Cum ne ajută Inteligența Artificială să găsim semne de tulburări mentale în rețelele de socializare – Diana Inkpen

Diana Inkpen Professor, PhD, PEng, Universitatea din Ottawa, School of Electrical Engineering and Computer Science

Are cercetări în Natural Language Processing and Text Mining. A organizat multiple workshops și a fost co-chair și speaker la mai multe ediții ale Conferinței Canadiene pe Artificial Intelligence. Este redactor-șef la Computational Intelligence journal și associate editor la Natural Language Engineering journal.

Cele două obiective majore ale proiectelor Dianei Ink pen sunt: detectarea semnelor de tulburare mentală (depresie, ideație de auto-vătămare și suicidară, nivel înalt de risc) și identificarea de modele comportamentale la copii (agresivitate, cyberbulling, sexting, abuz de substanțe) în ideea de a fi protejați.

Aceste tipuri de modelare pot adăuga informații noi despre utilizatori (dacă aceste tipuri de informații nu sunt disponibile pe conturile de profil).

Metodele folosite se bazează pe concepte avansate de deep neural networks ce sunt utilizate împreună cu tehnici de optimizare a reprezentării semantice a cuvintelor. Pentru obținerea de rezultate mai bune, Diana și studenții ei proiectează clasificatori de învățare automată funcțională, ce sunt capabili să utilizeze resurse partajate folosind concepte din rețele neuronale pentru a modela cunoștințele învățate și a le aplica în mai mult task-uri în același timp (multi-task).

Pentru primul set de experimente, am colectat tweet-uri

Descoperirea manifestărilor tulburărilor mentale pe baza postărilor în rețelele de socializare este un obiectiv extrem de complex, în principal datorită naturii diverse și complicată a acestor tulburări.

În ultimii ani, cercetările în acest domeniu au continuat să evolueze odată cu creșterea popularității rețelelor de socializare, care au devenit parte integrantă din viața oamenilor.

Aceste platforme au început să reflecte viața personală a celor ce le folosesc, la diverse niveluri. Într-un astfel de mediu, cercetătorii au la dispoziție o cantitate imensă de date și informații privitoare la fiecare individ.

Noi am proiectat, în Canada, un sistem automat care poate identifica, din activitatea pe care o desfășoară pe aceste platforme, persoanele aflate sub risc potențial de a manifesta tulburări mentale.

Pentru primul set de experimente, am colectat tweet-uri din campania #Bell-LetsTalk, care este un program multianual care are ca scop scoaterea de sub tăcere a problemei bolilor mentale și de ai sprijini pe cei afectați de ele pe întreg teritoriul Canadei.

Am antrenat un clasificator la nivel de utilizator care poate detecta cu o precizie rezonabilă și cu un grad mare de răspuns utilizatorii care riscă să fie afectați de tulburări mentale.

Am antrenat de asemenea și un clasificator la nivel de mesaj (tweet) care poate prezice dacă un tweet indică semne de depresie.

Aceasta ultimă țintă a fost mai greu de atins datorită dezechilibrului din datele de antrenament. Setul de date conținea aproximativ 5% tweet-uri care indicau depresia și 95% care nu avea acest tip de indiciu.

Cartea „Natural Language Processing for Social Media” (Morgan and Claypool Publishers, Synthesis Lectures on Human Language Technologies, second edition, 2017), la care Diana Inkpen este co-autoare, împreună cu Atefeh Farzindar, prezintă diverse aplicații și utilizări ale analizei semantice în rețele de socializare.

Aceste utilizări includ aplicații medicale și user modelling (modelare profilelor utilizatorilor), importante pentru cercetările actuale ale Dianei Inkpen legate de detectarea semnelor de tulburare mentală din postările de pe platformele sociale.

Propunem o structură multi-task learning bazată pe deep neural networks

Pentru a putea utiliza un set de date cu un asemenea dezechilibru, am folosit metode de sub-eșantionare. În acest fel, clasificatorul rezultat a obținut o mare rată de răspuns, dar precizia a fost deficientă.

Prin urmare, am folosit acest clasificator numai pentru a calcula procentajul estimat de tweet-uri care indică depresia pentru fiecare utilizator și apoi am utilizat această valoare pentru a îmbunătăți clasificatorul la nivel de utilizator.

Adoptarea tehnologiei de învățare automată (machine learning) cu rețele neuronale profunde (deep neuronal networks), în identificare bolilor mentale în rețele de socializare nu a fost acceptată pe scara largă, din cauza dificultăților în a obține cantități suficiente de date de antrenament.

Cu toate acestea, noi am găsit căi de rezolvare și chiar am identificat cea mai eficientă arhitectură de deep neuronal networks pentru scopul cercetării noastre.

Am început să folosim aceste sisteme pentru detectarea utilizatorilor cu semne de tulburări mentale din postările din rețelele de socializare, antrenând un clasificator pentru fiecare țintă (task). Exemple de task-uri sunt: detectarea depresiei, a emoțiilor negative, a comportamentului agresiv etc.)

De asemenea, propunem o structură multi-task learning bazată pe deep neural networks, în idea de a exploata cunoștințele și informațiile comune între aceste task-uri. Am demonstrat că arhitectura multi-task obține rezultate mai bune decât clasificatorii antrenați anterior pentru fiecare task în parte.

SafeToNet este o companie localizată în Londra. Principalul lor produs este o aplicație pentru securitatea copilului, pe care atât copiii, cât și părinții, o pot instala pe telefoanele mobile. Dacă un copil este abuzat sexual, întâlnește comportamente agresive sau este agresat prin intermediul internetului, părinții sunt avertizați prin intermediul aplicației.

Clasificatoarele deep neural networks din cercetarile Dianei Inkpen au fost integrate în aplicație în ideea de a-i crește acuratețea.

O altă aplicație, aflată acum în dezvoltare, este un psiholog virtual care poate fi folosit după tratament de către pacienții tratați de depresie.

O a treia aplicație își propune să monitorizeze populația sau grupurile de utilizatori, în intenția de a crea predicții la scară mai largă. Acest fapt poate fi folosit pentru a identifica segmentele de populație care au nevoie mai multă de fonduri pentru tratarea diferitelor tulburări de natură mentală.

De | 2018-08-09T14:03:03+00:00 9 august 2018|Categorii: Aparitii print, Numarul 9|0 Comentarii

Despre autor:

Lasa un comentariu