آناليز دادهي متخصصان فيسبوك با هوش مصنوعي براي تشخيص بيماري رواني
۱۶ سال از عمر فيسبوك ميگذرد و تعداد متخصصان فعال اين پلتفرم به ۲٫۷ ميليارد در ماه رسيده و آن را به بزرگترين شبكهي اجتماعي دنيا تبديل كرده است. در طول اين سالها، اطلاعات متخصصان فيسبوك بدون اجازهي آنها مورد استفادهي تبليغاتي شركتها و حتي نامزدهاي رياست جمهوري آمريكا قرار گرفته است و در پي رسواييهاي متعدد، حتي پاي مارك زاكربرگ، بنيانگذار جوان، ثروتمند و جاهطلب آن را براي پاسخگويي به كنگرهي آمريكا كشانده است.
اگر تماشاي سريالهايي مانند Mr. Robot درسي به ما داده باشد (به جز اينكه نقشههاي ما بهندرت مطابق ميل ما پيش ميرود چون دستهاي پشت پرده بسيار است)، آن آسيبپذيري شديد ما در بستر شبكههاي اجتماعي است كه بهراحتي به جزئيترين اطلاعات محل زندگي و كار، روابط شخصي، عكسها و پيامهايمان دسترسي دارند و به همين راحتي ميتوانند از اين اطلاعات در جهت منافع خود سوءاستفاده كنند.
اما هرازگاهي افرادي پيدا ميشوند كه از اين حجم اطلاعات ذخيرهشده در راستاي اهداف مثبت و مفيدي استفاده كنند؛ نمونهاش گروهي از محققان است كه چندي پيش اعلام كردند به كمك دادههاي فيسبوك و آناليز پيامهايي كه برخي متخصصان داوطلب تا ۱۸ ماه پيش از دريافت تشخيص از متخصص، در اين پلتفرم فرستادهاند، موفق شدهاند بيماري رواني آنها را پيشبيني كنند.
طرز كار الگوريتم هوش مصنوعي براي تشخيص بيماري رواني
براي اين منظور، ۲۲۳ داوطلب به اين تيم تحقيقاتي اجازهي دسترسي به پيامهاي شخصي در فيسبوك دادند. اين تيم به كمك الگوريتم هوش مصنوعي و با استخراج ويژگيها و اطلاعات خاص از اين پيامها و همچنين عكسهايي كه داوطلبان در فيسبوك منتشر كرده بودند، توانست پيشبيني كند كه آيا اين افراد اختلال خلقي دارند (مانند اختلال دوقطبي يا افسردگي)، دچار اختلالات طيف اسكيزوفرني هستند يا اصلا هيچ اشكال رواني ندارند.
بر اساس نتايج اين تحقيق، استفاده از فحش و الفاظ ركيك در متن پيامها نشانهي بيماري رواني كلي و استفاده از كلمات ادراكي (مانند ديدن، احساس كردن و شنيدن) و كلمات مرتبط با احساسات منفي، نشانهي بيماري اسكيزوفرني بود. اين تيم هنگام آناليز تصاوير متوجه شد رنگهاي طيف آبي با اختلالات خلقي سر و كار دارد.
محققان براي ارزيابي موفقيت اين الگوريتم از يك معيار متداول در هوش مصنوعي استفاده كردند كه تعادل بين مثبت كاذب و منفي كاذب را اندازهگيري ميكند. مثبت كاذب به خطايي در گزارش داده گفته ميشود كه در آن، نتيجهي آزمايش نشاندهندهي وجود حالتي باشد كه درواقع وجود ندارد. منفي كاذب زماني است كه نتيجهي آزمايش نبود حالتي را نشان دهد كه درواقع وجود دارد.
