AI:s potential att upptäcka ensamhet
Studie avslöjar AI:s potential att upptäcka ensamhet genom att dechiffrera talmönster
I en studie publicerad i Psychiatry Research har forskare upptäckt att artificiell intelligens (AI) kan upptäcka ensamhet genom att analysera ostrukturerat tal. Denna forskning erbjuder nya lovande metoder för att identifiera och ta itu med ensamhet, särskilt hos äldre, genom en nyanserad analys av hur människor kommunicerar.
Ensamhet är en genomgripande fråga som påverkar människor i alla åldrar, där äldre är särskilt utsatta. Definierat som ångest orsakat av en klyfta mellan önskade och faktiska relationer, kan ensamhet avsevärt påverka både mental och fysisk hälsa. Problemet förvärras av åldersrelaterade faktorer som förlust av nära och kära, nedsatt rörlighet och hälsoproblem.
Traditionella bedömningar av ensamhet bygger på självrapporteringsskalor som UCLA Loneliness Scale och DeJong Gierval Scale, som kan vara tidskrävande och föremål för fördomar. Forskarna insåg dessa problem och syftade till att utveckla en AI-modell som kunde analysera taldata för att upptäcka ensamhet och därigenom erbjuda en mer skalbar och mindre påträngande bedömningsmetod.
"konsekvenserna av ensamhet och social isolering kan vara förödande när vi åldras. Det här har varit något som mina patienter har rapporterat ett tag och jag ville veta vad vi kan göra för att bekämpa detta växande problem", säger Ellen E. Lee, docent vid UC San Diego och anställd psykiater vid San Diego VA Healthcare System.
Studien inkluderade 97 äldre i åldrarna 66 till 101 år som bor självständigt i ett äldreboende i södra Kalifornien.
För att samla in sociodemografisk data genomförde utbildad studiepersonal kliniska intervjuer.
Data som samlades in inkluderar ålder, kön vid födseln, etnisk härkomst, utbildningsår och civilstånd.
Det primära bedömningsverktyget för ensamhet var UCLA Loneliness Scale (version 3), en validerad 20-objekt självrapportundersökning som mäter olika aspekter av social funktion utan att uttryckligen använda ordet "ensam". Deltagarna kategoriserades som ensamm eller inte ensamma baserat på deras poäng på denna skala.
Kvalitativa intervjuer omfattande sex huvudämnen: sociala relationer, ensamhet, framgångsrikt åldrande, mening med livet, visdom och teknikanvändning. Dessa semistrukturerade intervjuer genomfördes av en enda intervjuare och bandades och transkriberades.
Med hjälp av de språkliga egenskaperna extraherade från intervjuutskrifterna utvecklade forskarna en AI-modell baserade på transformatorns neurala nätverk. Förklarbara AI-tekniker(XAI) användes flr att identifiera vilka aspekter av taldata som mest tydde på ensamhet. Analysen avslöjade att både semantiska och icke-semantiska element i tal var signifikanta indikatorer.
De semantiska elementen i talet, som relaterar till ordens betydelse och innehåll, avslöjade att ensamma individer ofta refererar till social status, religion och uttryckte mer negativa känslor.
Till exempel, i diskussioner om meningen och syftet med livet, nämnde ensamma deltagare ofta social status och religion mer framträdande. Detta tyder på att dessa individer kanske söker validering eller tröst i dessa områden.
Omvänt talade icke-ensamma individer om familj och livsstil, vilket tyder på sociala kontakter och aktiviteter som sannolikt bidrar till deras känsla av tillfredsställelse och gemenskap.
Användningen av personliga pronomen varierade också avsevärt. Ensamma individer använde oftare första-person-singular-pronomen som "jag" och "mitt", vilket återspeglar ett mer själviskt perspektiv. Däremot använde icke-ensamma individer första person-person-plural-pronomen som "vi" och "vårt", vilket tyder på en större känsla av inkludering och koppling till andra. Detta överensstämmer med förståelsen att ensmhet ofta åtföljs at en ökad känsla av isolering och självfokus.
"Vi fann att ord med icke-sociala teman också reflekterade ensamhet beroende på de olika typerna av intervjufrågor och uppmaningar," sa Lee. "Till exempel använder ensamma individer fler känsloadjektiv när de ombads att beskriva visdom. Detta kan spegla hur vi tenderar att svara på olika frågor när vi känner oss ensamma eller lyfta fram andra egenskaper eller upplevelser som är relaterade till ensamhet."
Icke-semantiska element, som inkluderar aspekter av tal som förmedlar hur något sägs snarare än vad som sägs, var också kritiska indikatorer på ensamhet. Studien fann att utfyllnadsord (t.ex. "öh", "um"), icke-flytande (upprepningar, tjuvstarter) och internetslang (t.ex. "lol") var vanligare i ensamma individers tal.
Dessutom var användningen av kausalitetskonjuktioner (t.ex. "eftersom", "därför") vanligare bland ensamma individer, vilket tyder på en tendens att ge mer detaljerade och kanske rationaliserade förklaringar av sina upplevelser.
Fynden ger bevis på att "sättet vi kommunicerar kan spegla våra känslor om sociala relationer", sa Lee. "Nyare AI-metoder som gör att vi kan öppna den "svarta lådan" och hur språk kan kopplas till social funktion."
Men studien, som all forskning, har sina begränsningar. "Dessa fynd kommer från ett relativt litet urval av äldre i San diego, som i allmänhet var välutbildade och främst vita," noterade Lee. "Våra modeller kan hjälpa till att skapa nya hypoteser om olika koncept, men vi kommer att behöva fler inkluderade och mångsidiga deltagare för att bygga opartiska och informativa modeller."
"Vi hoppas kunna utöka vårt arbete till fler olika befolkningsgrupper, titta på äldre med allvarliga psykiska sjukdomar och förstå hur man bättre kan bedöma ensamhet för att fånga ensamhetens stora heterogenitet och personliga natur."
Kommentarer
Skicka en kommentar