AI နှင့် NLP ကိုအသုံးပြုခြင်းဖြင့် အထီးကျန်ခြင်းကို သိပ္ပံပညာရှင်များက ရှာဖွေတွေ့ရှိသည်။

ကယ်လီဖိုးနီးယားတက္ကသိုလ် San Diego ဆေးကျောင်းမှ သုတေသီများသည် သက်ကြီးရွယ်အိုများတွင် အထီးကျန်မှုကို တွက်ချက်ရန်နှင့် သက်ကြီးရွယ်အိုများ၏ စကားတွင် အထီးကျန်မှုကို မည်သို့ဖော်ပြနိုင်သည်ကို ဆုံးဖြတ်ရန် ဉာဏ်ရည်တု အယ်လဂိုရီသမ်များကို အသုံးပြုခဲ့သည်။

လွန်ခဲ့သော အနှစ်နှစ်ဆယ်ကျော်က လူမှုရေးသိပ္ပံပညာရှင်များက ဖော်ပြခဲ့ကြသည်။ အထီးကျန်ဆန်ခြင်း၏လမ်းကြောင်း လူဦးရေထဲမှာ။ အထူးသဖြင့် လွန်ခဲ့သည့်ဆယ်စုနှစ်များအတွင်း ပြုလုပ်ခဲ့သော လေ့လာမှုများအရ စိတ်ဓာတ်ကျမှုနှုန်း၊ သတ်သေမှုနှုန်း၊ မူးယစ်ဆေးဝါးသုံးစွဲမှုနှင့် အထွေထွေကျန်းမာရေးအပေါ် သက်ရောက်မှုရှိသည့် လူ့အဖွဲ့အစည်းအများအပြားတွင် အထီးကျန်မှုနှုန်း မြင့်တက်လာသည်ကို မှတ်တမ်းတင်ထားသည်။ ဤပြဿနာများသာဖြစ်သည်။ Covid-19 ကြောင့် ပိုဆိုးလာတယ်။ လူတို့သည် ဘေးကင်းစွာ တွေ့ဆုံ၍ လူချင်း ပေါင်းသင်းဆက်ဆံနိုင်ခြင်း မရှိသောကြောင့် ကပ်ရောဂါဖြစ်သည်။ အချို့သောအုပ်စုများသည် ဘေးဖယ်ထားသောအုပ်စုများနှင့် သက်ကြီးရွယ်အိုများကဲ့သို့ အလွန်အမင်းအထီးကျန်မှုကို ပိုမိုခံစားလွယ်သည်။ MedicalXpress မှာဖော်ပြထားတဲ့အတိုင်းပါပဲ။UC San Diego မှ ပြုလုပ်သော လေ့လာမှုတစ်ခုအရ အကြီးတန်းအိမ်ရာအသိုင်းအဝိုင်းများသည် အလယ်အလတ် သို့မဟုတ် ပြင်းထန်သော အထီးကျန်မှုကို ခံစားရကြောင်း တိုင်ကြားသူများကို ရေတွက်သည့်အခါတွင် အထီးကျန်မှုနှုန်း 85% အနီးသို့ ရောက်ရှိလာသည်ကို တွေ့ရှိခဲ့သည်။

ဤပြဿနာအတွက် ဖြေရှင်းနည်းများကို ဆုံးဖြတ်ရန်အတွက် လူမှုရေးသိပ္ပံပညာရှင်များသည် အခြေအနေကို တိကျမှန်ကန်သော အမြင်တစ်ခုရရှိရန် လိုအပ်ပြီး ပြဿနာ၏ အနက်နှင့် အနံကို ဆုံးဖြတ်ရန် လိုအပ်ပါသည်။ ကံမကောင်းစွာပဲ၊ အထီးကျန်ခြင်းဆိုင်ရာ အချက်အလက်စုဆောင်းခြင်းနည်းလမ်းအများစုသည် မှတ်သားဖွယ်ကောင်းသောအချက်များတွင် အကန့်အသတ်ရှိသည်။ ဥပမာအားဖြင့် မိမိကိုယ်ကို သတင်းပို့ခြင်းသည် အထီးကျန်မှု၏ ပြင်းထန်သောကိစ္စများတွင် ဘက်လိုက်နိုင်သည်။ ထို့အပြင်၊ လေ့လာမှုတွင်ပါဝင်သူများကို တိုက်ရိုက်မေးသည့်မေးခွန်းများသည် အထီးကျန်ဆန်မှုပတ်ဝန်းကျင်ရှိ လူမှုရေးဆိုင်ရာအမည်းစက်များကြောင့် တစ်ခါတစ်ရံတွင် ၎င်းတို့ခံစားရသည့် “အထီးကျန်ခြင်း” ကို တွက်ချက်ရန် တစ်ခါတစ်ရံ မှားယွင်းနိုင်သည်။