استفاده از الفاظ ركيك در پيام نشان از بيماري رواني دارد
هرچه الگوريتم افراد بيشتري را در دستهي مثبت طبقهبندي كند (مثلا تعيين كند كه در طيف اختلالات اسكيزوفرني قرار دارند)، احتمال ناديده گرفتن افرادي كه واقعا اسكيزوفرني دارند (نرخ منفي كاذب پايين) كمتر ميشود؛ اما برخي افراد سالم را بهاشتباه در دستهي اختلالات اسكيزوفرني قرار ميدهد (نرخ مثبت كاذب بالا). يك الگوريتم بيعيبونقص، در آنِ واحد نه مثبت كاذب و نه منفي كاذب دارد؛ به چنين الگوريتمي نمرهي يك اختصاص داده ميشود. الگوريتمي كه بهطور تصادفي نتايج را حدس بزند، نمرهي ۰٫۵ ميگيرد.
الگوريتمي كه اين تيم تحقيقاتي براي تجزيه و تحليل دادهي فيسبوك استفاده كرده بود، بسته به پيشبينيهايي كه از الگوريتم ميخواست، نمرهاي بين ۰٫۶۵ تا ۰٫۷۷ گرفت. حتي وقتي اين تيم، آناليز داده را به پيامهاي فرستادهشده در طول يك سال پيش از تشخيص رسمي بيماري محدود كرد، توانست اين پيشبينيها را بهطور قابل توجهي بهتر از چيزي كه از شانس و تصادف انتظار ميرفت، انجام دهد.
طبق گفتهي اندرو شوارتز، استاديار علوم كامپيوتر در دانشگاه استوني بروك نيويورك كه در اين تحقيق حضور نداشت، اين نمرات با نمرات پرسشنامهي سلامت بيمار (PHQ-9 - انديشه متخصصينسنجي استاندارد و ۱۰ سؤالي براي غربالگري افسردگي) قابل مقايسه است. نتايج اين تحقيق اين امكان را مطرح ميكند كه شايد بتوان از دادهي فيسبوك در غربالگري بيماريهاي رواني و احتمالا بسيار زودتر از اينكه بيماري تشخيص داده شود، استفاده كرد.
مايكل برنبائوم، استاديار مؤسسهي تحقيقات پزشكي فاينستاين در نيويورك و مدير اين پروژه، معتقد است اين مدل ابزار هوش مصنوعي ميتواند تفاوت بزرگي در درمان بيماريهاي رواني ايجاد كند. بهگفتهي او:
اكنون ميدانيم كه سرطان مراحل رشد متفاوت زيادي دارد. اگر سرطان در مراحل اوليه تشخيص داده شود، فرايند درمانش بهمراتب متفاوت با وقتي است كه به جاهاي مختلف بدن متاستاز و سرايت كرده است. در روانشناسي، معمولا رسم بر اين است كه وقتي بيماري به مرحلهي متاستاز و سرايت كامل رسيده است، درمان را شروع كرد. اما حالا اين امكان وجود دارد كه بيماري را در همان مراحل اوليه تشخيص دهيم.
برنبائوم اولين محققي نيست كه از دادهي شبكههاي اجتماعي براي پيشبيني اختلال رواني استفاده كرده است. پيش از او، محققان ديگري با استفاده از استاتوسهاي فيسبوك، توييتها، و پستهاي رديت سعي در تشخيص بيماريهاي رواني مختلف، از افسردگي گرفته تا اختلال كمتوجهي-بيشفعالي، كردهاند. اما تحقيق برنبائوم و تيمش از اين جهت حائز اهميت است كه بهطور مستقيم با افرادي كه سابقهي اختلال روانيشان ثبت شده، كار كرده است.
محققان ديگر بهطور كلي قادر به مطالعهي افرادي كه بيماريشان بهطور رسمي تشخيص داده شده بود، نبودند و فقط به حرف خود افراد اكتفا ميكردند يا از آنها مي خواستند خود بيماري را تشخيص دهند يا به پرسشنامههايي نظير PHQ-9 پاسخ دهند. در مقابل، تمامي افراد حاضر در مطالعهي برنبائوم، از روانپزشكي متخصص برگهي تشخيص بيماري دريافت كرده بودند؛ و ازآنجاكه اين محققان به تاريخ دقيق اين تشخيصها دسترسي داشتند، توانستند پيشبينيهاي خود را روي پيامهايي كه فرد قبل از آگاهي از بيمارياش فرستاده بود، متمركز كنند.
