بر اساس مقاله علمی جدید ، هوش مصنوعی (AI) می تواند تنهایی را تا حداکثر 94 درصد در گفتار فرد تشخیص دهد.

محققان در ایالات متحده از چندین ابزار هوش مصنوعی از جمله IBM Watson برای تجزیه و تحلیل متن افراد مسن مصاحبه شده در مورد تنهایی استفاده کرده اند..

سازمان عفو ​​بین الملل با تجزیه و تحلیل کلمات ، عبارات و خلا of سکوت در حین مصاحبه ، علائم تنهایی را با دقت تقریباً مشابه گزارشات خود در مورد تنهایی و پرسشنامه هایی که توسط خود شرکت کنندگان تکمیل شده ، ارزیابی کرد ، که می تواند مغرضانه باشد.

عفو بین الملل همچنین نشان داد که افراد تنها پاسخ طولانی تری به س directالات مستقیم در مورد تنهایی دارند و ناراحتی بیشتری را در پاسخ های خود بیان می کنند.

تیمی به سرپرستی محققان دانشکده پزشکی دانشگاه کالیفرنیا سان دیگو از تکنیک های هوش مصنوعی برای تجزیه و تحلیل الگوهای زبان طبیعی (NLP) برای توصیف درجه تنهایی در بزرگسالان مسن استفاده کردند.

ایلین لی ، محقق ارشد ، از دانشكده پزشكی دانشگاه كالیفرنیا ، گفت: “در بیشتر مطالعات از یك س straightال ساده” هر چند وقت احساس تنهایی می كنید “استفاده می شود كه می تواند منجر به پاسخ های مغرضانه شود به دلیل ننگ ناشی از تنهایی.

برای این پروژه ، ما با هماهنگی ابزارهای معمول اندازه گیری واحد ، از پردازش زبان طبیعی استفاده می کنیم که یک ارزیابی کمی بی طرفانه از احساسات و احساسات بیان شده است.

بیشتر بخوانیم؟
سامسونگ از هوآوی به عنوان شناخته شده ترین مارک تلفن هوشمند در جهان پیشی می گیرد

“نکته جالب در مورد این ابزار این است که نه تنها از یک روش مبتنی بر فرهنگ لغت استفاده می کند – به عنوان مثال جستجو برای کلمات خاص که نشان دهنده ترس است – بلکه به نظر می رسد مدل هایی در کلمات استفاده شده در پاسخ است.

کارشناسان می گویند “همه گیری تنهایی” اتفاق افتاده است که با میزان بالای خودکشی و مصرف مواد افیونی ، از دست دادن بهره وری ، افزایش هزینه های مراقبت های بهداشتی و مرگ و میر بالا در ایالات متحده مشخص شده است.

پردازش زبان طبیعی چیست؟

پردازش زبان طبیعی (NLP) شاخه ای از هوش مصنوعی است که به کامپیوترها در درک ، تفسیر و پردازش زبان انسان کمک می کند.

برنامه نویسی عصبی عصبی (NLP) به رایانه ها کمک می کند تا با زبان خود با انسان ارتباط برقرار کنند و سایر کارهای مربوط به زبان را اندازه گیری می کند.

به عنوان مثال ، NLP به کامپیوترها اجازه می دهد متن را بخوانند ، گفتار را بشنوند و تفسیر کنند ، احساسات را بسنجند و قسمتهای مهم را شناسایی کنند.

منبع: SAS

مطالعه ای در دانشگاه کالیفرنیا ، سن دیگو که اوایل سال جاری منتشر شد نشان داد که 85 درصد از ساکنان ساکن یک جامعه مسکونی جداگانه برای سالمندان سطح متوسط ​​تا شدید تنهایی را گزارش می کنند.

بیماری همه گیر Covid-19 و قفل های ناشی از آن باعث افزایش مدت زمانی که افراد در انزوا می شوند ، می شود و اوضاع را بدتر می کند.

بیشتر بخوانیم؟
فضا: دانشمندان ستاره ای را که توسط سیاه چاله ای عظیم در حال بلعیدن است ، شکار می کنند

محققان می خواستند در مورد اینکه چگونه تکنیک های پردازش زبان طبیعی و مدل های یادگیری ماشین می توانند تنهایی را در افراد مسن ساکن جامعه پیش بینی کنند ، بیشتر بدانند.

این مطالعه بر روی 80 نفر از ساکنان مستقل 66 تا 94 سال با میانگین سنی 83 سال تمرکز داشت.

کارکنان آموزش دیده قبل از شیوع بیماری ، از آوریل 2018 تا آگوست 2019 ، با شرکت کنندگان مصاحبه های نیمه ساختاری انجام داده اند.

