Φανταστείτε να είστε σε θέση να προβλέψετε το επίπεδο άγχους κάποιου ατόμου, απλά και μόνο βάζοντάς τον να αξιολογήσει μερικές εικόνες και να απαντήσει σε μερικές απλές ερωτήσεις.

Αυτό ακριβώς κατάφεραν ερευνητές από το Πανεπιστήμιο του Σινσινάτι και το Πανεπιστήμιο Northwestern με το σύστημα “Comp Cog AI“.

Συνδυάζοντας την τεχνητή νοημοσύνη με την επιστήμη του πώς το μυαλό μας επεξεργάζεται τις πληροφορίες, δημιούργησαν ένα εργαλείο που μπορεί να εντοπίσει με ακρίβεια τους ανθρώπους που μπορεί να παλεύουν με το άγχος.

Στη μελέτη, που δημοσιεύθηκε στο Mental Health Research, συμμετείχαν πάνω από 3.000 συμμετέχοντες από όλες τις ΗΠΑ.

Κάθε άτομο βαθμολόγησε μια σειρά ήπιων συναισθηματικών εικόνων από το Διεθνές Σύστημα Συναισθηματικών Εικόνων (International Affective Picture System – IAPS) και παρείχε βασικές πληροφορίες για τον εαυτό του, όπως η ηλικία και η αντιλαμβανόμενη μοναξιά.

Το IAPS αναπτύχθηκε από το Κέντρο για τη Μελέτη του Συναισθήματος και της Προσοχής στο Πανεπιστήμιο της Φλόριντα. Παρέχει ένα τυποποιημένο σύνολο φωτογραφιών που βαθμολογούνται για το συναισθηματικό τους περιεχόμενο ως προς την αξία (ευχάριστη διάθεση), τη διέγερση (ένταση) και την κυριαρχία (έλεγχος).

Στη συνέχεια, το σύστημα τεχνητής νοημοσύνης ανέλυσε αυτά τα δεδομένα, αναζητώντας μοτίβα στον τρόπο με τον οποίο οι άνθρωποι αντιδρούσαν στις εικόνες και πώς αυτές οι αντιδράσεις σχετίζονταν με τα επίπεδα άγχους τους.

Μετά από εκπαίδευση, το σύστημα τεχνητής νοημοσύνης Comp Cog μπόρεσε να προβλέψει το άγχος με ακρίβεια έως και 81%, προσφέροντας ελπίδα για ένα μέλλον όπου οι προκλήσεις της ψυχικής υγείας θα μπορούν να εντοπίζονται και να αντιμετωπίζονται αποτελεσματικότερα.

Όπως εξηγεί η επικεφαλής συγγραφέας Sumra Bari, “χρησιμοποιήσαμε ελάχιστους υπολογιστικούς πόρους και ένα μικρό σύνολο μεταβλητών για να προβλέψουμε τα επίπεδα άγχους. Ένα σημαντικό σύνολο αυτών των μεταβλητών ποσοτικοποιεί διαδικασίες σημαντικές για την κρίση”.

Δείτε περισσότερα για το πώς λειτούργησε η μελέτη:

