Az AI eszköz kihasználja a közösségi hálózatokat az anyagokkal való visszaélés kezelése érdekében

Ami a kábítószer-visszaélések elleni küzdelmet illeti, a kutatások azt sugallják, hogy az Ön által vezetett vállalat képes különbséget tenni a gyógyulás és a visszaesés között.

Míg a csoportos beavatkozási programok fontos szerepet játszhatnak a szerekkel való visszaélés megelőzésében, véletlenül is negatív viselkedésnek tehetik ki a résztvevőket.

A Dél-Kaliforniai Egyetem (USC) Társadalmi Mesterséges Intelligencia Központjának kutatói létrehoztak egy algoritmust, amely az intervenciós programok résztvevőit, akik önként dolgoznak a gyógyuláson, kisebb csoportokba rendezik, oly módon, hogy fenntartsák a hasznos társadalmi kapcsolatokat és megszakítsák azokat a társadalmi kapcsolatokat, amelyek lehetségesek lehetnek káros a gyógyulásra.

"Tudjuk, hogy a kábítószer-fogyasztást erősen befolyásolja a társadalmi befolyás, más szóval, kivel barátok" - mondta Aida Rahmattalabi, az USC informatikai hallgatója és a tanulmány vezető szerzője. "A beavatkozások hatékonyságának javítása érdekében tudnia kell, hogy az emberek hogyan befolyásolják egymást egy csoportban."

Rahmattalabi és a USC Viterbi Mérnöki Iskola, az USC Suzanne Dworak-Peck Szociális Munkaiskola és a Denveri Egyetem kutatói az Urban Peak-kel, a denveri székhelyű, hajléktalan fiatalokat kiszolgáló nonprofit céggel dolgozták ki az algoritmust, amely reményeik szerint segíteni fog a kábítószer-visszaélések megelőzésében.

A kutatók szerint az eredmények azt mutatták, hogy az algoritmus szignifikánsan jobban teljesített, mint a kontroll-stratégiák a csoportok létrehozására.

Évente az Egyesült Államokban akár kétmillió gyerek tapasztal hajléktalanságot, és a becslések szerint a hajléktalan fiatalok 39 és 70 százaléka él vissza kábítószerrel vagy alkohollal.

Az anyagokkal való visszaélések, például a csoportterápia támogatást nyújthatnak a hajléktalan fiatalok ösztönzésére tapasztalataik megosztására, pozitív megküzdési stratégiák elsajátítására és egészséges szociális hálózatok kiépítésére.

De ha ezek a csoportok nincsenek megfelelően felépítve, súlyosbíthatják az általuk kezelni kívánt problémákat azáltal, hogy ösztönzik az antiszociális viselkedésen alapuló barátságok kialakulását - jegyzik meg a kutatók. Ez egy olyan folyamat, amelyet a szociális munka „devianciaképzésnek” nevez, amikor a társak megerősítik egymást a deviáns viselkedés érdekében - magyarázzák a kutatók.

A csapat mesterséges intelligencia szemszögéből kezelte ezt a problémát, létrehozva egy algoritmust, amely figyelembe veszi, hogy az alcsoportba tartozó egyének hogyan kapcsolódnak egymáshoz - társadalmi kapcsolataikhoz - és a szerekkel való visszaélés előzményeihez.

A Los Angeles-i hajléktalan fiatalok önként gyűjtött felmérési adatait, valamint a korábbi beavatkozások viselkedéselméleteit és megfigyeléseit használták fel a beavatkozások számítási modelljének felépítéséhez.

"Ennek alapján van egy befolyásolási modellünk, amely elmagyarázza, hogy mennyire valószínű, hogy az egyén negatív magatartást alkalmaz, vagy megváltoztatja a negatív magatartást a csoportban való részvétele alapján" - mondta Rahmattalabi. "Ez segít megjósolni, mi történik, ha kisebb csoportokba soroljuk az embereket."

Talán a legmeglepőbb megállapítás az volt, hogy a szokásos intuícióval ellentétben a rendszeres szerhasználók egyenletes elosztása az alcsoportok között nem az optimális módszer a sikeres beavatkozás megtervezésére - jegyezte meg.

"A felhasználók egységes eloszlása, miközben figyelmen kívül hagyják a meglévő kapcsolataikat, jelentősen csökkentheti ezeknek a beavatkozásoknak a sikerességét" - mondta.

Ezenkívül az elemzés azt sugallja, hogy néha egy beavatkozás végrehajtása valóban káros hatással lehet a csoportra.

„Bizonyos esetekben azt találtuk, hogy valójában rossz ötlet a beavatkozás lebonyolítása. Például, ha egy csoportban sok magas kockázatú ember van, akkor jobb, ha nem kapcsolja őket alacsony kockázatú egyénekhez ”- mondta.

Amint új adatok kerülnek az algoritmusba, a kutatók remélik, hogy alkalmazkodni fog a változó körülményekhez, feltárva, hogy a szociális hálózatok hogyan fejlődnek az intervenciós program során. Ez lehetővé teheti az intervenciósok számára annak megállapítását, hogy egy beavatkozás miként alakítja a résztvevők eredményeit - mondták a kutatók.

A kutatók továbbra is együttműködnek az Urban Peak-szel, és 2018 őszén tervezik az eszköz telepítését a hajléktalan fiatalok intervenciós csoportjának stratégiáinak optimalizálására Denverben.

Az Influence Maximization for Social Network Based Substance Abuse Prevention című tanulmány az AAAI mesterséges intelligenciával foglalkozó konferenciáján jelent meg.

Forrás: University of Southern California