AI rīks izmanto sociālos tīklus, lai apkarotu vielu ļaunprātīgu izmantošanu
Kad runa ir par narkotiku apkarošanu, pētījumi liecina, ka jūsu turētais uzņēmums var atšķirt atveseļošanos un recidīvu.
Lai gan grupas iejaukšanās programmām var būt nozīmīga loma narkotisko vielu ļaunprātīgas izmantošanas novēršanā, tās arī nejauši var pakļaut dalībniekus negatīvai uzvedībai.
Pētnieki no Dienvidkalifornijas Universitātes (USC) Mākslīgā intelekta sabiedrībā centra ir izveidojuši algoritmu, kas intervences programmās sašķir dalībniekus, kuri brīvprātīgi strādā pie atveseļošanās mazākās grupās tādā veidā, lai uzturētu noderīgus sociālos sakarus un pārtrauktu sociālos sakarus, kurus varētu radīt kaitē atveseļošanai.
"Mēs zinām, ka atkarību no narkotikām ļoti ietekmē sociālā ietekme, citiem vārdiem sakot, ar kuriem jūs esat draugi," sacīja Aida Rahmattalabi, USC datorzinātņu absolvente un pētījuma galvenā autore. "Lai uzlabotu iejaukšanās efektivitāti, jums jāzina, kā cilvēki ietekmēs viens otru grupā."
Rahmattalabi un pētnieki no USC Viterbi inženieru skolas, USC Suzanne Dworak-Peck Sociālā darba skolas un Denveras universitātes sadarbojās ar Denverā bāzētu bezpeļņas uzņēmumu Urban Peak, kas kalpo bezpajumtniekiem, lai izstrādātu algoritmu, kuru viņi cer palīdzēs novērst vielu ļaunprātīgu izmantošanu.
Rezultāti parādīja, ka algoritms darbojas ievērojami labāk nekā kontroles stratēģijas grupu veidošanai, norāda pētnieki.
Katru gadu līdz pat diviem miljoniem bērnu ASV piedzīvos bezpajumtniecību, un aplēses liecina, ka no 39 līdz 70 procentiem jauniešu bezpajumtnieku lieto narkotikas vai alkoholu.
Vielu ļaunprātīgas izmantošanas iniciatīvas, piemēram, grupu terapija, var piedāvāt atbalstu, mudinot bezpajumtniekus jauniešus dalīties pieredzē, apgūt pozitīvas pārvarēšanas stratēģijas un veidot veselīgus sociālos tīklus.
Bet, ja šīs grupas nav pareizi strukturētas, tās var saasināt problēmas, kuras tās plāno ārstēt, veicinot draudzības veidošanos, pamatojoties uz antisociālu uzvedību, atzīmē pētnieki. Tas ir process, kas sociālajā darbā ir pazīstams kā “novirzes apmācība”, kad vienaudži pastiprina viens otru deviantas uzvedības dēļ, skaidro pētnieki.
Komanda risināja šo problēmu no mākslīgā intelekta viedokļa, izveidojot algoritmu, kas ņem vērā to, kā apakšgrupas indivīdi ir saistīti - viņu sociālās saites - un viņu iepriekšējo vielu ļaunprātīgas lietošanas vēsturi.
Aptaujas dati, kas brīvprātīgi iegūti no bezpajumtnieku jauniešiem Losandželosā, kā arī uzvedības teorijas un iepriekšējo iejaukšanos novērojumi tika izmantoti, lai izveidotu iejaukšanās skaitļošanas modeli.
"Pamatojoties uz to, mums ir ietekmes modelis, kas izskaidro, cik iespējams, ka indivīds pieņem negatīvu uzvedību vai maina negatīvu uzvedību, pamatojoties uz viņu dalību grupā," sacīja Rahmattalabi. "Tas palīdz mums paredzēt, kas notiek, kad mēs grupējam cilvēkus mazākās grupās."
Varbūt visvairāk pārsteidzošais atklājums bija tas, ka pretēji izplatītajai intuīcijai vienmērīgu vielu lietotāju vienmērīga sadalīšana apakšgrupās nav optimāls veids, kā izveidot veiksmīgu iejaukšanos, viņa atzīmēja.
"Vienveidīgs lietotāju sadalījums, ignorējot viņu esošās attiecības, var ievērojami samazināt šo iejaukšanās panākumu līmeni," viņa teica.
Turklāt analīze liecina, ka dažreiz intervences veikšana faktiski var nelabvēlīgi ietekmēt grupu.
"Dažos gadījumos mēs atklājām, ka ir slikta ideja veikt iejaukšanos. Piemēram, ja grupā ir daudz augsta riska cilvēku, labāk tos nesaistīt ar personām ar zemu riska pakāpi, ”viņa teica.
Tā kā algoritmam tiek pievienoti jauni dati, pētnieki cer, ka tas pielāgosies mainīgajiem apstākļiem, atklājot, kā sociālie tīkli attīstās intervences programmas laikā. Pētnieki teica, ka tas varētu ļaut intervences speciālistiem noteikt, kā iejaukšanās veidos dalībnieku rezultātus.
Pētnieki turpina strādāt ar Urban Peak un 2018. gada rudenī Denverā plāno izvietot rīku, lai optimizētu iejaukšanās grupas stratēģijas bezpajumtniekiem.
Pētījums Influence Maximization for Social Network Based Substance Abuse Prevention tika publicēts AAAI konferencē par mākslīgā intelekta studentu abstrakto sadaļu.
Avots: Dienvidkalifornijas Universitāte
