هوش مصنوعی حالا می‌تواند میزان تنهایی شما را تشخیص دهد

محققان دانشکده پزشکی دانشگاه «کالیفرنیا، سن دیگو» در پژوهشی نشان داده‌اند که چگونه ابزارهای تحلیل گفتار هوش مصنوعی می‌توانند سطح تنهایی در سنین بالا را پیش‌بینی کنند.

پردازش زبان‌های طبیعی (NLP) برای تکنیک‌های مختلف پردازش یا تحلیل بخش بالایی از گفتارهای طبیعی یا پیام‌های بدون ساختار مورد استفاده قرار می‌گیرند. با پیشرفته شدن سیستم‌های هوش مصنوعی و یادگیری ماشینی، تحقیقات مختلفی درباره پیش‌بینی بیماری‌هایی مانند «PTSD» یا افسردگی تنها با گفتار طبیعی فرد صورت گرفته است.

اخیرا تیمی از دانشگاه کالیفرنیا از ابزارهای NLP برای تشخیص تنهایی استفاده کرده‌اند. نویسنده ارشد این پژوهش به نام «الن لی» به این موضوع اشاره می‌کند که اندازه‌گیری تنهایی به عنوان شرایط روانپزشکی دشوار است و از آنجایی که پزشکان در تعیین میزان تنهایی با مشکل مواجه می‌شوند، به یک ابزار برای اندازه‌گیری آن نیاز است.

در این پژوهش ۸۰ فرد مسن مورد بررسی قرار گرفت‌ و با هر فرد ۹۰ دقیقه مصاحبه شد. این مصاحبه‌ها رونویسی شده و سپس با کمک سیستم زبان طبیعی IBM مورد تجزیه و تحلیل قرار گرفت. این سیستم توانسته به تفاوت‌ها در گفتار مردان و زنان تنها پی ببرد.

نویسنده اول این مقاله که در ژونال «The American Journal of Geriatric Psychiatry» به چاپ رسیده، «وارشا بدل» اعلام کرده:

«NLP و یادگیری ماشینی به ما اجازه می‌دهد که به صورت سیستماتیک مصاحبه‌های طولانی از بسیاری از افراد را مورد بررسی قرار دهیم و متوجه شویم که کدام ویژگی‌های گفتاری مانند احساسات می‌توانند نشان‌دهنده تنهایی باشند.»

این سیستم هوش مصنوعی توانسته میزان تنهایی افراد را با دقت ۹۴ درصد تشخیص دهد. هرچقدر فرد احساس تنهایی بیشتری کند، پاسخش به سوالات مربوط به تنهایی طولانی‌تر خواهد بود. پژوهشگران پیشنهاد کرده‌اند که می‌توان از یک الگوی گفتار تنهایی برای نظارت روی سلامت افراد مسن استفاده کرد.

طبق این پژوهش، مردان در مصاحبه‌های طولانی خود بیشتر از کلمات ترسناک و شاد استفاده کرده‌اند، در حالی که زنان به طور صریح احساس تنهایی خود را بیان می‌کنند. در حالی که هم اکنون از چنین ابزارهایی برای تشخیص میزان تنهایی استفاده نمی‌شود، محققان به این موضوع اشاره می‌کنند که یافته‌های پژوهش جدید می‌تواند یک بینش درباره نحوه بیان تنهایی مردان و زنان در اختیار پزشکان قرار دهند.

در مرحله بعدی پژوهشگران اطلاعات دیگر مانند ردیابی با استفاده از GPS یا اطلاعات خواب را با یافته‌های خود ترکیب خواهند کرد.