بکارگیری یادگیری ماشینی برای پیگیری تأثیر کرونا ویروس بر سلامت روان

دست و پنجه‌نرم کردن با یک بیماری همه‌گیر جهانی همچون کووید 19 آسیب زیادی به سلامت روان میلیون‌ها نفر وارد کرده است. تیمی از محققان دانشگاه MIT و دانشگاه هاروارد نشان داده‌اند که آن‌ها می‌توانند با تجزیه و تحلیل گفتاری که افراد برای بیان اضطراب خود به صورت آنلاین استفاده می‌کنند، این تأثیرات را اندازه‌گیری کنند. محققان با بکارگیری یادگیری ماشینی بیش از هشتصد هزار پست را در سایت ردیت تجزیه و تحلیل کردند و توانستند تغییرات در لحن و محتوای زبان افراد را در طول اولین موج همه‌گیری کووید 19 یعنی از ژانویه تا آوریل سال 2020 شناسایی کنند. تجزیه و تحلیل آن‌ها چندین تغییر اساسی در مکالمات در مورد سلامت روان از جمله افزایش کلی بحث در مورد اضطراب و خودکشی را نشان داد.

دانیل لاو، دانشجوی تحصیلات تکمیلی برنامه گفتار و شنوایی زیست‌شناسی و فناوری در دانشگاه هاروارد و MIT  و نویسنده اصلی این مطالعه می‌گوید: ما یک طبقه‌بندی برای مکالماتی که در مورد خودکشی و تنهایی است در نظر گرفتیم و متوجه شدیم که میزان پست‌ها و محتوای ارسالی در این طبقه نسبت به ماه‌های مشابه سال قبل بیش از دو برابر شده است که این یک نگرانی جدی است.

این تجزیه و تحلیل همچنین تأثیرات مختلف کرونا را بر روی افرادی که قبلاً از انواع مختلف بیماری روانی رنج می‌بردند، نشان داد. محققان می‌گویند، این یافته‌ها می‌تواند به روانپزشکان یا ناظران بالقوه انجمن‌های ردیت که مورد مطالعه قرار گرفته‌اند کمک کند تا افرادی را که سلامت روانی آنها آسیب دیده، شناسایی و برای آن‌ها حمایت‌های روانی فراهم کنند.

لوری رامکر، دانشجوی تحصیلات تکمیلی در برنامه دکترای بیوانفورماتیک و ژنومیک یکپارچه در هاروارد و یکی از نویسندگان این تحقیق می‌گوید: هنگامی که نیازهای سلامت روان بسیاری از افراد جامعه حتی در سطوح پایه به اندازه کافی برآورده نمی‌شود  ما خواستیم به مسائلی که باعث شده تا مردم در این مدت رنج بکشند توجه کنیم و آن‌ها را مورد حمایت قرار دهیم.

از نویسندگان این مقاله می‌توان به  Satrajit Ghosh  دانشمند اصلی تحقیق در انستیتوی تحقیقات مغز و نویسنده ارشد این مطالعه، Tanya Talkar ، دانشجوی تحصیلات تکمیلی برنامه گفتار و شنوایی زیست‌شناسی و فناوری در هاروارد و MIT ،  جان توروس، مدیر بخش روانپزشکی دیجیتال در مرکز پزشکی Beth Israel Deaconess ؛ و گیلرمو سکی ، یکی از اعضای اصلی ستاد تحقیق در مرکز تحقیقات IBM Thomas J. Watson اشاره کرد.

این افراد پیش از این تحقیقاتی در مورد استفاده از یادگیری ماشینی برای تشخیص اختلالات بهداشت روانی بر اساس نحوه صحبت مردم و گفته‌های آن‌ها انجام داده بودند. پس از شروع همه گیری کووید19، آن‌ها تصمیم گرفتند پروژه خود را بر روی تجزیه و تحلیل انجمن ردیت اختصاص دهند.

لاو می‎‌گوید: “وقتی کووید به همه جا سرایت کرد، همه ما کنجکاو بودیم که آیا این موضوع بر گروه‌های خاصی بیش از دیگران تأثیر می‌گذارد یا نه؟ این یک فرصت کاملاً منحصر به فرد است تا ببینید در زمان شروع و حضور یک موج چگونه این جوامع مختلف تحت تأثیر قرار گرفته اند.

