Forskare upptäcker ensamhet med hjälp av AI och NLP

Forskare från University of California San Diego School of Medicine har använt artificiell intelligensalgoritmer 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 sociala forskare beskrivit en trend av ökande ensamhet i befolkningen. Studier som gjorts under de senaste tio åren har dokumenterat ökande ensamhetsnivåer över stora delar av samhället, vilket har påverkat depression, självmord, droganvändning och allmän hälsa. Dessa problem förvärras av Covid-19-pandemin, eftersom människor inte kan träffas och umgås säkert personligen. Vissa grupper är mer sårbara för extrem ensamhet, såsom marginaliserade grupper och äldre vuxna. Som MedicalXpress rapporterade, fann en studie som utfördes av UC San Diego att seniorboenden hade ensamhetsnivåer på nästan 85% när de räknade dem som uppgav att de upplevde måttlig eller svår ensamhet.

För att bestämma lösningar på detta problem behöver sociala forskare en korrekt vy av situationen, och bestämma både djupet och bredden av problemet. Tyvärr är de flesta metoder för att samla in data om ensamhet begränsade på olika sätt. Självrapportering kan till exempel vara biased mot de mer extrema fallen av ensamhet. Dessutom kan frågor som direkt frågar studiedeltagare att kvantifiera hur “ensamma” de känner sig ibland vara felaktiga på grund av sociala stigmatiseringar kring ensamhet.

I ett försök att utforma en bättre måttstock för att kvantifiera ensamhet, vände sig studiens författare till naturlig språkbehandling och maskinlärning. De NLP-metoder som forskarna använde användes tillsammans med traditionella verktyg för att mäta ensamhet, och det hoppas att analysen av det naturliga sättet människor använder språk kommer att leda till en mindre biased, mer ärlig representation av människors ensamhet.

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 i de flesta andra studier. Forskarna frågade inte bara frågor och klassificerade svar. Som den första författaren, Ph.D. Varsha Badal, förklarade, möjliggjorde maskinlärning och NLP att forskarteamet kunde ta dessa långa, ostrukturerade intervjuer och hitta hur subtila ordval och tal mönster kunde vara tecken på ensamhet när de togs tillsammans:

“NLP och maskinlärning tillåter oss att systematiskt undersöka långa intervjuer från många individer och utforska hur subtila taldrag som känslor kan indikera ensamhet. Liknande känslanalys av människor skulle vara öppna för bias, sakna konsekvens och kräva omfattande utbildning för att standardisera.”

Enligt forskarteamet 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 tillfrågades 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 uttryckte 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. Studiens resultat 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. De maskinlärningsmodeller som forskarna utformade kunde förutsäga kvalitativ ensamhet med ungefär 94% noggrannhet. Mer forskning kommer att behövas för att se om modellen är robust och om dess framgång kan replikeras. Under tiden hoppas medlemmarna i forskarteamet på att undersöka hur NLP-funktioner kan korrelera med visdom och ensamhet, som har en omvänd korrelation hos äldre vuxna.