Βρείτε μας στο Google News. Πατήστε εδώ!Ερευνητές στο Πανεπιστήμιο του Σινσινάτι ανέπτυξαν μια νέα μορφή τεχνητής νοημοσύνης που χρησιμοποιεί μια σύντομη εργασία αξιολόγησης εικόνας και ένα μικρό σύνολο μεταβλητών με βάση τα συμφραζόμενα για να προβλέψει εάν κάποιος βιώνει άγχος. Το άγχος μπορεί να είναι λειτουργικά μειονέκτημα, επηρεάζοντας το 12% του πληθυσμού των ΗΠΑ ως κύρια αιτία αναπηρίας. Χαρακτηρίζεται από έντονο φόβο και επίμονη ανησυχία απουσία καθορισμένης απειλής.
Το χρόνιο άγχος μπορεί να βλάψει την ψυχική και σωματική υγεία ενός ατόμου και να επηρεάσει τις σχέσεις, τη σταδιοδρομία και την ποιότητα ζωής. «Αισθάνομαι ότι το άγχος βιώνεται από τον καθένα σε διαφορετικά επίπεδα, σε διαφορετικά στάδια της ζωής και είναι ένα σχετικό ζήτημα για τους περισσότερους ανθρώπους», δήλωσε η Sumra Bari, πρώτος συγγραφέας και ανώτερος ερευνητής στο Κολέγιο Μηχανικών και Εφαρμοσμένων Επιστημών του UC.
“Χρησιμοποιήσαμε ελάχιστους υπολογιστικούς πόρους και ένα μικρό σύνολο μεταβλητών για να προβλέψουμε τα επίπεδα άγχους. Ένα σημαντικό σύνολο αυτών των μεταβλητών ποσοτικοποιεί διαδικασίες που είναι σημαντικές για την κρίση. Ονομάσαμε αυτήν την προσέγγιση “Comp Cog AI”, δεδομένου ότι ενσωματώνει την υπολογιστική γνώση με την τεχνητή νοημοσύνη.”
Αντί να ταξινομεί σε ομάδες κοινωνικών, ιατρικών ή ψυχολογικών δεδομένων (μία πτυχή των “μεγάλων δεδομένων”) και να χρησιμοποιεί υπερυπολογιστές με σημαντικές ενεργειακές απαιτήσεις, αυτή η τεχνική εστιάζει σε μια σύντομη εργασία αξιολόγησης όπου το άτομο εκχωρεί θετικές ή αρνητικές αξιολογήσεις σε εικόνες και απαντά σε ένα περιορισμένο σύνολο ερωτήσεων με βάση τα συμφραζόμενα, όπως η ηλικία και η μοναξιά.
«Έχει δοθεί μεγάλη έμφαση στη χρήση μεγάλων δεδομένων για την πρόβλεψη», δήλωσε ο Hans Breiter, συν-συγγραφέας και υπεύθυνος επικοινωνίας με τον κύριο ερευνητή της μελέτης. Ο Breiter είναι καθηγητής επιστήμης υπολογιστών και βιοϊατρικής μηχανικής στο Πανεπιστήμιο του Σινσινάτι και επικουρικός στην ψυχιατρική στο Γενικό Νοσοκομείο της Μασαχουσέτης και στην Ιατρική Σχολή του Χάρβαρντ. «Η πρόβλεψη που βασίζεται σε μεγάλα δεδομένα είναι ισχυρή, αλλά αμφισβητείται από το πώς κάποιος ερμηνεύει τέτοιες προβλέψεις», είπε.
“Έχοντας έναν μικρό αριθμό μεταβλητών που βασίζονται στη μαθηματική ψυχολογία φαίνεται να ξεπερνά αυτό το ζήτημα και είναι απαραίτητο εάν η τρέχουσα μηχανική μάθηση πρόκειται να προσεγγίσει ποτέ το ζήτημα της τεχνητής γενικής νοημοσύνης ή τι κάνουν οι εγκέφαλοι συνήθως για πολλαπλές γνωστικές λειτουργίες. Η τρέχουσα εργασία είναι βασίζεται σε ένα σύνολο εξισώσεων σχετικά με την ανθρώπινη κρίση που υποστηρίζουν την ιδέα αυτού που άλλοι επιστήμονες της τεχνητής νοημοσύνης αποκαλούν «τυποποιημένο μοντέλο του μυαλού»».