شاراث گونتوكو، استاديار علوم كامپيوتر در دانشگاه پنسيونيا كه در اين مطالعه حضور نداشت، هشدار ميدهد كه حتي اگر اين الگوريتمها نتايج چشمگيري به دست آورند، باز هم نميتواند جاي روانشناس متخصص را در تشخيص اختلال رواني بگيرد. او ميگويد: «گمان نمي كنم زماني برسد - دست كم تا وقتي زندهام - كه دادههاي شبكههاي اجتماعي براي تشخيص بيماري كافي باشد. اين كار نشدني است.»
اما الگوريتمي كه برنبائوم و تيمش طراحي كردهاند، ميتواند نقش مهمي در سلامت روان بازي كند. گونتوكو ادامه ميدهد: «چيزي كه ما دنبال آن هستيم، استفاده از اين دادههاي تكميلي براي نشان كردن افراد درخطر است؛ ما ميخواهيم ببينيم آيا اين افراد به مراقبت بيشتر يا تماس با متخصص نياز دارند يا خير.»
شايد دادههاي شبكههاي اجتماعي تصوير درستتري از حالت روحي بيمار ارائه دهد
شوارتز خاطر نشان ميكند كه تشخيص بيماري رواني علم دقيقي نيست؛ اما ميتواند با اضافه كردن دادههاي بيشتر، بهتر شود. بهگفتهي او، «سلامت روان را نميشود تنها با يك ابزار ارزيابي كرد.»
ازآنجاكه رسانههاي اجتماعي سابقهي مستمري از افكار و اَعمال فرد در بازهي زماني قابل توجهي ارائه ميدهند، ميتوانند بهطور مؤثري تكميلكنندهي مصاحبههاي يكساعتهاي باشند كه معمولا براي تشخيص بيماري در كلينيك صورت ميگيرند. بهگفتهي شوارتز، در چنين مصاحبههايي «هنوز تكيه بر بيمار است تا همه چيز را در مورد خود به ياد آورد و روانشناس بايد مشخص كند چه زماني اين داده تحت تأثير تعصبات مطلوبيت است.» يعني روانشناس بايد تشخيص دهد كدام مواردي كه بيمار بيان ميكند، به اين خاطر است كه فكر ميكند روانشناس ميخواهد آنها را بشنود. شايد دادههايي كه از رسانههاي اجتماعي به دست ميآيد، بتواند تصوير درستتري از حالت روحي بيمار ارائه دهد.
پلاگين هشدار خطر بيماري رواني
مونمون دوچادهري، استاد محاسبات تعاملي در مؤسسهي فناوري جورجيا كه پيشتر با برنبائوم همكاري كرده بود اما نه در مطالعهي حاضر، در فكر پلاگيني براي رسانههاي اجتماعي است كه بتواند متخصص را از خطر بيماري رواني آگاه كند. البته چنين پلاگيني بلافاصله نگرانيهاي حريم شخصي به دنبال دارد؛ چرا كه اگر اطلاعات مربوط به وضعيت رواني فرد فاش شود، ميتواند توسط شركتهاي بيمه يا متخصصان مورد سوءاستفاده قرار بگيرد يا فرد را پيش از آنكه خودش بخواهد، مجبور به افشاي بيماري رواني خود كند.
براي اينكه اين پلاگين بتواند به مرحلهي اجرا برسد، سازندگان آن بايد در مورد نحوهي دسترسي و حفاظت از اطلاعات متخصص كاملا شفاف باشند. اما اگر چنين الگوريتمي بتواند علائم بيماري رواني را يك سال و نيم زودتر تشخيص بدهد، در زندگي فرد تفاوت بسيار بزرگي ايجاد خواهد كرد.