• Συλλογή δεδομένων: Οι συμμετέχοντες συμπλήρωσαν ένα έργο αξιολόγησης εικόνων, αποδίδοντας βαθμολογίες από -3 (δεν τους αρέσει πολύ) έως +3 (τους αρέσει πολύ) σε 48 ήπια συναισθηματικές εικόνες από το IAPS. Απάντησαν επίσης σε ερωτήσεις σχετικά με την ηλικία τους, την αντιλαμβανόμενη μοναξιά και δημογραφικές πληροφορίες.
• Εξαγωγή χαρακτηριστικών: Το σύστημα τεχνητής νοημοσύνης εξήγαγε 15 βασικές μεταβλητές κρίσης από τα δεδομένα αξιολόγησης εικόνων, όπως η αποστροφή απώλειας, η αποστροφή κινδύνου και η συνέπεια αποστροφής ανταμοιβής. Αυτές οι μεταβλητές ποσοτικοποιούν τις προκαταλήψεις στις κρίσεις ανταμοιβής/αποφυγής και έχουν συνδεθεί με εγκεφαλικά συστήματα που εμπλέκονται τόσο στην κρίση όσο και στο άγχος.
• Εκπαίδευση και πρόβλεψη ΤΝ: Οι ερευνητές χρησιμοποίησαν τους αλγορίθμους μηχανικής μάθησης Random Forest και balanced Random Forest για να εκπαιδεύσουν το σύστημα AI σε ένα υποσύνολο των δεδομένων. Η ΤΝ χρησιμοποίησε τις μεταβλητές κρίσης και τους παράγοντες περιβάλλοντος για να προβλέψει το επίπεδο άγχους κάθε συμμετέχοντα, όπως μετρήθηκε από το τμήμα άγχους κατάστασης του State-Trait Anxiety Inventory (STAI).
• Αξιολόγηση και ερμηνεία του μοντέλου: Το εκπαιδευμένο σύστημα ΤΝ δοκιμάστηκε στα υπόλοιπα δεδομένα για να αξιολογηθεί η ακρίβεια, η ευαισθησία και η ειδικότητά του στην πρόβλεψη των επιπέδων άγχους. Οι ερευνητές διεξήγαγαν επίσης αναλύσεις διαμεσολάβησης και μετριοπάθειας για να κατανοήσουν πώς οι μεταβλητές κρίσης και οι παράγοντες του πλαισίου αλληλεπιδρούσαν στο μοντέλο του άγχους.

Οι τέσσερις πιο σημαντικοί προγνωστικοί παράγοντες – ηλικία, μοναξιά, εισόδημα νοικοκυριού και κατάσταση απασχόλησης – συνεισέφεραν το 29-31% της προβλεπτικής δύναμης του μοντέλου, ενώ οι 15 μεταβλητές κρίσης συνεισέφεραν συνολικά το 55-61%.

Ο συν-συγγραφέας Άγγελος Κατσάγγελος υπογράμμισε τη σημασία της προσέγγισης της μελέτης, δηλώνοντας: “Η χρήση μιας εργασίας αξιολόγησης εικόνων με μεταβλητές πλαισίου που επηρεάζουν την κρίση μπορεί να φαίνεται απλή, αλλά η κατανόηση των προτύπων προτίμησης μας επιτρέπει να αποκαλύψουμε τα κρίσιμα συστατικά για ένα μεγάλο σύνολο συμπεριφορών”.

Οι ερευνητές οραματίζονται να αναπτύξουν την τεχνολογία τεχνητής νοημοσύνης Comp Cog σε μια φιλική προς το χρήστη εφαρμογή για παρόχους υγειονομικής περίθαλψης, νοσοκομεία, ακόμη και το στρατό, ώστε να εντοπίζουν γρήγορα άτομα με υψηλό κίνδυνο άγχους.

Όπως σημειώνει η Bari, “η εργασία αξιολόγησης εικόνων μπορεί να χρησιμοποιηθεί για την παραγωγή καθημερινών και αμερόληπτων στιγμιότυπων της κατάστασης της ψυχικής υγείας ενός ατόμου χωρίς να υποβάλλονται άμεσες ερωτήσεις που μπορεί να προκαλέσουν αρνητικά ή ενοχλητικά συναισθήματα”.

Προηγούμενες έρευνες αξιοποίησαν την τεχνητή νοημοσύνη για να βοηθήσουν στη διάγνωση της σχιζοφρένειας, ενώ έχουν αναπτυχθεί εργαλεία για την παροχή θεραπείας με τεχνητή νοημοσύνη σε άτομα με ψυχικές παθήσεις μέσω ψηφιακών άβαταρ.