40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 آنالیز الگوی مصرف مواد مخدر در میان نوجوانان توسط الگوریتم یادگیری ماشین

آنالیز الگوی مصرف مواد مخدر در میان نوجوانان توسط الگوریتم یادگیری ماشین

تمایل به استفاده از مواد مخدر و نوشیدن الکل در سنین نوجوانی، به اوج خود می‌رسد و اگر دانش‌آموزان به راهنمایی و کمک‌رسانی مناسب دسترسی نداشته باشند، می‌تواند تاثیرات منفی زیادی برروی سلامت جسمی و روانی آنها داشته باشد. با این حال، کمتر نوجوانی را می‌توان یافت  که اطلاعات دقیقی از مصرف مواد مخدر خود در اختیار والدین یا مدرسه قرار دهد. به همین دلیل، آمار قابل اتکایی که میزان مصرف و دلیل جذب نوجوانان به الکل و مواد مخدر را نشان دهد، در دسترس نبود.

جمعی از محققان دانشگاه تورنتو با جمع‌آوری اطلاعات دانش‌آموزان مابین سال‌های 2016 تا 2019 و آموزش هوش مصنوعی به‌وسیله آن، از الگوریتم‌های یادگیری ماشین کمک گرفتند تا این داده‌ها را تجزیه و تحلیل کنند. با این روش، برخلاف گذشته که تنها چند فاکتور از پیش تعیین‌شده مورد ارزیابی قرار می‌گرفت، تمامی فاکتورهای تاثیرگذار بر رو جذب دانش‌آموزان به سمت مواد مخدر بررسی می‌شود.

الگوی مصرف مواد مخدر

هلن چن، استاد بهداشت عمومی در واترلو، گفت: «آمارگیری به‌وسیله یادگیری ماشین، مزایای بسیاری نسبت به روش‌های آماری سنتی دارد. در روش قدیمی، ما باید متغیرهای خاصی را انتخاب و براساس آنها، داده‌ها را بررسی می‌کردیم، اما با استفاده از روش یادگیری ماشین، دیگر نیازی به تعیین متغیر نیست؛ چراکه هوش مصنوعی، تمامی فاکتورهای موجود در داده‌ها را بررسی می‌کند و ما متوجه شدیم که متغیرهایی مانند «دریافت کمک‌هزینه بالا از خانواده‌ها» توسط نوجوانان، تاثیر به‌مراتب بیشتری از دیگر عوامل مانند افسردگی، اضطراب و… دارد که ما در گذشته، هرگز به محاسبه چنین فاکتورهایی در آمارهایمان فکر نمی‌کردیم.»

در این مطالعه، الگوی مصرف مواد مخدر توسط نوجوانان به چهار دسته تقسیم شد:

  • سالم و بدون مصرف مواد مخدر و الکل
  • یک‌عاملی (مصرف الکل)
  • دوعاملی (مصرف مواد مخدر و الکل)
  • چندعاملی (مصرف مواد مخدر، الکل، سیگار و…)

رنا یانگ، فوق دکترای دانشکده علوم بهداشت عمومی واترلو، گفت: «بیشترین آمار مربوط به نوجوانانی است که از دسته الگوی مصرف دوعاملی به چندعاملی حرکت کرده‌اند و کمترین آمار هم متعلق به دسته دوعاملی است که به یک‌عاملی یا بدون مصرف منتقل شده‌اند. این یعنی بسیار دور از انتظار است که یک دانش‌آموزِ درگیر استفاده از مواد مخدر و الکل، به‌خودیِ‌خود مصرف مواد را کنار بگذارد و به دسته‌های پایین‌تر منتقل شود.»

از نظر پایداری، دسته چندعاملی بیشترین ثبات را از خود نشان داده‌ است. این یعنی بسیار دشوار است که نوجوانانی را که درگیر استفاده از چند نوع از مواد مخدر هستند، به‌سمت عدم استفاده سوق داد. در رتبه دوم و سوم به‌ترتیب، دسته دوعاملی و بدون مصرف قرار دارند. کسانی که از یک ماده مخدر استفاده می‌کنند، کمترین پایداری را داشتند و این یعنی اعتیاد به الکل یا یک مدل از ماده مخدر، راه را برای افزایش مصرف دیگر مواد نیز هموار می‌کند.

رنا یانگ گفت: «متخصصان بهداشت عمومی باید به این آمار بسیار توجه کنند و سیاست‌های مدرسه خود را براساس طرح‌هایی ازجمله تقویت فعالیت بدنی، تغذیه سالم، ارتقاء سلامت روان و… برنامه‌ریزی کنند.»

پیش از این، تصورات غلطی پیرامون گرایش نوجوانان به مواد مخدر و الکل وجود داشته که توسط این آزمایش، ثابت شده که بسیاری از آنها پایه و اساس محکمی نداشته‌اند. برای مثال، عقیده بر این بوده که افراد سیاه‌پوست، مسن، افسرده، کسانی که سابقه زورگویی کردن داشتند و افرادی که صبحانه نمی‌خورند، بیشتر در معرض گرایش به مواد مخدر و الکل هستند که به اثبات رسید چنین نظریه‌ای بی‌اساس است. در مقابل، پول زیاد، دوستان سیگاری و فعالیت بدنی پایین، درصد احتمال مصرف مواد مخدر را بسیار بالا می‌برد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]