Algoritma AI Dapat Membantu ID Remaja Tanpa Wisma yang Berisiko Penyalahgunaan Bahan

Algoritma kecerdasan buatan (AI) yang dikembangkan oleh pasukan penyelidik dari Kolej Sains dan Teknologi Maklumat di Penn State dapat membantu meramalkan kerentanan terhadap gangguan penggunaan bahan di kalangan belia tanpa tempat tinggal dan mencadangkan program pemulihan yang diperibadikan untuk individu yang sangat rentan ini.

Walaupun banyak program telah dilaksanakan untuk mengatasi kelaziman penyalahgunaan bahan di kalangan belia tanpa tempat tinggal di A.S., ada sedikit yang menyertakan pandangan berdasarkan data mengenai faktor persekitaran dan psikologi yang dapat menyumbang kepada kemungkinan seseorang mengalami gangguan penggunaan bahan.

"Pencegahan proaktif gangguan penggunaan bahan di kalangan belia kehilangan tempat tinggal jauh lebih baik daripada strategi mitigasi reaktif seperti rawatan perubatan untuk gangguan dan intervensi lain yang berkaitan," kata Amulya Yadav, penolong profesor sains dan teknologi maklumat dan penyelidik utama projek ini. "Sayangnya, kebanyakan usaha pencegahan proaktif sebelumnya telah dilakukan secara ad-hoc dalam pelaksanaannya."

Maryam Tabar, seorang pelajar kedoktoran dalam bidang informatika dan pengarang utama di koran itu, menambahkan, "Untuk membantu para pembuat dasar dalam merancang program dan polisi yang efektif secara berprinsip, akan bermanfaat untuk mengembangkan penyelesaian AI dan pembelajaran mesin yang secara automatik dapat menemukan satu set komprehensif faktor yang berkaitan dengan gangguan penggunaan bahan di kalangan belia yang kehilangan tempat tinggal. "

Penemuan ini dibentangkan pada persidangan Knowledge Discovery in Databases (KDD).

Untuk projek itu, pasukan penyelidik membina model tersebut dengan menggunakan data yang dikumpulkan dari kira-kira 1.400 pemuda gelandangan, berusia 18 hingga 26 tahun, di enam negeri A.S.

Data dikumpulkan oleh Research, Education and Advocacy Co-Lab for Youth Stability and Thriving (REALYST), yang merangkumi Anamika Barman-Adhikari, penolong profesor kerja sosial di University of Denver dan pengarang bersama makalah tersebut.

Pasukan penyelidik kemudian mengenal pasti faktor persekitaran, psikologi dan tingkah laku yang berkaitan dengan gangguan penggunaan bahan, seperti sejarah jenayah, pengalaman korban dan ciri-ciri kesihatan mental.

Mereka mendapati bahawa pengalaman buruk kanak-kanak dan korban jalanan fizikal lebih kuat dikaitkan dengan gangguan penggunaan zat berbanding jenis korban lain, seperti korban seksual, di kalangan remaja tunawisma.

Selain itu, gangguan tekanan pasca-trauma (PTSD) dan kemurungan didapati lebih berkaitan dengan gangguan penggunaan bahan daripada gangguan kesihatan mental lain di kalangan penduduk ini.

Seterusnya, pasukan membahagikan kumpulan data mereka kepada enam set data yang lebih kecil untuk melihat perbezaan geografi. Mereka melatih model yang berasingan untuk meramalkan gangguan penggunaan zat di kalangan pemuda gelandangan di masing-masing dari enam negeri, yang mempunyai keadaan persekitaran yang berbeza-beza, dasar pengesahan dadah dan persatuan geng. Pasukan menemui beberapa variasi lokasi-lokasi tertentu dalam tahap pergaulan beberapa faktor, menurut Tabar.

"Dengan melihat apa yang telah dipelajari oleh model tersebut, kita dapat mengetahui secara efektif faktor-faktor yang dapat memainkan peranan korelasi dengan orang yang menderita gangguan penyalahgunaan bahan," kata Yadav. "Dan setelah kita mengetahui faktor-faktor ini, kita lebih tepat dapat meramalkan sama ada seseorang menderita penggunaan bahan."

Dia menambahkan, "Jadi, jika perencana kebijakan atau intervensi mengembangkan program yang bertujuan untuk mengurangi prevalensi gangguan penyalahgunaan bahan, ini dapat memberikan panduan yang berguna."

Pengarang lain di kertas KDD termasuk Dongwon Lee, profesor bersekutu, dan Stephanie Winkler, pelajar kedoktoran, kedua-duanya di Penn State College of Information Sciences and Technology; dan Taman Heesoo Universiti Sungkyunkwan.

Yadav dan Barman-Adhikari sedang mengerjakan projek yang serupa di mana mereka telah mengembangkan ejen perisian yang merancang program pemulihan yang diperibadikan untuk remaja yang kehilangan tempat tinggal yang berjuang dengan ketagihan opioid. Hasil simulasi mereka menunjukkan bahawa ejen perisian - yang dipanggil CORTA (Componensive Opioid Response Tool Driven by Artificial Intelligence) - mengatasi garis dasar sebanyak kira-kira 110% dalam meminimumkan bilangan remaja tunawisma yang menderita ketagihan opioid.

"Kami ingin memahami apa masalah penyebab di sebalik orang yang mengembangkan ketagihan candu," kata Yadav. "Dan kemudian kami ingin menugaskan para pemuda gelandangan ini ke program pemulihan yang sesuai."

Yadav menjelaskan bahawa data yang dikumpulkan oleh lebih daripada 1.400 pemuda gelandangan di A.S. digunakan untuk membina model AI untuk meramalkan kemungkinan ketagihan opioid di kalangan penduduk ini. Setelah menganalisis isu-isu yang boleh menjadi penyebab ketagihan opioid - seperti sejarah penjagaan asuhan atau pendedahan kepada keganasan jalanan - CORTA menyelesaikan rumusan pengoptimuman baru untuk menetapkan program pemulihan yang diperibadikan.

"Sebagai contoh, jika seseorang mengalami ketagihan opioid kerana mereka terpencil atau tidak mempunyai lingkaran sosial, maka mungkin sebagai sebahagian daripada program pemulihan mereka harus berbincang dengan kaunselor," jelas Yadav.

"Sebaliknya, jika seseorang mengalami kecanduan kerana mereka tertekan kerana tidak dapat mencari pekerjaan atau membayar bil mereka, maka kaunselor kerjaya harus menjadi bagian dari rancangan pemulihan."

Yadav menambah, "Sekiranya anda hanya merawat keadaan ini secara perubatan, setelah mereka kembali ke dunia nyata, kerana masalah penyebabnya masih ada, mereka kemungkinan akan kambuh."

Sumber: Penn State