Forskere Detekterer Ensomhet Gjennom Bruk Av AI Og NLP

Forskere fra University of California San Diego School of Medicine har brukt kunstig intelligens-algoritmer til å kvantifisere ensomhet hos eldre voksne og bestemme hvordan eldre voksne kan uttrykke ensomhet i sin tale.

I løpet av de siste tjue årene eller så, har sosiale forskere beskrevet en trend av økende ensomhet i befolkningen. Studier gjennomført i løpet av de siste ti årene har dokumentert økende ensomhetsrater over store deler av samfunnet, noe som har innvirkning på depresjonsrater, selvmordsrater, narkotikabruk og generell helse. Disse problemene er bare forverret av Covid-19-pandemien, da mennesker ikke kan møtes og sosialisere trygt ansikt til ansikt. Visse grupper er mer utsatt for ekstrem ensomhet, som marginaliserte grupper og eldre voksne. Som MedicalXpress rapporterte, fant en studie gjennomført av UC San Diego at seniorboligsamfunn hadde ensomhetsrater på nær 85% når de teller de som rapporterte å oppleve moderat eller alvorlig ensomhet.

For å finne løsninger på dette problemet, trenger sosiale forskere å få en nøyaktig oversikt over situasjonen, og bestemme både dybden og bredde av problemet. Dessverre er de fleste metoder for å samle inn data om ensomhet begrensede på merkede måter. Selvrapportering kan være forvrengt mot de mer ekstreme tilfellene av ensomhet. I tillegg kan spørsmål som direkte ber studiepersoner om å kvantifisere hvor “ensom” de føler seg, noen ganger være uakkurate på grunn av sosiale stigmaer omkring ensomhet.

I et forsøk på å designe en bedre målestokk for å kvantifisere ensomhet, vendte studiens forfattere seg til naturlig språkbehandling og maskinlæring. NLP-metodene som forskerne brukte, brukes sammen med tradisjonelle ensomhetsmålingsverktøy, og det håpes at analysen av de naturlige måtene mennesker bruker språk, vil lede til en mindre forvrengt og mer ærlig representasjon av menneskers ensomhet.

Studiens seniorforfatter var Ellen Lee, assistentprofessor i psykiatri ved School of Medicine, UC San Diego. Lee og de andre forskerne konsentrerte seg om 80 deltakere i alderen 66 til 94 år. Deltakerne i studien ble oppmuntret av forskerne til å svare på spørsmål på en måte som var mer naturlig og ustrukturert enn de fleste andre studier. Forskerne spurte ikke bare spørsmål og klassifiserte svarene. Som den første forfatteren, Ph.D. Varsha Badal, forklarte, at bruk av maskinlæring og NLP tillot forskningsteamet å ta disse lange intervju-svarene og finne hvordan subtile ordvalg og tale-mønster kunne være indikative for ensomhet når de ble tatt sammen:

“NLP og maskinlæring tillater oss å systematisk undersøke lange intervjuer fra mange individer og utforske hvordan subtile tale-egenskaper som emosjoner kan indikere ensomhet. Lignende emosjonsanalyser utført av mennesker ville være åpne for forvrengning, mangle konsistens og kreve omfattende trening for å standardisere.”

Ifølge forskningsteamet, hadde individer som var ensomme, merkbare forskjeller i måten de svarte på spørsmålene sammenlignet med ikke-ensomme respondenter. Ensomme respondenter uttrykte mer sorg når de ble spurt spørsmål om ensomhet og hadde lengre svar generelt. Menn var mindre sannsynlig å innrømme å føle seg ensomme enn kvinner. I tillegg var menn mer sannsynlig å bruke ord som uttrykker glede eller frykt enn kvinner.

Forskerne i studien forklarte at resultatene hjalp til å belyse forskjellene mellom typiske forskningsmetoder for ensomhet og måten individer subjektivt opplever og beskriver ensomhet. Resultatene av studien antyder at ensomhet kan bli oppdaget gjennom analysen av tale-mønster, og hvis disse mønstrene viser seg å være pålitelige, kan de hjelpe med å diagnostisere og behandle ensomhet hos eldre voksne. Maskinlæringsmodellene designet av forskerne kunne forutsi kvalitativ ensomhet med omtrent 94% nøyaktighet. Mer forskning vil være nødvendig for å se om modellen er robust og om dens suksess kan bli gjentatt. I mellomtiden håper medlemmene av forskningsteamet å utforske hvordan NLP-egenskaper kan være korrelert med visdom og ensomhet, som har en invers korrelasjon hos eldre voksne.