Forestil dig at kunne forudsige en persons angstniveau bare ved at få dem til at vurdere et par billeder og svare på nogle enkle spørgsmål.
Det er præcis, hvad forskere fra University of Cincinnati og Northwestern University har opnået med deres "Comp Cog AI"-system.
Ved at kombinere AI med videnskaben om, hvordan vores hjerner behandler information, har de skabt et værktøj, der præcist kan identificere mennesker, som måske kæmper med angst.
Den undersøgelsesom blev offentliggjort i Mental Health Research, involverede over 3.000 deltagere fra hele USA.
Hver person vurderede en række mildt følelsesladede billeder fra International Affective Picture System (IAPS) og gav grundlæggende oplysninger om sig selv, f.eks. alder og oplevet ensomhed.
IAPS er udviklet af Center for the Study of Emotion and Attention ved University of Florida. Den indeholder et standardiseret sæt fotografier, der er vurderet for deres følelsesmæssige indhold i form af valens (behag), arousal (intensitet) og dominans (kontrol).
AI-systemet analyserede derefter disse data og ledte efter mønstre i den måde, folk reagerede på billederne, og hvordan disse reaktioner var relateret til deres angstniveauer.
Efter træning var Comp Cog AI-systemet i stand til at forudsige angst med op til 81% nøjagtighed, hvilket giver håb om en fremtid, hvor psykiske problemer kan identificeres ved hjælp af lette selvbetjeningssystemer.
Som hovedforfatter Sumra Bari forklarer"Vi brugte minimale beregningsressourcer og et lille sæt variabler til at forudsige angstniveauer. Et vigtigt sæt af disse variabler kvantificerer processer, der er vigtige for dømmekraften."
Mere om undersøgelsen
Her kan du læse mere om, hvordan undersøgelsen fungerede:
- Indsamling af data: Deltagerne gennemførte en billedvurderingsopgave, hvor de tildelte vurderinger fra -3 (kan ikke lide meget) til +3 (kan lide meget) til 48 mildt følelsesladede billeder fra IAPS. De besvarede også spørgsmål om deres alder, oplevede ensomhed og demografiske oplysninger.
- Udvinding af funktioner: AI-systemet udtrak 15 vigtige vurderingsvariabler fra billedvurderingsdataene, såsom tabsaversion, risikoaversion og belønningsaversionskonsistens. Disse variabler kvantificerer skævheder i vurderinger af belønning/aversion og er blevet forbundet med hjernesystemer, der er involveret i både vurdering og angst.
- AI-træning og -forudsigelse: Forskerne brugte Random Forest og balancerede Random Forest maskinlæringsalgoritmer til at træne AI-systemet på en delmængde af dataene. AI'en brugte vurderingsvariablerne og de kontekstuelle faktorer til at forudsige hver deltagers angstniveau, som målt ved tilstandsangstdelen af State-Trait Anxiety Inventory (STAI).
- Evaluering og fortolkning af modeller: Det trænede AI-system blev testet på de resterende data for at vurdere dets nøjagtighed, sensitivitet og specificitet i forudsigelsen af angstniveauer. Forskerne udførte også medierings- og moderationsanalyser for at forstå, hvordan vurderingsvariablerne og de kontekstuelle faktorer interagerede for at modellere angst.
De fire vigtigste prædiktorer - alder, ensomhed, husstandsindkomst og beskæftigelsesstatus - bidrog med 29-31% af modellens forudsigelseskraft, mens de 15 vurderingsvariabler tilsammen bidrog med 55-61%.
Medforfatter Aggelos Katsaggelos fremhævede betydningen af undersøgelsens tilgang og sagde: "Brug af en billedvurderingsopgave med kontekstuelle variabler, der påvirker bedømmelsen, kan virke enkel, men forståelse af mønstre i præferencer giver os mulighed for at afdække de kritiske komponenter for et stort sæt adfærd."
Forskerne forestiller sig at udvikle Comp Cog AI-teknologien til en brugervenlig app til sundhedspersonale, hospitaler og endda militæret, så de hurtigt kan identificere personer med høj risiko for angst.
Som Bari bemærker: "Billedvurderingsopgaven kan bruges til at producere daglige og upartiske øjebliksbilleder af en persons mentale sundhedstilstand uden at stille direkte spørgsmål, som kan udløse negative eller forstyrrende følelser."
Tidligere forskning udnyttede AI til at Hjælp med at diagnosticere skizofrenimens der er udviklet værktøjer til at levere AI-terapi til mennesker med psykiske lidelser. gennem digitale avatarer.
