Wyobraź sobie, że możesz przewidzieć poziom czyjegoś lęku, prosząc go jedynie o ocenę kilku zdjęć i odpowiedź na proste pytania. To właśnie osiągnęli naukowcy z Uniwersytetu Cincinnati i Uniwersytetu Northwestern dzięki swojemu systemowi “Comp Cog AI”. Łącząc sztuczną inteligencję z nauką o tym, jak nasze umysły przetwarzają informacje, stworzyli narzędzie, które z dużą dokładnością identyfikuje osoby mogące mieć problemy z lękiem.
Badanie, opublikowane w czasopiśmie “Mental Health Research”, objęło ponad 3000 uczestników z całych Stanów Zjednoczonych. Każda osoba oceniła serię łagodnie emocjonalnych obrazów z Międzynarodowego Systemu Obrazów Afektywnych (IAPS) oraz podała podstawowe informacje o sobie, takie jak wiek i postrzegane poczucie samotności. IAPS został opracowany przez Centrum Badań nad Emocjami i Uwagi na Uniwersytecie Florydy i dostarcza zestawu standardowych fotografii ocenianych pod względem ich emocjonalnej zawartości w kategoriach przyjemności (valence), pobudzenia (arousal) oraz kontroli (dominance).
System AI następnie analizował te dane, szukając wzorców w sposobie, w jaki ludzie reagowali na obrazy, i jak te reakcje łączyły się z ich poziomem lęku. Po przeprowadzeniu treningu, system Comp Cog AI był w stanie przewidzieć lęk z dokładnością do 81%, dając nadzieję na przyszłość, w której wyzwania związane ze zdrowiem psychicznym mogą być bardziej skutecznie identyfikowane i adresowane.
Główny autor, Sumra Bari, wyjaśnia: “Użyliśmy minimalnych zasobów obliczeniowych i małego zestawu zmiennych do przewidywania poziomów lęku. Ważny zestaw tych zmiennych kwantyfikuje procesy istotne dla osądu”.
Badanie działało w następujący sposób:
1. Zbieranie danych: Uczestnicy wypełnili zadanie oceny obrazów, przypisując oceny od -3 (bardzo nie podoba się) do +3 (bardzo podoba się) do 48 łagodnie emocjonalnych obrazów z IAPS. Odpowiedzieli również na pytania dotyczące wieku, postrzeganego poczucia samotności oraz informacji demograficznych.
2. Ekstrakcja cech: System AI wyodrębnił 15 kluczowych zmiennych związanych z osądem z danych oceny obrazów, takich jak awersja do straty, awersja do ryzyka i spójność nagród i awersji. Zmienne te kwantyfikują uprzedzenia w ocenie nagród/awersji i są związane z systemami mózgu odpowiedzialnymi zarówno za osąd, jak i lęk.
3. Trening i przewidywanie AI: Badacze użyli algorytmów Random Forest i zrównoważonego Random Forest do trenowania systemu AI na podzbiorze danych. AI używało zmiennych osądu i kontekstowych czynników do przewidywania poziomu lęku każdego uczestnika, mierzonego przez część dotycząca lęku w Skali Lęku Stanu i Cech (STAI).
4. Ocena modelu i interpretacja: Wyszkolony system AI został przetestowany na pozostałych danych, aby ocenić jego dokładność, czułość i specyficzność w przewidywaniu poziomów lęku. Badacze przeprowadzili także analizy mediacyjne i moderacyjne, aby zrozumieć, jak zmienne osądu i kontekstowe czynniki współdziałały, by modelować lęk.
Cztery najważniejsze predyktory – wiek, samotność, dochód gospodarstwa domowego i status zatrudnienia – przyczyniły się do 29-31% mocy predykcyjnej modelu, podczas gdy 15 zmiennych osądu kolektywnie przyczyniło się do 55-61%.
Współautor senior Aggelos Katsaggelos podkreślił znaczenie podejścia badania, stwierdzając: “Użycie zadania oceny obrazów z kontekstowymi zmiennymi wpływającymi na osąd może wydawać się proste, ale zrozumienie wzorców w preferencjach pozwala nam odkryć krytyczne komponenty dla szerokiego zestawu zachowań.”
Naukowcy widzą rozwój technologii Comp Cog AI jako aplikację przyjazną dla użytkownika dla dostawców opieki zdrowotnej, szpitali, a nawet wojska, aby szybko identyfikować osoby o wysokim ryzyku lęku. Bari zauważa: “Zadanie oceny obrazów może być używane do codziennego i bezstronnego monitorowania stanu zdrowia psychicznego osoby bez zadawania bezpośrednich pytań, które mogą wywołać negatywne lub niepokojące uczucia.”
Poprzednie badania wykorzystywały AI do pomocy w diagnozowaniu schizofrenii, a także opracowano narzędzia do dostarczania terapii AI osobom z zaburzeniami zdrowia psychicznego poprzez cyfrowych awatarów.