အထီးကျန်မှုကို တိုင်းတာရန်အတွက် ပိုမိုကောင်းမွန်သော မက်ထရစ်ကို ဒီဇိုင်းထုတ်ရန် ကြိုးပမ်းမှုတွင် လေ့လာမှု၏ ရေးသားသူများသည် သဘာဝဘာသာစကား လုပ်ဆောင်ခြင်းနှင့် စက်သင်ယူခြင်းသို့ ပြောင်းလဲခဲ့သည်။ သုတေသီများအသုံးပြုသော NLP နည်းလမ်းများကို သမားရိုးကျ အထီးကျန်ခြင်း တိုင်းတာခြင်းကိရိယာများနှင့်အတူ အသုံးပြုထားပြီး လူတို့၏ ဘာသာစကားအသုံးပြုမှု သဘာဝကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် လူတို့၏ အထီးကျန်မှုကို ဘက်လိုက်မှုနည်း၍ ပိုမိုရိုးသားသော ကိုယ်စားပြုမှုဆီသို့ ဦးတည်သွားလိမ့်မည်ဟု မျှော်လင့်ပါသည်။

လေ့လာမှုအသစ်၏အကြီးတန်းစာရေးသူမှာ UC San Diego ဆေးကျောင်းမှ စိတ်ရောဂါကု လက်ထောက်ပါမောက္ခ Ellen Lee ဖြစ်သည်။ Lee နှင့် အခြားသုတေသီများသည် အသက် 80 မှ 66 နှစ်ကြား ပါဝင်သူ 94 ကို ၎င်းတို့၏ လေ့လာမှုအား အာရုံစိုက်ခဲ့သည်။ လေ့လာမှုတွင် ပါဝင်သူများသည် အခြားလေ့လာမှုများထက် ပိုမိုသဘာဝကျပြီး ဖွဲ့စည်းပုံမရှိသော မေးခွန်းများကို ဖြေဆိုရန် သုတေသီများက တွန်းအားပေးခဲ့သည်။ သုတေသီများသည် မေးခွန်းများမေးပြီး အဖြေများကို အမျိုးအစားခွဲရုံမျှသာ မဟုတ်ပါ။ ပထမဆုံးစာရေးဆရာအဖြစ် Ph.D. machine learning နှင့် NLP ကိုအသုံးပြု၍ သုတေသနအဖွဲ့အား ဤရှည်လျားသောပုံစံအင်တာဗျူးအဖြေကိုရယူပြီး သိမ်မွေ့သောစကားလုံးရွေးချယ်မှုနှင့် စကားပြောပုံစံများသည် ပေါင်းစပ်သည့်အခါ အထီးကျန်မှုကို ညွှန်ပြနိုင်ကြောင်း ရှင်းပြခဲ့သည်- Varsha Badal၊

“NLP နှင့် machine learning တို့သည် လူများစွာထံမှ ရှည်လျားသော အင်တာဗျူးများကို စနစ်တကျ ဆန်းစစ်နိုင်ပြီး စိတ်ခံစားမှုကဲ့သို့သော သိမ်မွေ့သော အပြောအဆိုအင်္ဂါရပ်များသည် အထီးကျန်ခြင်းကို ညွှန်ပြနိုင်ပုံကို စူးစမ်းလေ့လာနိုင်စေပါသည်။ လူသားများ၏ အလားတူစိတ်ခံစားမှုခွဲခြမ်းစိတ်ဖြာမှုများကို ဘက်လိုက်မှု၊ လိုက်လျောညီထွေမှုကင်းမဲ့ပြီး စံချိန်စံညွှန်းသတ်မှတ်ရန် ကျယ်ပြန့်သောလေ့ကျင့်မှုများ လိုအပ်မည်ဖြစ်သည်။”

