Forskare upptäcker ensamhet genom att använda AI och NLP

Forskare från University of California San Diego School of Medicine har använt sig av artificiell intelligens algoritmer för att kvantifiera ensamhet hos äldre vuxna och bestämma hur äldre vuxna kan uttrycka ensamhet i sitt tal.

Under de senaste tjugo åren eller så har samhällsvetare beskrivit en trend av ökande ensamhet i befolkningen. Studier gjorda under det senaste decenniet i synnerhet har dokumenterat stigande ensamhetsfrekvenser över stora delar av samhället, vilket har effekter på depressionsfrekvensen, självmordsfrekvensen, droganvändningen och allmän hälsa. Dessa problem är bara förvärras av Covid-19 pandemi, eftersom människor inte på ett säkert sätt kan träffas och umgås personligen. Vissa grupper är mer utsatta för extrem ensamhet, som marginaliserade grupper och äldre vuxna. Som MedicalXpress rapporterade, fann en studie gjord av UC San Diego att äldreboenden hade en ensamhetsgrad som närmade sig 85 % när man räknar de som rapporterade att de upplevde måttlig eller svår ensamhet.

För att kunna bestämma lösningar på detta problem måste samhällsvetare få en korrekt bild av situationen och bestämma både djupet och bredden av frågan. Tyvärr är de flesta metoder för att samla in data om ensamhet begränsade i anmärkningsvärda avseenden. Självrapportering, till exempel, kan vara partisk mot de mer extrema fallen av ensamhet. Dessutom kan frågor som direkt ber studiedeltagarna att kvantifiera hur "ensamma" de känner sig ibland vara felaktiga på grund av sociala stigmatiseringar kring ensamhet.

I ett försök att utforma ett bättre mått för att kvantifiera ensamhet, vände sig författarna till studien till naturlig språkbehandling och maskininlärning. De NLP-metoder som forskarna använder används tillsammans med traditionella verktyg för ensamhetsmätning, och man hoppas att analysen av de naturliga sätten som människor använder språk kommer att leda till en mindre partisk, mer ärlig representation av människors ensamhet.

Den nya studiens seniorförfattare var Ellen Lee, biträdande professor i psykiatri vid School of Medicine, UC San Diego. Lee och de andra forskarna fokuserade sin studie på 80 deltagare i åldrarna 66 till 94. Deltagarna i studien uppmuntrades av forskarna att svara på frågor på ett sätt som var mer naturligt och ostrukturerat än de flesta andra studier. Forskarna ställde inte bara frågor och klassificerade svar. Som förste författare Ph.D. Varsha Badal, förklarade att användningen av maskininlärning och NLP gjorde det möjligt för forskargruppen att ta dessa långa intervjusvar och ta reda på hur subtila ordval och talmönster kan tyda på ensamhet när de tas tillsammans:

"NLP och maskininlärning tillåter oss att systematiskt undersöka långa intervjuer från många individer och utforska hur subtila talegenskaper som känslor kan indikera ensamhet. Liknande känsloanalyser av människor skulle vara öppna för partiskhet, sakna konsistens och kräva omfattande utbildning för att standardisera."

Enligt forskargruppen hade individer som var ensamma märkbara skillnader i hur de svarade på frågorna jämfört med icke-ensamma respondenter. Ensamma respondenter uttryckte mer sorg när de ställdes frågor om ensamhet och hade längre svar i allmänhet. Män var mindre benägna att erkänna att de kände sig ensamma än kvinnor. Dessutom var män mer benägna att använda ord som uttrycker glädje eller rädsla än kvinnor.

Forskarna i studien förklarade att resultaten hjälpte till att belysa skillnaderna mellan typiska forskningsmått för ensamhet och hur individer subjektivt upplever och beskriver ensamhet. Resultaten av studien antyder att ensamhet kan upptäckas genom analys av talmönster, och om dessa mönster visar sig vara tillförlitliga kan de hjälpa till att diagnostisera och behandla ensamhet hos äldre vuxna. Maskininlärningsmodellerna designade av forskarna kunde förutsäga kvalitativ ensamhet med ungefär 94 % noggrannhet. Mer forskning kommer att behöva utföras för att se om modellen är robust och om dess framgång kan replikeras. Under tiden hoppas medlemmar av forskargruppen att undersöka hur NLP-funktioner kan korreleras med visdom och ensamhet, som har en omvänd korrelation hos äldre vuxna.