آنالیز داده‌ی کاربران فیسبوک با هوش مصنوعی برای تشخیص بیماری روانی

به گزارش کارگروه شبکه های اجتماعی سایبربان ؛ ۱۶ سال از عمر فیسبوک می‌گذرد و تعداد کاربران فعال این پلتفرم به ۲٫۷ میلیارد در ماه رسیده و آن را به بزرگ‌ترین شبکه‌ی اجتماعی دنیا تبدیل کرده است. در طول این سال‌ها، اطلاعات کاربران فیسبوک بدون اجازه‌ی آن‌ها مورد استفاده‌ی تبلیغاتی شرکت‌ها و حتی نامزدهای ریاست جمهوری آمریکا قرار گرفته است و در پی رسوایی‌های متعدد، حتی پای مارک زاکربرگ، بنیانگذار جوان، ثروتمند و جاه‌طلب آن را برای پاسخگویی به کنگره‌ی آمریکا کشانده است. 
اگر تماشای سریال‌هایی مانند Mr. Robot درسی به ما داده باشد (به جز اینکه نقشه‌های ما به‌ندرت مطابق میل ما پیش می‌رود چون دست‌های پشت پرده بسیار است)، آن آسیب‌پذیری شدید ما در بستر شبکه‌های اجتماعی است که به‌راحتی به جزئی‌ترین اطلاعات محل زندگی و کار، روابط شخصی، عکس‌ها و پیام‌هایمان دسترسی دارند و به همین راحتی می‌توانند از این اطلاعات در جهت منافع خود سوءاستفاده کنند. 
اما هرازگاهی افرادی پیدا می‌شوند که از این حجم اطلاعات ذخیره‌شده در راستای اهداف مثبت و مفیدی استفاده کنند؛ نمونه‌اش گروهی از محققان است که چندی پیش اعلام کردند به کمک داده‌های فیسبوک و آنالیز پیام‌هایی که برخی کاربران داوطلب تا ۱۸ ماه پیش از دریافت تشخیص از متخصص، در این پلتفرم فرستاده‌اند، موفق شده‌اند بیماری روانی آن‌ها را پیش‌بینی کنند. 

طرز کار الگوریتم هوش مصنوعی برای تشخیص بیماری روانی

برای این منظور، ۲۲۳ داوطلب به این تیم تحقیقاتی اجازه‌ی دسترسی به پیام‌های شخصی در فیسبوک دادند. این تیم به کمک الگوریتم هوش مصنوعی و با استخراج ویژگی‌ها و اطلاعات خاص از این پیام‌ها و همچنین عکس‌هایی که داوطلبان در فیسبوک منتشر کرده بودند، توانست پیش‌بینی کند که آیا این افراد اختلال خلقی دارند (مانند اختلال دوقطبی یا افسردگی)، دچار اختلالات طیف اسکیزوفرنی هستند یا اصلا هیچ مشکل روانی ندارند. 
بر اساس نتایج این تحقیق، استفاده از فحش و الفاظ رکیک در متن پیام‌ها نشانه‌ی بیماری روانی کلی و استفاده از کلمات ادراکی (مانند دیدن، احساس کردن و شنیدن) و کلمات مرتبط با احساسات منفی، نشانه‌ی بیماری اسکیزوفرنی بود. این تیم هنگام آنالیز تصاویر متوجه شد رنگ‌های طیف آبی با اختلالات خلقی سر و کار دارد. 
محققان برای ارزیابی موفقیت این الگوریتم از یک معیار متداول در هوش مصنوعی استفاده کردند که تعادل بین مثبت کاذب و منفی کاذب را اندازه‌گیری می‌کند. مثبت کاذب به خطایی در گزارش داده گفته می‌شود که در آن، نتیجه‌ی آزمایش نشان‌دهنده‌ی وجود حالتی باشد که درواقع وجود ندارد. منفی کاذب زمانی است که نتیجه‌ی آزمایش نبودِ حالتی را نشان دهد که درواقع وجود دارد. 