از شرکت کنندگان 20 س fromال از مقیاس واحد UCI پرسیده شد ، که از مقیاس رتبه بندی چهار نمره ای برای س questionsالاتی از قبیل “چند بار احساس می کنید کنار گذاشته می شوید؟” و “هر چند وقت یکبار احساس می کنید عضوی از یک گروه از دوستان هستید؟”

در هیچ یک از س onالات مقیاس واحد UCI به صراحت از کلمه “مجرد” استفاده نشده است.

همچنین در طی مکالمات شخصی با شرکت کنندگان مصاحبه صورت گرفت که به صورت دستی ضبط و رونویسی شد.

سپس متن ها با استفاده از ابزار پردازش زبان طبیعی ، از جمله برنامه درک طبیعی زبان Watson IBM (WNLU) IBM ، برای سنجش احساسات و عواطف بیان شده مورد بررسی قرار گرفتند.

WNLU از یادگیری عمیق برای استخراج فراداده از کلمات کلیدی ، دسته ها ، احساسات ، احساسات و نحو استفاده می کند.

شرکت کنندگان برای ارزیابی تنهایی ، مصاحبه های نیمه ساختاریافته در مورد تجربه تنهایی و مقیاس خود گزارشگری (مقیاس واحد UCLA) را انجام دادند ، سپس مقایسه شدند.  اسکریپت های وارد شده در برنامه درک زبان طبیعی Watson IBM (نشان داده شده)

بیشتر بخوانیم؟
یک راکتور همجوشی هسته ای می تواند در عرض یک دهه برق تولید کند

شرکت کنندگان برای ارزیابی تنهایی ، مصاحبه های نیمه ساختاریافته مربوط به تجربه تنهایی و گزارش خود (مقیاس تنهایی UCLA) را انجام دادند ، سپس مقایسه شدند. اسکریپت های وارد شده در برنامه درک زبان طبیعی Watson IBM (نشان داده شده)

وارشا بدال ، نویسنده ارشد ، از دانشگاه کالیفرنیا ، سانفرانسیسکو ، گفت: “الگوهای زبان طبیعی و یادگیری ماشینی به ما امکان می دهد مصاحبه های طولانی را با چندین فرد به طور سیستماتیک بررسی کنیم و بررسی کنیم که چگونه ویژگی های گفتاری ظریف مانند احساسات می توانند احساس تنهایی را نشان دهند.

“تجزیه و تحلیل احساسات مشابه توسط انسان مغرضانه خواهد بود ، فاقد سازگاری است و برای استاندارد سازی آنها نیاز به آموزش گسترده دارد.”

با مقایسه ویژگی های زبانی ، هوش مصنوعی در مقایسه با “مدل کمی” – نمرات از مقیاس انزوای UCLA ، می تواند تنهایی را با دقت 94٪ پیش بینی کند.

هوش مصنوعی تنهایی خودشناسی شده را با دقت 94 درصد و “واحد کمی” (بر اساس نتایج مقیاس واحد UCLA) با دقت 76 درصد پیش بینی کرده است.

آنها دریافتند که افراد تنها در مصاحبه پاسخ طولانی تری دارند و هنگام پاسخ به س questionsالات مستقیم در مورد تنهایی ، ناراحتی بیشتری را گزارش کردند.

این مطالعه همچنین تفاوت بین زن و مرد را نشان داد – در طول مصاحبه ها ، مردان بیشتر از مردان به تنهایی اذعان داشتند.

بیشتر بخوانیم؟
ویژگی جدید Google کاربران ناشنوا را با هشدارهای آتش ، پارس سگ و سایر صداهای "مهم" شناسایی می کند

مردان در پاسخ های خود کلمات ترسناک و بازیگوشی بیشتری نسبت به زنان به کار می بردند ، که نشان می دهد تجربیات آنها با احساسات منفی و مثبت شدیدتر است ، یا حتی مردان می توانند این احساسات را آزادانه بیان کنند.

لی به MailOnline گفت: “ممکن است در احساسات و عواطف کمی تفاوت جنسیتی در نحوه توصیف احساس تنهایی از سوی مردان و زنان مسن وجود داشته باشد.”

این مطالعه اختلاف بین ارزیابی تحقیق از تنهایی و تجربه ذهنی فرد از تنهایی را برجسته می کند ، که AI می تواند به تعریف آن کمک کند.

محققان می گویند ممکن است “گفتاری تنها” وجود داشته باشد که می تواند برای غربالگری تنهایی در افراد مسن مورد استفاده قرار گیرد.

IBM Watson به کاربران اجازه می دهد متن را برای استخراج فراداده از محتوایی مانند مفاهیم ، موجودیت ها ، کلمات کلیدی ، دسته ها ، احساسات ، احساسات ، روابط و نقش های معنایی با استفاده از درک زبان طبیعی تجزیه و تحلیل کنند.