محققان ابتدا پست های 15 زیرگروه اختصاص داده شده به انواع بیماری‌های روانی از جمله اسکیزوفرنی، افسردگی و اختلال دو قطبی را تجزیه و تحلیل کردند. آن‌ها همچنین به موضوعاتی که بطور خاص مربوط به سلامت روان نیستند مانند امور مالی شخصی، تناسب اندام و فرزندپروری نیز پرداختند.

سپس محققان با استفاده از چندین نوع الگوریتم پردازش زبان طبیعی، فراوانی کلمات مرتبط با موضوعاتی مانند اضطراب، مرگ، انزوا و سو مصرف مواد را اندازه‌گیری کردند و پست‌ها را بر اساس شباهت‌های زبان استفاده شده گروه‌بندی کردند. این رویکردها به محققان این امکان را می‌دهد تا شباهت‌های بین پست‌های هر گروه را پس از شروع همه‌گیری  و همچنین تفاوت‌های بین گروه‌ها را شناسایی کنند.

محققان دریافتند در حالی که افراد در دیگر طبقه‌ها در ماه مارس شروع به ارسال پیام در مورد کووید 19 کردند، اما طبقه اختصاص داده شده به اضطراب خیلی زودتر از ژانویه شروع به صحبت در این مورد کردند.

با این حال، با پیشرفت همه‌گیری سایر طبقه‌های بهداشت روان نیز شباهت زیادی به گروه اضطراب نشان دادند. در همان زمان، طبقه اختصاص داده شده به امور مالی شخصی بیشترین تغییر معنایی را از ژانویه تا آوریل 2020 نشان داد و به طور قابل‌توجهی استفاده از کلمات مربوط به فشار اقتصادی و احساسات منفی در میان افراد این طبقه افزایش یافت.

آنها همچنین پی بردند که از میان طبقه‌های بهداشت روان، گروه‌های مرتبط با ایدز و اختلالات خوردن بیشترین تأثیر منفی را در اوایل همه‌گیری گرفته بودند. محققان این فرضیه را مطرح کردند که این افراد چون از سیستم‌های پشتیبانی اجتماعی معمول بی‌بهره هستند، قرنطینه و محدودیت‌ها، مدیریت شرایط را بسیار دشوارتر می‎‌کند. در این گروه‌ها، محققان پست‌هایی در مورد تمرکز بیش از حد بر اخبار و بازگشت مجدد آن‌ها به رفتارهایی از جمله پرخوری و کم‌خوری یافتند.

محققان با استفاده از یک الگوریتم دیگر، پست‌ها را در دسته‌هایی مانند تنهایی یا مصرف مواد گروه‌بندی کردند و سپس نحوه تغییر آن گروه‌ها را همزمان با پیشرفت بیماری ردیابی کردند. پست‌های مربوط به خودکشی بیش از دو برابر شده بود و طبقه‌های اختلال شخصیت مرزی و اختلال استرس پس از سانحه دو طبقه‌ای بودند که به طور قابل‌توجهی با خوشه خودکشی همبستگی داشتند. یعنی تمایل به خودکشی در این افراد بیش‌تر بود.

محققان همچنین برخی طبقات را یافتند که در جستجوی یافتن راهنمایی برای سلامت روان یا تعامل اجتماعی بودند. این دسته افراد سعی می‌کردند خود را با زندگی جدید سازگار کنند و بر این نکته تمرکز کنند که در صورت لزوم می‌توانند از طریق دریافت کمک این موج را آسان‌تر پشت سر بگذرانند.

محققان معتقدند این نوع تجزیه و تحلیل می‌‌تواند به ارائه‌دهندگان مراقبت‌های بهداشت روان کمک کند تا بخش‌هایی از جامعه را که بیشتر در معرض کاهش سلامت روان هستند را نه تنها از اثرات بیماری همه‌گیر کووید 19 بلکه از دیگر عوامل تنش‌زای سلامت روان مانند انتخابات جنجالی یا بلایای طبیعی حفظ کند.

محققان این مطالعه معتقدند ردیت یک منبع پشتیبانی بسیار ارزشمند برای بسیاری از افرادی است که از چالش‌های بهداشت روان رنج می‌برند. بسیاری از آن‌ها ممکن است دسترسی رسمی به انواع دیگر پشتیبانی بهداشت روان نداشته باشند، بنابراین نتایج این کار اهمیت بسیاری دارد.  محققان اکنون قصد دارند مطمئن شوند این روش را می‌توان برای تشخیص اختلالات بهداشت روان در میان کاربران شبکه‌های اجتماعی استفاد کرد یا نه.