به گزارش گروه علم وفناوری ایسکانیوز، دانشمندان پس از مطالعه ویژگی‌های ظریف سخنرانی روزمره مردم اعلام کردند که زبان سرنخ هایی را درباره خطرات آینده در زمینه روان‌پریشی ارائه می‌دهد.

محققان دانشگاه Emory در آتلانتا و دانشگاه هاروارد در بوستون، از روش یادگیری ماشین برای تجزیه و تحلیل زبان یک گروه از افراد جوان در معرض خطر استفاده کردند.

آنها با دقت 93٪ ابتلای افراد به روان پریشی را پیش‌بینی کردند.

«Phillip Wolff»، استاد روانشناسی دانشگاه Emory، اعلام کرد که تحقیقات پیشین قبلا ثابت کرده که ویژگی های ظریف روان درمانی در زبان مردم وجود دارد. با این حال خاطرنشان کرد که از یادگیری ماشین برای کشف جزئیات پنهان در مورد این ویژگی ها استفاده کرده ایم.

او و همکارانش رویکرد یادگیری ماشین را برای اندازه گیری دو متغیر زبانی تراکم معنایی و استفاده از کلمات مربوط به صدا استفاده کردند و نتیجه گرفتند که روان‌پریشی با تراکم معناشناسی کم همراه است.

تراکم معناشناختی کم، یک معیار از چیزی است که تیم ار آن به «فقر محتوا» نام می برد.

این مطالعه نشان می دهد که شاخص های سلامت روان را می توان از زبان طبیعی مردم و با استفاده از روش های محاسبات استخراج کرد.

علائم یادگیری ماشین و روان‌درمانی

یادگیری ماشین نوعی از هوش مصنوعی است که در آن کامپیوترها بدون برنامه ریزی با استفاده از تجربه یاد می گیرند.

یک سیستم یادگیری ماشین برای الگوهای موجود در یک مجموعه شناخته شده، داده ها را جستجو می کند و تصمیم می گیرد که کدام الگوها ویژگی های خاصی را دارا هستند. پس از آموختن این ویژگی‌ها، می تواند به صورت خستگی ناپذیر مجموعه‌ای جدید از داده ها را شناسایی کند.

یادگیری ماشین می‌تواند الگوهای استفاده از زبان مردم را تشخیص دهد که حتی پزشکان آموزش دیده متوجه آن نمی‌شوند.

نگین رضایی، یکی از همکاران گروه Neurology در دانشکده پزشکی هاروارد، توضیح می دهد که تلاش برای شنیدن این ظرافت‌ها در گفت وگو با مردم مانند تلاش برای دیدن میکروب های میکروسکوپی با چشم است. یادگیری ماشین می تواند برای پیدا کردن برخی از الگوهای ظریف مخفی در زبان مردم موفق باشد.

روانپریشی یا سایکوزیس (به انگلیسی: Psychosis) به معنای وضعیت روانی غیرطبیعی‌ای است که در روانپزشکی برای بیان حالت «از دست رفتن توانایی تفریق واقعیت از خیال» به‌کار می‌رود. سایکوز دربرگیرنده دسته ای از اختلالات روانی است که در طول آن‌ها بیمار دچار علایمی مانند توهم یا هذیان شود. هر گاه این علایم در افراد منجر به بروز اختلال در کارکرد یا بروز دیسترس شود، می‌توان نام اختلال را بر آن گذاشت. دو مشخصه بارز آن شامل هذیان (بیان غیرعمد درک نادرست از واقعیات) و توهم (دیدن یا شنیدن غیرعمد چیزی که اساساً نبوده و نیست) است.

در یک قسمت روان پریشی، فرد ممکن است رفتار نامناسب را از خود نشان دهد و یا به طور ناهماهنگ صحبت کند. علاوه بر این، ممکن است دچار اختلال خواب، افسرده و مضطرب شوند.

طبق آمار موجود از موسسه ملی بهداشت روان که یکی از مؤسسات ملی بهداشت (NIH) است، در ایالات متحده، حدود 3 درصد از مردم در طول زندگی خود، دوره ای از روان درمانی را تجربه خواهند کرد.

بهبود تشخیص زودهنگام خطر روان‌پریشی

روان پریشی یکی از نشانه های اسکیزوفرنی و سایر شرایط شدید روانی درازمدت است.

نشانه های هشدار دهنده روان‌پریشی معمولا در اواسط و پایان سال نوجوانان با خوشه ای از نشانه‌های روانپزشکی که پزشکان از آن به عنوان سندرم پیش آگهی یاد می کنند، شروع می شود.

در حدود 25 تا 30 درصد از نوجوانانی که سندروم پیش آگهی دارند، یک بیماری روانگردان مانند اسکیزوفرنی ایجاد می شود.

پزشکان با آموزش مناسب با دقت حدود 80٪ و با استفاده از مصاحبه ها و آزمون های توانایی شناختی، می‌توانند پیش بینی کنند که در کدام فرد مبتلا به سندروم پیش آگاهی، رشد روان درمانی ادامه خواهد یافت.

دانشمندان در تلاش‌ا‌ند تا با بهبود این پیش بینی روند تشخیص دقیق تر و ساده تری را انجام دهند و یادگیری ماشین یکی از این روش هاست.

پروفسور Wolff و تیم او با استفاده از سیستم یادگیری ماشین خود برای شناسایی هنجارهای زبان گفت وگو روزمره مطالعه خود را شروع کردند. آنها از گفت وگوهای آنلاین سیستم 30،000 کاربر Reddit استفاده کردند. Reddit یک خبر آنلاین، رتبه بند محتوا و پلت فرم بحث است که کاربران در آن در مورد موضوعات مختلف صحبت می‌کنند.

این تیم از نرم افزار Word2Vec برای تجزیه و تحلیل کلمات فردی در مکالمه استفاده کرد. نقشه کلمات در این نرم افزار به صورتی است که آن هایی که دارای معانی مشابه هستند در یک فضای معنایی نزدیک هم قرار می گیرند.

محققان یک برنامه دیگر را برای افزودن توانایی آن در تجزیه و تحلیل معنایی به سیستم افزودند.

با این حال، تراکم معنایی یک گام فراتر از ارزیابی چگونگی سازماندهی کلمات در جملات است. این یک شاخص بهتر از فرآیندهای ذهنی است.

پس از آموزش سیستم یادگیری ماشین برای ایجاد یک پایه عادی، تیم از گفت وگو با 40فرد موجود در مطالعات (Prodrome North American (NAPLS استفاده کرد.

NAPLS پروژه 14 ساله است که هدف آن ارتقای توانایی پزشکان برای تشخیص جوانان در معرض خطر روان پریشی و درک دلایل آن است.

تیم سپس تجزیه و تحلیل یادگیری ماشین مکالمات NAPLS را با داده‌های پایه مقایسه کرد.

نتایج نشان داد که شرکت کنندگانی که روان پریشی در آن ها توسعه یافت تمایل داشتند که واژه های مرتبط با صدا نسبت به خط پایه بیشتری را استفاده کنند و نیز از کلمات با معانی مشابه بیشتر استفاده می کردند.

دانشمندان اعلام کردند با استفاده از این روش اگر بتوان افرادی که به سمت روان پریشی می روند را شناسایی کرد می‌توان با استفاده از مداخلات پیشگیرانه نقص ها را معکوس کرد.

محققان هم اکنون به دنبال جمع آوری داده های گسترده تر و برنامه هایی برای تست تکنیک یادگیری ماشین جدید روی دیگر بیماری ها، از جمله افراد مبتلا به زوال عقل هستند.

انتهای پیام/