IBM Watson به کاربران امکان می دهد متن را استخراج کنند تا فراداده ها را از محتوایی مانند مفاهیم ، موجودیت ها ، کلمات کلیدی ، دسته ها ، احساسات ، احساسات ، روابط و نقش های معنایی با استفاده از درک زبان طبیعی استخراج کنند

این می تواند نحوه ارزیابی و درمان تنهایی را در بزرگسالان مسن تر ، به ویژه در دوران انزوای اجتماعی ، توسط پزشکان و خانواده ها بهبود بخشد.

UCSF اکنون در حال جستجو در امضاهای الگوهای طبیعی زبان از تنهایی و خرد است که در افراد مسن رابطه معکوس دارند ، به این معنی که وقتی یکی بالا می رود ، دیگری رو به زوال است.

بیشتر بخوانیم؟
این بررسی نشان داد که نزدیک به 60 درصد آمریکایی ها به دلیل ترس از ویروس کرونا می خواهند پول نقد خود را متوقف کنند

Dilip Jesty ، یکی از نویسندگان این مطالعه ، از دانشگاه کالیفرنیا ، سانفرانسیسکو گفت: “داده های گفتار می تواند با ارزیابی های دیگر ما از شناخت ، تحرک ، خواب ، فعالیت بدنی و سلامت روان ترکیب شود تا درک ما از پیری را بهبود بخشد و به شما کمک کند تا پیری موفقیت آمیز داشته باشید.”

این مطالعه دقت هوش مصنوعی را در برابر گزارشات شرکت کنندگان از تنهایی اندازه گیری کرد ، که همانطور که گفته شد ، همیشه احساسات و عواطف واقعی را منعکس نمی کند.

با این حال ، از هوش مصنوعی و گزارش های خود می توان به طور همزمان توسط روانشناسان و متخصصان برای افزایش دقت تشخیص استفاده کرد.

ما قبول داریم که [UCLA Loneliness Scale] وی به MailOnline گفت: “نتیجه برخی نادرستی ها است زیرا متكی به خودگزارشی است.”

با این حال ، این یکی از محبوب ترین ابزارهایی است که در تحقیقات مورد استفاده قرار می گیرد زیرا به صراحت از کلمه “مجرد” استفاده نمی کند و به نظر می رسد که به طور مداوم صفت تنهایی را بدون تعصب جنسیتی ضبط می کند.

“ما امیدواریم که ابزارهای حساس تری را برای ارزیابی وضعیت واحد تولید کنیم.”

این مطالعه در مجله آمریکایی روانپزشکی سالمندان منتشر شده است.

چگونه دستگاه های هوش مصنوعی در حال یادگیری استفاده از شبکه های عصبی هستند

سیستم های هوش مصنوعی به شبکه های عصبی مصنوعی (ANN) متکی هستند ، که سعی در شبیه سازی روش کار مغز برای یادگیری دارند.

بیشتر بخوانیم؟
یک برنامه ترک سیگار به شناسایی عوامل محرک کمک می کند و شانس موفقیت شما را افزایش می دهد

شبکه های عصبی مصنوعی می توانند برای شناسایی الگوهای اطلاعات – از جمله گفتار ، داده های متنی یا تصاویر دیداری – آموزش ببینند و مبنای پیشرفت های زیادی در هوش مصنوعی طی سال های اخیر هستند.

هوش مصنوعی سنتی با در اختیار داشتن مقادیر گسترده ای از اطلاعات ، از ورودی ها برای “آموزش” الگوریتمی درباره یک موضوع خاص استفاده می کند.

سیستم های هوش مصنوعی به شبکه های عصبی مصنوعی (ANN) متکی هستند ، که سعی در شبیه سازی روش کار مغز برای یادگیری دارند.  شبکه های عصبی را می توان برای شناخت الگوها در اطلاعات - از جمله گفتار ، داده های متنی یا تصاویر دیداری - آموزش داد

سیستم های هوش مصنوعی به شبکه های عصبی مصنوعی (ANN) متکی هستند ، که سعی در شبیه سازی روش کار مغز برای یادگیری دارند. شبکه های عصبی را می توان برای شناخت الگوها در اطلاعات – از جمله گفتار ، داده های متنی یا تصاویر دیداری – آموزش داد

برنامه های عملی شامل خدمات ترجمه زبان Google ، نرم افزار تشخیص چهره فیس بوک و عکس Snapchat است که فیلترهای زنده را تغییر می دهد.

روند ورود این داده ها می تواند بسیار وقت گیر باشد و محدود به یک نوع دانش است.

نژاد جدید ANN به نام Adversarial Neural Networks هوش دو ربات هوش مصنوعی را در برابر یکدیگر قرار می دهد و به آنها اجازه می دهد از یکدیگر یاد بگیرند.

این روش برای تسریع روند یادگیری و همچنین بهبود خروجی های تولید شده توسط سیستم های AI طراحی شده است.


لینک ها کوتاه شده

tinyurl.com/y4meaqo4
is.gd/5NKhiH
shrtco.de/NmbnZ
clck.ru/R5qy5
u.nu/97foj
ulvis.net/83Y