دوچادهري ميگويد: «اگر بتوانيم اين علائم را در مراحل اوليه تشخيص بدهيم، ميتوان از مكانيسمهاي ديگري براي برطرف كردن نگرانيهايي استفاده كنيم كه لاخبار تخصصيا نيازي به مراجعه به پزشك ندارند.»
اولين نتيجه ي جستجوي عبارات مرتبط با خودكشي در گوگل، شمارهي مركز پيشگيري از خودكشي است
طبق گفتهي گونتوكو، «فيسبوك و گوگل در حال حاضر دارند بهنوعي چنين كاري را انجام ميدهند.» اگر متخصص عبارات مربوط به خودكشي را در گوگل جستوجو كند، شمارهي تلفن مركز ملي پيشگيري از خودكشي قبل از لينكهاي ديگر نمايش داده ميشود. فيسبوك از هوش مصنوعي استفاده ميكند تا پستهايي كه نشان از خطر خودكشي دارند، شناسايي كند و براي مطالعه به ناظران انساني بفرستد. اگر ناظران تأييد كنند كه خطر اين پست واقعي است، فيسبوك ميتواند منابع و اطلاعات مربوط به پيشگيري از خودكشي را براي متخصص بفرستد يا حتي پليس را باخبر كند.
اشكالي كه اينجا پيش ميآيد اين است كه خودكشي خطري واضح و قريبالوقوع محسوب ميشود؛ اما دريافت تشخيص اختلال رواني اغلب حس چنين خطري را به متخصص منتقل نميكند. متخصصان شبكههاي اجتماعي براي پيشگيري از خودكشي تمايل بيشتري به اشتراكگذاري اطلاعات شخصي دارند تا اينكه قرار باشد تشخيص اسكيزوفرني در آنها كمي زودتر صورت بگيرد.
ادغام دادهي ديجيتال و سلامت روان در آينده
برنبائوم اما نتيجهي اين تحقيق را كوچكتر از اين ابعاد اما بسيار مؤثر در انديشه متخصصين ميگيرد. او كه خود روانشناس است، باور دارد دادههاي رسانههاي اجتماعي نهتنها ميتواند فرايند تشخيص را براي ارزيابيِ دقيقتر طبقهبندي كند، بلكه ميتواند روي بيماراني كه مراحل درماني طولاني دارند نظارت مستمر داشته باشد.
افكار، احساسات، اَعمال، اينها همه ديناميك هستند و مرتب در حال تغيير. متأسفانه در روانشناسي در بهترين حالت فقط ماهي يك بار ميتوانيم به اين اطلاعات دسترسي داشته باشيم. استفاده از اين مدل اطلاعات اين امكان را ميدهد تا از زندگي افراد درك جامعتري داشته باشيم.
محققان هنوز راه درازي براي طراحي چنين الگوريتمهايي و دستيابي به روشي اخلاقي براي اِعمال آنها در پيش دارند. اما برنبائوم اميدوار است كه طي ۵ تا ۱۰ سال آينده، اطلاعات بهدستآمده از رسانههاي اجتماعي بتواند بخش معمول تشخيص رواني شود.
برنبائوم ميگويد: «روزي ميرسد كه دادهي ديجيتال و سلامت رمان واقعا با هم ادغام ميشوند؛ و اين درست شبيه گرفتن عكس ايكسري از ذهن افراد است. اين روش مثل گرفتن آزمايش خون است تا به تشخيصهاي پزشكي و مداخلاتي كه به بيمار توصيه ميشود، كمك كند.»
انديشه متخصصين شما متخصص اخبار تخصصي، علمي، تكنولوژيكي، فناوري مرجع متخصصين ايران دربارهي استفاده از هوش مصنوعي و دادههاي شبكههاي اجتماعي در تشخيص زودهنگام بيماري رواني چيست؟ آيا چنين روشي واقعا مؤثر است يا اشكالات مربوط به حريم شخصي آن را عملا ناكارآمد ميكند؟
هم انديشي ها