AI工具使用积极的同辈群体对抗药物滥用

战斗时滥用药物,研究表明该公司你可以恢复和复发之间的区别。所以当团体干预项目可以在预防滥用药物发挥重要作用,特别是在高危人群如无家可归的年轻人,他们也可以不经意间让参与者消极的行为。

现在,南加州大学人工智能社会中心的研究人员发明了一种算法,各种干预项目参与者是自愿从事复苏的更小的团体,或子组的方式保持有用的社会关系,社会关系,可能不利于经济复苏。

“我们知道,药物滥用是高度受社会影响;换句话说,你是谁的朋友,”南加州大学计算机科学研究生Aida Rahmattalabi说,该研究的第一作者。

“为了提高干预的有效性,你需要知道如何在一群人会相互影响。”

Rahmattalabi和他的同事们从南加州大学维特比工程学院、南加州大学苏珊娜Dworak-Peck丹佛大学的学校社会工作和工作合作城市高峰,丹佛的非营利服务无家可归的年轻人,发展援助的决定,他们希望将协助干涉物质滥用预防。

结果显示该算法表现明显优于控制策略形成群体。研究影响最大化呼吁,基于社交网络的物质滥用预防,发表在《AAAI人工智能大会学生抽象的部分。

人工智能和卫生保健:同伴影响的力量

每年多达200万美国将经历的年轻人无家可归、39之间估计和70%的无家可归的青少年滥用毒品或酒精。

药物滥用倡议团体治疗等提供支持,鼓励无家可归的青少年分享他们的经验,学习积极的应对策略,建立健康的社会网络。

但如果这些群体不结构合理,他们会加剧这些问题他们打算治疗通过鼓励友谊基于反社会行为的形成。这是一个过程在社会工作被称为“变异性训练,”当为不正常的同龄人相辅相成的,或不受欢迎的行为。

从一个团队解决这个问题人工智能的角度来看,创建一个算法,考虑两个子群中的个体是如何把他们的社会关系和他们之前的历史药物滥用。

主动调查收集的数据从洛杉矶的无家可归的青少年,以及行为理论和观察之前的干预,被用来建立一个计算模型的干预措施。

“在此基础上,我们有一个模型,该模型解释了有可能影响一个人采取消极行为或变化消极的行为根据他们的参与,”Rahmattalabi说。

“这帮助我们预测会发生什么我们组人分成更小的组。”

最令人惊奇的发现

也许最令人惊讶的发现是,与普遍的直觉相反,跨子组不均匀物质分布规律用户最优设计方法成功的干预。

“均匀分布的用户而忽略他们现有的关系可以大大减少这些干预措施的成功率,“Rahmattalabi说。

此外,进行干预的分析表明,有时可以对整个集团有不利影响。

“在某些情况下,我们发现它实际上是一个坏主意进行干预:例如,如果你有很多高风险的人一组,最好是没有连接与低风险的个体,“Rahmattalabi说。

随着新数据添加到算法,研究人员希望它会适应变化的条件,揭示社交网络如何演变过程中干预项目。

这可能允许干涉来确定一个干预将影响参与者的结果。研究人员与城市高峰,继续工作和计划部署工具来优化干预组策略无家可归的年轻人今年秋季在丹佛。