Az AI algoritmus segíthet azonosítani a hajléktalan fiatalokat, akiket veszélyeztetnek a szerekkel való visszaélések

A Penn State Informatikai és Technológiai Főiskolájának kutatócsoportja által kifejlesztett mesterséges intelligencia (AI) algoritmus segíthet megjósolni a hajléktalan fiatalok érzékenységét a szerhasználati rendellenességek iránt, és személyre szabott rehabilitációs programokat javasolhat ezeknek a rendkívül sebezhető egyéneknek.

Míg számos programot hajtottak végre a kábítószer-fogyasztás elterjedésének kezelésére az USA hajléktalan fiataljai körében, kevés, ha van ilyen, olyan adatközpontú meglátásokat tartalmazott a környezeti és pszichológiai tényezőkről, amelyek hozzájárulhatnak az embernek a kábítószer-fogyasztási rendellenesség kialakulásának valószínűségéhez.

"A hajléktalan fiatalok körében sokkal kívánatosabb a szerhasználati zavarok megelőzése, mint a reaktív enyhítési stratégiák, mint például a rendellenesség orvosi kezelése és más kapcsolódó beavatkozások" - mondta Amulya Yadav, az informatika és technológia adjunktusa és a projekt vezető kutatója. "Sajnos a proaktív megelőzésre irányuló korábbi próbálkozások többsége eseti módon valósult meg."

Maryam Tabar, az informatika doktorandusa és a cikk vezető szerzője hozzátette: „A politikai döntéshozóknak a hatékony programok és politikák elvi kidolgozásában történő segítéséhez előnyös lenne olyan mesterséges intelligencia és gépi tanulási megoldások kifejlesztése, amelyek automatikusan átfogó készletet tárhatnak fel. a hajléktalan fiatalok kábítószer-fogyasztási zavarával összefüggő tényezők. ”

Az eredményeket a Knowledge Discovery in Databases (KDD) konferencián mutatták be.

A projekthez a kutatócsoport a modellt az USA hat államában, mintegy 1400, 18 és 26 év közötti hajléktalan fiataltól gyűjtött adatok felhasználásával építette fel.

Az adatokat a Research, Education and Advocacy Co-Lab for Youth Stability and Throwing (REALYST) gyűjtötte össze, amelynek tagja Anamika Barman-Adhikari, a Denveri Egyetem szociális munkájának adjunktusa és a cikk társszerzője.

A kutatócsoport ezután meghatározta a szerhasználati rendellenességekhez kapcsolódó környezeti, pszichológiai és viselkedési tényezőket, mint például a bűnügyi előzmények, az áldozattá válás tapasztalatai és a mentális egészségi jellemzők.

Felfedezték, hogy a hátrányos gyermekkori tapasztalatok és a fizikai utcai áldozattá válás szorosabban kapcsolódnak a szerhasználati zavarokhoz, mint más típusú áldozattá válás, például a szexuális áldozattá válás a hajléktalan fiatalok körében.

Ezen túlmenően a poszttraumás stressz (PTSD) és a depresszió erősebb összefüggést mutat a szerhasználati rendellenességgel, mint más mentális egészségügyi rendellenességek e populáció körében.

Ezután a csapat hat kisebb adatkészletre osztotta az adatkészletet a földrajzi különbségek figyelembevétele érdekében. Külön modellt képeztek a kábítószer-fogyasztási zavarok előrejelzésére a hajléktalan fiatalok körében mind a hat államban, amelyek eltérő környezeti feltételekkel, kábítószer-legalizálási politikával és bandatársulásokkal rendelkeznek. A csapat Tabar szerint néhány tényező asszociációs szintjén számos helyspecifikus eltérést talált.

"Ha megnézzük, mit tanult a modell, hatékonyan megtudhatjuk azokat a tényezőket, amelyek korrelációs szerepet játszhatnak a kábítószer-fogyasztási rendellenességekben szenvedőkkel" - mondta Yadav. "És miután megismerjük ezeket a tényezőket, sokkal pontosabban meg tudjuk jósolni, hogy szenved-e valaki szerhasználatot."

Hozzátette: "Tehát ha egy szakpolitikai tervező vagy intervenciós olyan programokat dolgozna ki, amelyek célja a kábítószer-visszaélések előfordulásának csökkentése, ez hasznos útmutatásokat nyújthat."

A KDD-tanulmány további szerzői: Dongwon Lee, egyetemi docens és Stephanie Winkler, doktorandusz, mindkettő a Penn Állami Információs és Technológiai Főiskolán; és a Sungkyunkwan Egyetem Heesoo parkja.

Yadav és Barman-Adhikari egy hasonló projekten dolgoznak, amelynek révén kifejlesztettek egy szoftverügynököt, amely személyre szabott rehabilitációs programokat tervez az opioid-függőséggel küzdő hajléktalan fiatalok számára. Szimulációs eredményeik azt mutatják, hogy a szoftverügynök - az úgynevezett CORTA (a mesterséges intelligencia által vezérelt átfogó opioid-válaszeszköz) - mintegy 110% -kal haladja meg az alapvonalakat az opioid-függőségben szenvedő hajléktalan fiatalok számának minimalizálása érdekében.

"Meg akartuk érteni, hogy mi ok-okozta probléma áll az ópiátfüggőség kialakulásának hátterében" - mondta Yadav. "És akkor ezeket a hajléktalan fiatalokat be akartuk osztani a megfelelő rehabilitációs programba."

Yadav elmagyarázza, hogy az Egyesült Államokban több mint 1400 hajléktalan fiatal által összegyűjtött adatokat használták fel AI-modellek felépítésére, hogy megjósolják az opioid-függőség valószínűségét e populáció körében. Miután elemezte azokat a kérdéseket, amelyek az opioid-függőség kiváltó okai lehetnek - például a nevelőszülői kórtörténet vagy az utcai erőszaknak való kitettség -, a CORTA újszerű optimalizálási megfogalmazásokat old meg személyre szabott rehabilitációs programok kijelölésére.

"Például, ha egy személynél azért alakult ki opioid-függőség, mert elszigetelődött vagy nem volt társadalmi köre, akkor talán rehabilitációs programjának részeként beszélnie kell egy tanácsadóval" - magyarázta Yadav.

"Másrészt, ha valakinek függősége alakult ki, mert depressziós volt, mert nem talált munkát vagy nem tudta kifizetni a számláit, akkor a karrier-tanácsadónak a rehabilitációs terv részét kell képeznie."

Yadav hozzátette: "Ha csak orvosilag kezeli az állapotot, miután visszatérnek a való világba, mivel az ok-okozati probléma továbbra is fennáll, valószínűleg visszaesnek."

Forrás: Penn State