui inimesel tekkis opioidisõltuvus seetõttu, et ta oli isoleeritud või tal ei olnud sotsiaalset ringi, siis võib-olla peaks ta oma rehabilitatsiooniprogrammi raames rääkima nõustajaga," selgitas Yadav.

"Teisalt, kui kellelgi tekkis sõltuvus seetõttu, et ta oli depressioonis, kuna ei suutnud tööd leida ega arvet maksta, peaks karjäärinõustaja olema rehabilitatsiooniplaani osa."

Yadav lisas: "Kui te ravite seda seisundit lihtsalt meditsiiniliselt, siis kui nad pöörduvad tagasi reaalsesse maailma, kuna põhjuslik probleem on endiselt alles, siis nad tõenäoliselt taastuvad."

Allikas: Penn State