Dirbtinio intelekto įrankis naudoja socialinius tinklus kovai su piktnaudžiavimu medžiagomis
Kalbant apie kovą su piktnaudžiavimu narkotikais, tyrimai rodo, kad jūsų laikoma įmonė gali atskirti atsigavimą ir atsinaujinimą.
Nors grupinės intervencijos programos gali atlikti svarbų vaidmenį užkertant kelią piktnaudžiavimui narkotinėmis medžiagomis, jos taip pat gali netyčia sukelti dalyvių neigiamą elgesį.
Tyrėjai iš Pietų Kalifornijos universiteto (USC) dirbtinio intelekto visuomenėje centro sukūrė algoritmą, kuris rūšiuoja intervencijos programų dalyvius, kurie savo noru dirba atkūrimo tikslais, į mažesnes grupes taip, kad išlaikytų naudingus socialinius ryšius ir nutrauktų socialinius ryšius, kurie galėtų būti kenkia sveikimui.
"Mes žinome, kad piktnaudžiavimą narkotikais daro didelę įtaką socialinė įtaka, kitaip tariant, su kuo draugaujate", - sakė Aida Rahmattalabi, USC informatikos magistrantė ir pagrindinė tyrimo autorė. „Norėdami pagerinti intervencijų efektyvumą, turite žinoti, kaip žmonės paveiks vienas kitą grupėje“.
Rahmattalabi ir mokslininkai iš USC Viterbi inžinerijos mokyklos, USC Suzanne Dworak-Peck socialinio darbo mokyklos ir Denverio universiteto bendradarbiavo su Denverio mieste įsikūrusia ne pelno siekiančia jaunimo nevyriausybine organizacija Urban Peak kurdami algoritmą, kurio, jų manymu, yra. padės užkirsti kelią piktnaudžiavimui narkotinėmis medžiagomis.
Tyrėjų teigimu, rezultatai parodė, kad algoritmas veikė žymiai geriau nei valdymo strategijos formuojant grupes.
Kasmet iki dviejų milijonų vaikų JAV patirs benamystę, o skaičiavimai rodo, kad nuo 39 iki 70 procentų benamių jaunimo piktnaudžiauja narkotikais ar alkoholiu.
Piktnaudžiavimo medžiagomis iniciatyvos, tokios kaip grupinė terapija, gali būti parama skatinant benamį jaunimą dalytis savo patirtimi, mokytis teigiamų įveikos strategijų ir kurti sveikus socialinius tinklus.
Tačiau jei šios grupės nėra tinkamai susistemintos, jos gali sustiprinti problemas, kurias ketina spręsti, skatindamos draugystę, pagrįstą antisocialiu elgesiu, pažymi mokslininkai. Tai yra procesas, socialiniame darbe žinomas kaip „deviancijos mokymas“, kai bendraamžiai sustiprina vienas kitą dėl deviantinio elgesio, aiškina tyrėjai.
Komanda sprendė šią problemą iš dirbtinio intelekto perspektyvos, sukurdama algoritmą, kuris atsižvelgtų į tai, kaip pogrupio asmenys yra susieti - jų socialiniai ryšiai - ir ankstesnę jų piktnaudžiavimo narkotikais istoriją.
Apklausos duomenys, surinkti savanoriškai iš benamio jaunimo Los Andžele, taip pat elgesio teorijos ir ankstesnių intervencijų stebėjimai buvo naudojami kuriant skaičiavimo intervencijų modelį.
"Remdamiesi tuo, mes turime įtakos modelį, kuris paaiškina, kaip tikėtina, kad asmuo elgsis neigiamai arba pakeis neigiamą elgesį, atsižvelgdamas į savo dalyvavimą grupėje", - sakė Rahmattalabi. „Tai padeda mums numatyti, kas nutinka, kai žmones grupuojame į mažesnes grupes.“
Bene labiausiai nustebino išvada, kad, priešingai nei įprasta nuojauta, tolygus įprastų medžiagų vartotojų paskirstymas pogrupiuose nėra optimalus būdas sukurti sėkmingą intervenciją, pažymėjo ji.
"Vienodas vartotojų pasiskirstymas, ignoruojant jų esamus santykius, gali labai sumažinti šių intervencijų sėkmės lygį", - sakė ji.
Be to, analizė rodo, kad kartais intervencijos atlikimas iš tikrųjų gali turėti žalingą poveikį grupei.
„Kai kuriais atvejais mes nustatėme, kad iš tikrųjų yra bloga idėja atlikti intervenciją. Pavyzdžiui, jei grupėje yra daug didelės rizikos žmonių, geriau jų nesusieti su mažos rizikos asmenimis “, - sakė ji.
Kai algoritme pridedami nauji duomenys, mokslininkai tikisi, kad jis prisitaikys prie besikeičiančių sąlygų, atskleisdamas, kaip socialiniai tinklai vystosi intervencijos programos metu. Tyrėjai teigė, kad intervencininkai gali leisti nustatyti, kaip intervencija formuos dalyvių rezultatus.
Tyrėjai tęsia bendradarbiavimą su „Urban Peak“ ir planuoja 2018 m. Rudenį Denverio mieste optimizuoti benamių jaunimo intervencijos grupės strategijas.
Tyrimas „Influence Maximization for Social Network Based Substance Abuse Prevention“ buvo paskelbtas AAAI konferencijoje apie dirbtinio intelekto studentų abstraktų skyrių.
Šaltinis: Pietų Kalifornijos universitetas
