Wetenschappers detecteren eenzaamheid door het gebruik van AI en NLP

Onderzoekers van de San Diego School of Medicine van de Universiteit van Californië hebben algoritmen van kunstmatige intelligentie gebruikt om eenzaamheid bij oudere volwassenen te kwantificeren en te bepalen hoe oudere volwassenen eenzaamheid in hun spraak kunnen uiten.

In de afgelopen twintig jaar hebben sociale wetenschappers beschreven een trend van toenemende eenzaamheid bij de bevolking. Studies die met name in de afgelopen tien jaar zijn uitgevoerd, hebben stijgende eenzaamheidspercentages in grote delen van de samenleving gedocumenteerd, wat gevolgen heeft voor depressiecijfers, zelfmoordcijfers, drugsgebruik en algemene gezondheid. Deze problemen zijn alleen verergerd door de Covid-19 pandemie, omdat mensen niet in staat zijn om elkaar veilig persoonlijk te ontmoeten en te socializen. Bepaalde groepen zijn kwetsbaarder voor extreme eenzaamheid, zoals gemarginaliseerde groepen en ouderen. Zoals MedicalXpress melddeUit een onderzoek van UC San Diego bleek dat woongemeenschappen voor senioren een eenzaamheidspercentage hadden van bijna 85%, als je degenen meetelde die aangaven matige of ernstige eenzaamheid te ervaren.

Om oplossingen voor dit probleem te vinden, moeten sociale wetenschappers een nauwkeurig beeld van de situatie krijgen en zowel de diepte als de breedte van het probleem bepalen. Helaas zijn de meeste methoden voor het verzamelen van gegevens over eenzaamheid in opmerkelijke opzichten beperkt. Zelfrapportage kan bijvoorbeeld leiden tot meer extreme gevallen van eenzaamheid. Bovendien kunnen vragen die studiedeelnemers rechtstreeks vragen om te kwantificeren hoe "eenzaam" ze zich voelen, soms onnauwkeurig zijn vanwege sociale stigma's rond eenzaamheid.

In een poging een betere maatstaf te ontwerpen voor het kwantificeren van eenzaamheid, hebben de auteurs van het onderzoek zich tot natuurlijke taalverwerking en machinaal leren gewend. De NLP-methoden die door de onderzoekers worden gebruikt, worden naast traditionele meetinstrumenten voor eenzaamheid gebruikt, en men hoopt dat het analyseren van de natuurlijke manier waarop mensen taal gebruiken zal leiden tot een minder bevooroordeelde, eerlijkere weergave van de eenzaamheid van mensen.

Senior auteur van de nieuwe studie was Ellen Lee, assistent-professor in de psychiatrie aan de School of Medicine, UC San Diego. Lee en de andere onderzoekers richtten hun onderzoek op 80 deelnemers in de leeftijd van 66 tot 94 jaar. Deelnemers aan het onderzoek werden door de onderzoekers aangemoedigd om vragen te beantwoorden op een manier die natuurlijker en ongestructureerder was dan de meeste andere onderzoeken. De onderzoekers stelden niet alleen vragen en classificeerden antwoorden. Als eerste auteur Ph.D. Varsha Badal, legde uit dat het gebruik van machine learning en NLP het onderzoeksteam in staat stelde om deze lange interviewantwoorden te nemen en te ontdekken hoe subtiele woordkeuze en spraakpatronen indicatief kunnen zijn voor eenzaamheid wanneer ze samen worden 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 kunnen duiden op eenzaamheid. Vergelijkbare emotie-analyses door mensen zouden vatbaar zijn voor vooringenomenheid, gebrek aan consistentie en uitgebreide training vereisen om te standaardiseren.

Volgens het onderzoeksteam hadden individuen die eenzaam waren merkbare verschillen in de manier waarop ze op de vragen reageerden in vergelijking met niet-eenzame respondenten. Eenzame respondenten waren meer verdrietig als ze vragen over eenzaamheid kregen en hadden over het algemeen langere antwoorden. Mannen geven minder vaak toe dat ze zich eenzaam voelen dan vrouwen. Bovendien gebruikten mannen vaker woorden die vreugde of angst uitdrukten dan vrouwen.

De onderzoekers van het onderzoek legden uit dat de resultaten hielpen bij het ophelderen van de verschillen tussen typische onderzoeksstatistieken voor eenzaamheid en de manier waarop individuen subjectief eenzaamheid ervaren en beschrijven. De resultaten van het onderzoek impliceren dat eenzaamheid kan worden opgespoord door de analyse van spraakpatronen, en als deze patronen betrouwbaar blijken te zijn, kunnen ze helpen bij het diagnosticeren en behandelen van eenzaamheid bij oudere volwassenen. De door de onderzoekers ontworpen machine learning-modellen waren in staat kwalitatieve eenzaamheid te voorspellen met een nauwkeurigheid van ongeveer 94%. Er zal meer onderzoek moeten worden gedaan om te zien of het model robuust is en of het succes ervan kan worden gerepliceerd. In de tussentijd hopen leden van het onderzoeksteam te onderzoeken hoe NLP-kenmerken kunnen worden gecorreleerd met wijsheid en eenzaamheid, die een omgekeerde correlatie hebben bij oudere volwassenen.