 استفاده از الفاظ رکیک در پیام نشان از بیماری روانی دارد

هرچه الگوریتم افراد بیشتری را در دسته‌ی مثبت طبقه‌بندی کند‌ (مثلا تعیین کند که در طیف اختلالات اسکیزوفرنی قرار دارند)، احتمال نادیده گرفتن افرادی که واقعا اسکیزوفرنی دارند (نرخ منفی کاذب پایین) کمتر می‌شود؛ اما برخی افراد سالم را به‌اشتباه در دسته‌ی اختلالات اسکیزوفرنی قرار می‌دهد (نرخ مثبت کاذب بالا). یک الگوریتم بی‌عیب‌ونقص، در آنِ واحد نه مثبت کاذب و نه منفی کاذب دارد؛ به چنین الگوریتمی نمره‌ی یک اختصاص داده می‌شود. الگوریتمی که به‌طور تصادفی نتایج را حدس بزند، نمره‌ی ۰٫۵ می‌گیرد.
الگوریتمی که این تیم تحقیقاتی برای تجزیه و تحلیل داده‌ی فیسبوک استفاده کرده بود، بسته به پیش‌بینی‌هایی که از الگوریتم می‌خواست، نمره‌ای بین ۰٫۶۵ تا ۰٫۷۷ گرفت. حتی وقتی این تیم، آنالیز داده را به پیام‌های فرستاده‌شده در طول یک سال پیش از تشخیص رسمی بیماری محدود کرد، توانست این پیش‌بینی‌ها را به‌طور قابل توجهی بهتر از چیزی که از شانس و تصادف انتظار می‌رفت، انجام دهد.  
طبق گفته‌ی اندرو شوارتز، استادیار علوم کامپیوتر در دانشگاه استونی بروک نیویورک که در این تحقیق حضور نداشت، این نمرات با نمرات پرسشنامه‌ی سلامت بیمار (PHQ-9 - نظرسنجی استاندارد و ۱۰ سؤالی برای غربالگری افسردگی) قابل مقایسه است. نتایج این تحقیق این امکان را مطرح می‌کند که شاید بتوان از داده‌ی فیسبوک در غربالگری بیماری‌های روانی و احتمالا بسیار زودتر از اینکه بیماری تشخیص داده شود، استفاده کرد. 
مایکل برنبائوم، استادیار مؤسسه‌ی تحقیقات پزشکی فاینستاین در نیویورک و مدیر این پروژه، معتقد است این مدل ابزار هوش مصنوعی می‌تواند تفاوت بزرگی در درمان بیماری‌های روانی ایجاد کند. به‌گفته‌ی او:
اکنون می‌دانیم که سرطان مراحل رشد متفاوت زیادی دارد. اگر سرطان در مراحل اولیه تشخیص داده شود، فرایند درمانش به‌مراتب متفاوت با وقتی است که به جاهای مختلف بدن متاستاز و سرایت کرده است. در روانشناسی، معمولا رسم بر این است که وقتی بیماری به مرحله‌ی متاستاز و سرایت کامل رسیده است، درمان را شروع کرد. اما حالا این امکان وجود دارد که بیماری را در همان مراحل اولیه تشخیص دهیم.
برنبائوم اولین محققی نیست که از داده‌ی شبکه‌های اجتماعی برای پیش‌بینی اختلال روانی استفاده کرده است. پیش از او، محققان دیگری با استفاده از استاتوس‌های فیسبوک، توییت‌ها، و پست‌های ردیت سعی در تشخیص بیماری‌های روانی مختلف، از افسردگی گرفته تا اختلال کم‌توجهی-بیش‌فعالی، کرده‌اند. اما تحقیق برنبائوم و تیمش از این جهت حائز اهمیت است که به‌طور مستقیم با افرادی که سابقه‌ی اختلال روانی‌شان ثبت شده، کار کرده است.
محققان دیگر به‌طور کلی قادر به مطالعه‌ی افرادی که بیماری‌شان به‌طور رسمی تشخیص داده شده بود، نبودند و فقط به حرف خود افراد اکتفا می‌کردند یا از آن‌ها می خواستند خود بیماری‌ را تشخیص دهند یا به پرسشنامه‌هایی نظیر PHQ-9 پاسخ دهند. در مقابل، تمامی افراد حاضر در مطالعه‌ی برنبائوم، از روانپزشکی متخصص برگه‌ی تشخیص بیماری دریافت کرده بودند؛ و ازآنجاکه این محققان به تاریخ دقیق این تشخیص‎ها دسترسی داشتند، توانستند پیش‌بینی‌های خود را روی پیام‌هایی که فرد قبل از آگاهی از بیماری‌اش فرستاده بود، متمرکز کنند. 
شاراث گونتوکو، استادیار علوم کامپیوتر در دانشگاه پنسیونیا که در این مطالعه حضور نداشت، هشدار می‌دهد که حتی اگر این الگوریتم‌ها نتایج چشمگیری به دست آورند، باز هم نمیتواند جای روانشناس متخصص را در تشخیص اختلال روانی بگیرد. او می‌گوید:‌ «گمان نمی کنم زمانی برسد - دست کم تا وقتی زنده‌ام - که داده‌های شبکه‌های اجتماعی برای تشخیص بیماری کافی باشد. این کار نشدنی است.»
اما الگوریتمی که برنبائوم و تیمش طراحی کرده‌اند، می‌تواند نقش مهمی در سلامت روان بازی کند. گونتوکو ادامه می‌دهد: «چیزی که ما دنبال آن هستیم، استفاده از این داده‌های تکمیلی برای نشان کردن افراد درخطر است؛ ما می‌خواهیم ببینیم آیا این افراد به مراقبت بیشتر یا تماس با متخصص نیاز دارند یا خیر.»

