AI algoritms var palīdzēt identificēt bezpajumtniekus, kuri ir pakļauti vielu ļaunprātīgai izmantošanai
Mākslīgā intelekta (AI) algoritms, ko izstrādājusi Penn State Informācijas zinātņu un tehnoloģiju koledžas pētnieku grupa, varētu palīdzēt prognozēt uzņēmību pret narkotiku lietošanas traucējumiem bezpajumtnieku jauniešu vidū un ieteikt personalizētas rehabilitācijas programmas šīm ļoti neaizsargātajām personām.
Kaut arī ir īstenotas daudzas programmas, lai risinātu narkotiku lietošanas izplatību bezpajumtnieku jauniešu vidū ASV, maz, ja tādas ir, ir iekļāvušas uz datiem balstītu ieskatu par vides un psiholoģiskajiem faktoriem, kas varētu veicināt personas varbūtību saslimt ar vielu lietošanu.
"Narkotiku lietošanas traucējumu proaktīva novēršana bezpajumtnieku jauniešu vidū ir daudz vēlamāka nekā reaktīvas mazināšanas stratēģijas, piemēram, traucējumu medicīniskā ārstēšana un citas ar to saistītas iejaukšanās," sacīja Amulya Yadav, informācijas zinātņu un tehnoloģiju docente un projekta galvenā pētniece. "Diemžēl lielākā daļa iepriekšējo proaktīvās profilakses mēģinājumu ir bijuši ad-hoc to īstenošanā."
Maryam Tabar, informātikas doktorante un šī dokumenta galvenā autore, piebilda: “Lai palīdzētu politikas veidotājiem principiālā veidā izstrādāt efektīvas programmas un politikas, būtu lietderīgi izstrādāt AI un mašīnmācīšanās risinājumus, kas automātiski var atklāt visaptverošu komplektu. faktoru, kas saistīti ar narkotiku lietošanas traucējumiem bezpajumtnieku jauniešu vidū. ”
Atzinumi tika prezentēti zināšanu atklāšanas datubāzēs (KDD) konferencē.
Projektam pētnieku grupa izveidoja modeli, izmantojot datus, kas savākti no aptuveni 1400 bezpajumtnieku jauniešiem vecumā no 18 līdz 26 gadiem sešos ASV štatos.
Datus apkopoja Pētniecības, izglītības un aizstāvības jaunatnes stabilitātes un plaukstoša koplaboratorija (REALYST), kurā ietilpst Anamika Barmana-Adhikari, Denveras universitātes sociālā darba docente un darba līdzautore.
Pēc tam pētnieku grupa identificēja vides, psiholoģiskos un uzvedības faktorus, kas saistīti ar vielu lietošanas traucējumiem, piemēram, kriminālā vēsture, viktimizācijas pieredze un garīgās veselības īpašības.
Viņi atklāja, ka nelabvēlīga bērnības pieredze un fiziska viktimizācija uz ielas ir vairāk saistīta ar narkotiku lietošanas traucējumiem nekā citi viktimizācijas veidi, piemēram, seksuāla viktimizācija bezpajumtnieku jauniešu vidū.
Turklāt tika konstatēts, ka posttraumatiskā stresa traucējumi (PTSS) un depresija šajā populācijā ir vairāk saistīta ar vielu lietošanas traucējumiem nekā citi garīgās veselības traucējumi.
Pēc tam komanda sadalīja savu datu kopu sešās mazākās datu kopās, lai apskatītu ģeogrāfiskās atšķirības. Viņi apmācīja atsevišķu modeli, lai prognozētu narkotiku lietošanas traucējumus bezpajumtnieku jauniešu vidū katrā no sešām valstīm, kurās ir atšķirīgi vides apstākļi, narkotiku legalizācijas politika un bandu asociācijas. Saskaņā ar Tabar teikto komanda dažu faktoru asociācijas līmenī atrada vairākas atrašanās vietai raksturīgas variācijas.
"Apskatot, ko modelis ir iemācījies, mēs varam efektīvi uzzināt faktorus, kuriem var būt korelācijas nozīme cilvēkiem, kuri cieš no narkotiku lietošanas traucējumiem," sacīja Jadavs. "Un, kad mēs zinām šos faktorus, mēs daudz precīzāk spējam paredzēt, vai kāds cieš no vielu lietošanas."
Viņš piebilda: "Tātad, ja politikas plānotājs vai intervētājs izstrādā programmas, kuru mērķis ir samazināt narkotisko vielu lietošanas traucējumu izplatību, tas varētu sniegt noderīgas vadlīnijas."
Citi KDD raksta autori ir Dongvons Lī, asociētais profesors, un Stefānija Vinklere, doktorante, abi Penn State Informācijas un tehnoloģiju koledžā; un Sungkyunkwan Universitātes Heesoo parks.
Yadav un Barman-Adhikari strādā pie līdzīga projekta, kura ietvaros viņi ir izstrādājuši programmatūras aģentu, kas izstrādā personalizētas rehabilitācijas programmas jauniešiem bez pajumtes, kas cīnās ar opioīdu atkarību. Viņu simulācijas rezultāti liecina, ka programmatūras aģents, saukts par CORTA (visaptverošs opioīdu reaģēšanas rīks, ko vada mākslīgais intelekts), pārspēj bāzes līnijas par aptuveni 110%, samazinot bezpajumtnieku jauniešu skaitu, kuri cieš no opioīdu atkarības.
"Mēs vēlējāmies saprast, kas ir cēloņsakarības dēļ cilvēkiem, kuriem attīstās atkarība no opiātiem," sacīja Jadavs. "Un tad mēs vēlējāmies šos jauniešus bezpajumtniekiem piešķirt atbilstošai rehabilitācijas programmai."
Yadav paskaidro, ka datus, ko savākuši vairāk nekā 1400 bezpajumtnieku jauniešu ASV, izmantoja AI modeļu veidošanai, lai prognozētu opioīdu atkarības iespējamību šajā populācijā. Pēc tam, kad ir analizēti jautājumi, kas varētu būt opioīdu atkarības cēlonis, piemēram, audžuģimenes vēsture vai vardarbība uz ielas, CORTA atrisina jaunus optimizācijas formulējumus, lai piešķirtu personalizētas rehabilitācijas programmas.
"Piemēram, ja kādam cilvēkam parādījās opioīdu atkarība tāpēc, ka viņš bija izolēts vai nebija sociālais loks, tad, iespējams, rehabilitācijas programmas ietvaros viņiem jārunā ar konsultantu," paskaidroja Yadav.
"No otras puses, ja kādam rodas atkarība, jo viņš ir nomākts, jo nevar atrast darbu vai samaksāt rēķinus, tad karjeras konsultantam vajadzētu būt rehabilitācijas plāna daļai."
Yadav piebilda: "Ja jūs vienkārši ārstējat stāvokli medicīniski, tiklīdz viņi atgriežas reālajā pasaulē, jo cēloņsakarība joprojām pastāv, viņi, visticamāk, atkārtosies."
Avots: Penn State