သုတေသနအဖွဲ့၏ အဆိုအရ အထီးကျန်သူများသည် အထီးကျန်မဟုတ်သော ဖြေဆိုသူများနှင့် နှိုင်းယှဉ်ပါက မေးခွန်းများကို တုံ့ပြန်ပုံတွင် သိသာထင်ရှားသော ကွဲပြားမှုများ ရှိခဲ့သည်။ အထီးကျန်တုံ့ပြန်သူများသည် အထီးကျန်မှုနှင့် ပတ်သက်သည့်မေးခွန်းများမေးသောအခါ ဝမ်းနည်းမှုပို၍ ယေဘူယျအားဖြင့် တုံ့ပြန်မှုပိုကြာသည်။ အမျိုးသားများသည် အမျိုးသမီးများထက် အထီးကျန်သည်ဟု ဝန်ခံနိုင်ခြေနည်းသည်။ ထို့အပြင် အမျိုးသားများသည် အမျိုးသမီးများထက် ပျော်ရွှင်မှု သို့မဟုတ် ကြောက်ရွံ့မှုကို ဖော်ပြသည့် စကားလုံးများကို အသုံးပြုလေ့ရှိကြသည်။

လေ့လာမှုရလဒ်များသည် အထီးကျန်ခြင်းအတွက် ပုံမှန်သုတေသနတိုင်းတာမှုများနှင့် လူတစ်ဦးချင်းစီ၏ ပုဂ္ဂလဓိဋ္ဌာန်ခံစားမှုနှင့် အထီးကျန်မှုကို ဖော်ပြပုံတို့ကြား ခြားနားချက်များကို ဖော်ထုတ်နိုင်ခဲ့ကြောင်း လေ့လာမှု၏သုတေသီများက ရှင်းပြခဲ့သည်။ လေ့လာမှု၏ရလဒ်များသည် စကားပြောပုံစံများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အထီးကျန်မှုကို သိရှိနိုင်သည်ဟု အဓိပ္ပာယ်ရပြီး အဆိုပါပုံစံများသည် ယုံကြည်စိတ်ချရကြောင်း သက်သေပြပါက သက်ကြီးရွယ်အိုများတွင် အထီးကျန်မှုကို ရှာဖွေဖော်ထုတ်ရန်နှင့် ကုသရန် ကူညီပေးနိုင်သည်။ သုတေသီများ ဒီဇိုင်းထုတ်ထားသော စက်သင်ယူမှု မော်ဒယ်များသည် အရည်အသွေးပိုင်း အထီးကျန်မှုကို ခန့်မှန်းခြေ 94% တိကျမှုဖြင့် ခန့်မှန်းနိုင်ခဲ့သည်။ မော်ဒယ်သည် ကြံ့ခိုင်မှုရှိမရှိနှင့် ၎င်း၏အောင်မြင်မှုကို ပုံတူပွားနိုင်သည်ဆိုသည်ကို ကြည့်ရှုရန် နောက်ထပ်သုတေသနပြုလုပ်ရန် လိုအပ်မည်ဖြစ်သည်။ တစ်ချိန်တည်းတွင်၊ သုတေသနအဖွဲ့၏အဖွဲ့ဝင်များသည် သက်ကြီးရွယ်အိုများတွင် ပြောင်းပြန်ဆက်စပ်မှုရှိသည့် ဉာဏ်ပညာနှင့် အထီးကျန်ခြင်းနှင့် မည်သို့ဆက်စပ်နိုင်သည်ကို NLP အင်္ဂါရပ်များက စူးစမ်းလေ့လာရန် မျှော်လင့်နေကြသည်။