شاید داده‌های شبکه‌های اجتماعی تصویر درست‌تری از حالت روحی بیمار ارائه دهد

شوارتز خاطر نشان می‌کند که تشخیص بیماری روانی علم دقیقی نیست؛ اما می‌تواند با اضافه کردن داده‌های بیشتر، بهتر شود. به‌گفته‌ی او، «سلامت روان را نمی‌شود تنها با یک ابزار ارزیابی کرد.»
ازآنجاکه رسانه‌های اجتماعی سابقه‌ی مستمری از افکار و اَعمال فرد در بازه‌ی زمانی قابل توجهی ارائه می‌دهند،‌ می‌توانند به‌طور مؤثری تکمیل‎کننده‌ی مصاحبه‌های یک‌ساعته‌ای باشند که معمولا برای تشخیص بیماری در کلینیک صورت می‌گیرند. به‌گفته‌ی شوارتز،‌ در چنین مصاحبه‌هایی «هنوز تکیه بر بیمار است تا همه چیز را در مورد خود به یاد آورد و روانشناس باید مشخص کند چه زمانی این داده تحت تأثیر تعصبات مطلوبیت است.» یعنی روانشناس باید تشخیص دهد کدام مواردی که بیمار بیان می‌کند، به این خاطر است که فکر می‌کند روانشناس می‌خواهد آن‌ها را بشنود. شاید داده‌هایی که از رسانه‌های اجتماعی به دست می‌آید، بتواند تصویر درست‌تری از حالت روحی بیمار ارائه دهد. 

