Wetenschappers detecteren eenzaamheid met behulp van AI en NLP

Onderzoekers van de Universiteit van Californië in San Diego hebben gebruik gemaakt van kunstmatige intelligentie-algoritmes om eenzaamheid bij ouderen te kwantificeren en te bepalen hoe ouderen mogelijk eenzaamheid in hun spraak uiten.

In de afgelopen twintig jaar hebben sociale wetenschappers een trend van toenemende eenzaamheid in de bevolking beschreven. Studies die in het bijzonder in de afgelopen tien jaar zijn uitgevoerd, hebben stijgende eenzaamheidscijfers gedocumenteerd in grote delen van de samenleving, wat gevolgen heeft voor depressie, zelfmoord, drugsgebruik en algemene gezondheid. Deze problemen worden alleen verergerd door de Covid-19 pandemie, omdat mensen niet veilig kunnen samenkomnen en sociaal contact kunnen hebben. Bepaalde groepen zijn kwetsbaarder voor extreme eenzaamheid, zoals gemarginaliseerde groepen en ouderen. Zoals MedicalXpress rapporteerde, vond een studie van UC San Diego dat seniorenwoningen eenzaamheidscijfers hadden die dicht bij 85% lagen toen men mensen meerekende die matige of ernstige eenzaamheid ervoeren.

Om oplossingen voor dit probleem te vinden, moeten sociale wetenschappers een nauwkeurig beeld krijgen van de situatie, zowel de diepte als de breedte van het probleem. Helaas zijn de meeste methoden voor het verzamelen van gegevens over eenzaamheid beperkt in opvallende opzichten. Zelfrapportage kan bijvoorbeeld bevooroordeeld zijn naar de meer extreme gevallen van eenzaamheid. Bovendien kunnen vragen die rechtstreeks aan deelnemers van de studie vragen om hun eenzaamheid te kwantificeren, soms onnauwkeurig zijn vanwege sociale stigma’s rondom eenzaamheid.

In een poging om een betere maatstaf voor het meten van eenzaamheid te ontwikkelen, keerden de auteurs van de studie zich tot natuurlijke taalverwerking en machine learning. De NLP-methoden die door de onderzoekers werden gebruikt, worden gebruikt naast traditionele eenzaamheidsmetingstools, en het is de bedoeling dat het analyseren van de natuurlijke manier waarop mensen taal gebruiken, leidt tot een minder bevooroordeelde, eerlijkere weergave van mensen hun eenzaamheid.

De senior auteur van de studie was Ellen Lee, assistent-professor in de psychiatrie aan de School of Medicine van de UC San Diego. Lee en de andere onderzoekers richtten hun studie op 80 deelnemers in de leeftijd van 66 tot 94 jaar. Deelnemers aan de studie werden aangemoedigd door de onderzoekers om vragen te beantwoorden op een manier die meer natuurlijk en ongestructureerd was dan in de meeste andere studies. De onderzoekers stelden niet alleen vragen en classificeerden antwoorden. Zoals de eerste auteur Ph.D. Varsha Badal uitlegde, stelde het gebruik van machine learning en NLP de onderzoeksgroep in staat om deze lange, ongestructureerde interviewantwoorden te nemen en te onderzoeken hoe subtiele woordkeuze en spraakpatronen indicatief konden zijn voor eenzaamheid wanneer ze samen werden genomen:

“NLP en machine learning stellen ons in staat om systematisch lange interviews van veel individuen te onderzoeken en te onderzoeken hoe subtiele spraakkenmerken zoals emoties eenzaamheid kunnen aanduiden. Soortgelijke emotieanalyses door mensen zouden vatbaar zijn voor vooroordeel, zouden niet consistent zijn en zouden uitgebreide training vereisen om te standaardiseren.”

Volgens het onderzoeksteam hadden individuen die eenzaam waren, opvallende verschillen in de manier waarop ze op vragen reageerden in vergelijking met niet-eenzaam respondenten. Eenzaam respondenten zouden meer verdriet uiten wanneer ze vragen over eenzaamheid kregen en hadden in het algemeen langere antwoorden. Mannen waren minder geneigd om te zeggen dat ze zich eenzaam voelden dan vrouwen. Bovendien waren mannen meer geneigd om woorden te gebruiken die vreugde of angst uitdrukten dan vrouwen.

De onderzoekers van de studie legden uit dat de resultaten hielpen om de verschillen tussen typische onderzoeksmaatstaven voor eenzaamheid en de manier waarop individuen subjectief eenzaamheid ervaren en beschrijven, te verduidelijken. De resultaten van de studie impliceren dat eenzaamheid kan worden gedetecteerd door de analyse van spraakpatronen, en als deze patronen betrouwbaar blijken te zijn, kunnen ze helpen bij het diagnosticeren en behandelen van eenzaamheid bij ouderen. De machine learning-modellen die door de onderzoekers zijn ontwikkeld, konden kwalitatieve eenzaamheid met ongeveer 94% nauwkeurigheid voorspellen. Verdere onderzoek zal nodig zijn om te zien of het model robuust is en of het succes kan worden gerepliceerd. Ondertussen hopen de leden van het onderzoeksteam te onderzoeken hoe NLP-kenmerken mogelijk correleren met wijsheid en eenzaamheid, die een omgekeerde correlatie hebben bij ouderen.