Η μελέτη δημοσιεύτηκε στο npj Mental Health Research. Κατέληξε στο συμπέρασμα ότι τα μέτρα κρίσης με ορισμένα δημογραφικά στοιχεία παίζουν βασικό ρόλο στην πρόβλεψη του βαθμού άγχους που βιώνει ένα άτομο. Το σύστημα αντιπροσωπεύει ένα «πρωτότυπο θυρωρού» ενός εργαλείου που θα μπορούσε να είναι μια εφαρμογή για επαγγελματίες υγείας, νοσοκομεία ή στρατιωτικούς για τον εντοπισμό όσων διατρέχουν επείγοντα κίνδυνο άγχους.
Οι συμμετέχοντες, των οποίων τα δημογραφικά στοιχεία αντικατόπτριζαν αυτά των Ηνωμένων Πολιτειών με βάση τα στοιχεία του Γραφείου Απογραφής των ΗΠΑ, ολοκλήρωσαν την έρευνα στις προσωπικές τους ψηφιακές συσκευές και απάντησαν σε ερωτήσεις σχετικά με τα δημογραφικά χαρακτηριστικά και την αντιληπτή μοναξιά.
Αυτοί οι 3.476 συμμετέχοντες βαθμολόγησαν επίσης τον βαθμό στον οποίο τους άρεσαν ή δεν τους άρεσαν 48 εικόνες με ήπια συναισθηματικό θέμα. Τα δεδομένα αξιολόγησης εικόνας χρησιμοποιήθηκαν για την ποσοτικοποίηση των μαθηματικών χαρακτηριστικών της κρίσης των ανθρώπων. Αυτά τα δεδομένα στη συνέχεια χρησιμοποιήθηκαν με αλγόριθμους μηχανικής μάθησης για την πρόβλεψη των τρεχόντων επιπέδων άγχους από το τμήμα άγχους κατάστασης του καταλόγου άγχους κατάστασης-χαρακτηριστικού.
«Η χρήση μιας εργασίας αξιολόγησης εικόνας με μεταβλητές που επηρεάζουν την κρίση μπορεί να φαίνεται απλή, αλλά η κατανόηση των προτύπων κατά προτίμηση μας επιτρέπει να αποκαλύψουμε τα κρίσιμα στοιχεία για ένα μεγάλο σύνολο συμπεριφορών», δήλωσε ο συν-ανώτερος συγγραφέας Άγγελος Κατσάγγελος, ο καθηγητής Joseph Cummings του Ηλεκτρολόγος Μηχανικός και Μηχανικός Υπολογιστών στο McCormick και διευθυντής του Εργαστηρίου Επεξεργασίας Εικόνας και Βίντεο στο Πανεπιστήμιο Northwestern.
Χρησιμοποιώντας αυτή τη νέα μορφή τεχνητής νοημοσύνης που αναπτύχθηκε από την UC και τη Northwestern, η τεχνολογία ήταν σε θέση να προβλέψει εάν ένας ερωτώμενος ήταν πιθανό να υποφέρει από υψηλότερο ή χαμηλότερο επίπεδο άγχους με ακρίβεια έως και 81%. Το σύστημα σημείωσε επίσης υψηλή βαθμολογία σε ευαισθησία και ειδικότητα—μέτρα απόδοσης που υποδεικνύουν πόσο καλά το μοντέλο ταξινόμησε τους ανθρώπους που έχουν υψηλότερο άγχος και αυτούς που δεν έχουν.
Ο Bari σημείωσε, «Η εργασία αξιολόγησης εικόνων μπορεί να χρησιμοποιηθεί για την παραγωγή καθημερινών και αμερόληπτων στιγμιότυπων λήψεων της κατάστασης ψυχικής υγείας ενός ατόμου χωρίς να θέτει άμεσες ερωτήσεις που μπορεί να προκαλέσουν αρνητικά ή ενοχλητικά συναισθήματα».
Πρόσθεσε ότι οι άμεσες ερωτήσεις σχετικά με το άγχος μπορεί να είναι λιγότερο αποτελεσματικές με την πάροδο του χρόνου, καθώς οι ερωτηθέντες τείνουν τελικά να απαντούν στις ίδιες ερωτήσεις περιληπτικά. Η νέα τεχνολογία είναι επίσης ανεξάρτητη από τη μητρική γλώσσα και μπορεί να χρησιμοποιηθεί ευρέως σε ποικίλες ρυθμίσεις για την αξιολόγηση του άγχους.