پلاگین هشدار خطر بیماری روانی

مونمون دوچادهری، استاد محاسبات تعاملی در مؤسسه‌ی فناوری جورجیا که پیش‌تر با برنبائوم همکاری کرده بود اما نه در مطالعه‎ی حاضر، در فکر پلاگینی برای رسانه‌های اجتماعی است که بتواند کاربر را از خطر بیماری روانی آگاه کند. البته چنین پلاگینی بلافاصله نگرانی‌های حریم شخصی به‌ دنبال دارد؛ چرا که اگر اطلاعات مربوط به وضعیت روانی فرد فاش شود، می‌تواند توسط شرکت‌های بیمه یا کارمندان مورد سوءاستفاده قرار بگیرد یا فرد را پیش از آنکه خودش بخواهد، مجبور به افشای بیماری روانی خود کند. 
برای اینکه این پلاگین بتواند به مرحله‌ی اجرا برسد، سازندگان آن باید در مورد نحوه‌ی دسترسی و حفاظت از اطلاعات کاربر کاملا شفاف باشند. اما اگر چنین الگوریتمی بتواند علائم بیماری روانی را یک سال و نیم زودتر تشخیص بدهد، در زندگی فرد تفاوت بسیار بزرگی ایجاد خواهد کرد. 
دوچادهری می‌گوید: «اگر بتوانیم این علائم را در مراحل اولیه تشخیص بدهیم، می‌توان از مکانیسم‌های دیگری برای برطرف کردن نگرانی‌هایی استفاده کنیم که لزوما نیازی به مراجعه به پزشک ندارند.»
اولین نتیجه‎ ی جستجوی عبارات مرتبط با خودکشی در گوگل، شماره‌ی مرکز پیشگیری از خودکشی است 
طبق گفته‌ی گونتوکو، «فیسبوک و گوگل در حال حاضر دارند به‌نوعی چنین کاری را انجام می‌دهند.»‌ اگر کاربر عبارات مربوط به خودکشی را در گوگل جست‌وجو کند، شماره‌ی تلفن مرکز ملی پیشگیری از خودکشی قبل از لینک‌های دیگر نمایش داده می‌شود. فیسبوک از هوش مصنوعی استفاده می‌کند تا پست‌هایی که نشان از خطر خودکشی دارند، شناسایی کند و برای بررسی به ناظران انسانی بفرستد. اگر ناظران تأیید کنند که خطر این پست واقعی است، فیسبوک می‌تواند منابع و اطلاعات مربوط به پیشگیری از خودکشی را برای کاربر بفرستد یا حتی پلیس را باخبر کند. 
مشکلی که اینجا پیش می‌آید این است که خودکشی خطری واضح و قریب‌الوقوع محسوب می‌شود؛ اما دریافت تشخیص اختلال روانی اغلب حس چنین خطری را به کاربر منتقل نمی‌کند. کاربران شبکه‌های اجتماعی برای پیشگیری از خودکشی تمایل بیشتری به اشتراک‌گذاری اطلاعات شخصی‌ دارند تا اینکه قرار باشد تشخیص اسکیزوفرنی در آن‌ها کمی زودتر صورت بگیرد.

شبکه اجتماعی و افسردگی

ادغام داده‌ی دیجیتال و سلامت روان در آینده

برنبائوم اما نتیجه‌ی این تحقیق را کوچک‌تر از این ابعاد اما بسیار مؤثر در نظر می‌گیرد. او که خود روانشناس است، باور دارد داده‌های رسانه‌های اجتماعی نه‌تنها می‌تواند فرایند تشخیص را برای ارزیابیِ دقیق‌تر طبقه‌بندی کند، بلکه می‌تواند روی بیمارانی که مراحل درمانی طولانی دارند نظارت مستمر داشته باشد.  
افکار، ‌احساسات، اَعمال، این‎ها همه دینامیک هستند و مرتب در حال تغییر. متأسفانه در روانشناسی در بهترین حالت فقط ماهی یک بار می‌توانیم به این اطلاعات دسترسی داشته باشیم. استفاده از این مدل اطلاعات این امکان را می‌دهد تا از زندگی افراد درک جامع‌تری داشته باشیم.
محققان هنوز راه درازی برای طراحی چنین الگوریتم‌هایی و دستیابی به روشی اخلاقی برای اِعمال آن‌ها در پیش دارند. اما برنبائوم امیدوار است که طی ۵ تا ۱۰ سال آینده، اطلاعات به‌دست‌آمده از رسانه‌های اجتماعی بتواند بخش معمول تشخیص‌ روانی شود.
برنبائوم می‌گوید: «روزی می‌رسد که داده‌ی دیجیتال و سلامت رمان واقعا با هم ادغام می‌شوند؛ و این درست شبیه گرفتن عکس ایکس‌ری از ذهن افراد است. این روش مثل گرفتن آزمایش خون است تا به تشخیص‌های پزشکی و مداخلاتی که به بیمار توصیه می‌شود، کمک کند.»