Les chercheurs d'USC produisent l'algorithme pour optimiser des groupes d'intervention de toxicomanie

Quand il s'agit de toxicomanie de combat, la recherche propose que la compagnie que vous maintenez puisse effectuer la différence entre la guérison et la rechute. Ainsi, alors que les programmes d'intervention de groupe peuvent jouer un rôle majeur en évitant la toxicomanie, particulièrement dans les populations à risque telles que la jeunesse sans abri, ils peuvent également par mégarde exposer des participants aux comportements négatifs.

Maintenant, les chercheurs du centre d'USC pour l'artificial intelligence dans la société ont produit un algorithme qui trie les participants de programme d'intervention - qui travaillent volontairement à la guérison - dans de plus petits groupes, ou des sous-groupes, d'une manière dont met à jour les liens sociaux utiles et brisent les liens sociaux qui pourraient porter préjudice à la guérison.

« Nous savons que la toxicomanie est hautement affectée par influence sociale ; en d'autres termes, avec qui vous êtes des amis, » dit Aida Rahmattalabi, un étudiant de troisième cycle de l'informatique d'USC et auteur important de l'étude.

« Afin d'améliorer l'efficacité des interventions, vous devez savoir les gens s'influenceront dans un groupe. »

Rahmattalabi et collègues d'école d'USC Viterbi d'école de bureau d'études, de Dworak-Picotin d'USC Suzanne de travail social et de l'université de Denver ont fonctionné en collaboration avec la crête urbaine, une jeunesse sans abri de portion à but non lucratif basée sur Denver, pour développer l'aide de décision, qu'ils espèrent aideront des interventionnistes maltraitent en substance la prévention.

Les résultats ont montré sensiblement le meilleur exécuté par algorithme que des stratégies de contrôle pour constituer des groupes. L'étude, maximisation appelée d'influence pour la prévention de toxicomanie basée par réseau social, était publiée dans la conférence d'AAAI sur la partie d'abrégé sur stagiaire d'artificial intelligence.

Les co-auteurs de l'étude étaient Phebe Vayanos, professeur adjoint d'USC de l'ingénierie des systèmes d'industriel et et de l'informatique, Milind Tambe, la Hélène N. et Emmett H. Jones professeur dans le bureau d'études et professeur de l'ingénierie des systèmes de l'informatique et d'industriel et, et riz d'Éric, professeur agrégé dans le travail social ; Barman Adhikari d'Anamika de l'université de Denver ; et Baker de Robin de crête urbaine.

Pouvoir d'influence de pairs

Chaque année, jusqu'à deux millions de jeunesse aux États-Unis remarquera le phénomène des sans-abri, et les estimations proposent entre 39 et 70 pour cent de médicaments sans abri d'abus de la jeunesse ou alcool.

Les initiatives de toxicomanie telles que la thérapie de groupe peuvent offrir le support par la jeunesse sans abri d'une manière encourageante pour partager leurs expériences, pour apprendre des stratégies satisfaisantes positives, et pour établir les réseaux sociaux sains.

Mais si ces groupes ne sont pas correctement structurés, ils peuvent aggraver les problèmes qu'ils ont l'intention de traiter en encourageant la formation des amitiés basées sur le comportement antisocial. C'est un procédé connu dans le travail social en tant que « formation de déviance, » quand les pairs se renforcent pour le comportement déviant.

L'équipe a abordé ce problème d'un point de vue d'artificial intelligence, produisant un algorithme qui tient compte de les deux comment les personnes dans un sous-groupe sont branchées - leurs relations étroites sociales - et leur histoire antérieure de toxicomanie.

Des caractéristiques d'étude recueillies volontairement de la jeunesse sans abri à Los Angeles, ainsi que les théories comportementales et les observations des interventions précédentes, ont été employées pour établir un modèle de calcul des interventions.

« Basé sur ceci nous avons un modèle d'influence qui explique comment vraisemblablement il est pour qu'une personne adopte des comportements négatifs ou pour change des comportements négatifs basés sur leur participation au groupe, » dit Rahmattalabi.

« Ceci nous aide à prévoir ce qui se produit quand nous groupons des gens dans de plus petits groupes. »

Peut-être la conclusion la plus étonnante était celle, contrairement à l'intuition courante, distribuant régulièrement les usagers réguliers de substance en travers des sous-groupes n'est pas la voie optimale de concevoir une intervention couronnée de succès.

« Distribution uniforme des usagers tandis qu'ignorer leurs relations existantes peut grand diminuer le taux de succès de ces interventions, » dit Rahmattalabi.

De plus, l'analyse propose que cela parfois la conduite de l'intervention pourrait réellement avoir un nuisible sur le groupe.

« Dans certains cas, nous avons trouvé que c'est réellement une mauvaise idée de conduire l'intervention : par exemple, si vous avez beaucoup de gens à haut risque dans un groupe, il vaut mieux de ne pas les brancher aux personnes à faible risque, » dit Rahmattalabi.

Pendant que la caractéristique neuve est ajoutée à l'algorithme, les chercheurs espèrent qu'il s'adaptera aux états de changement, indiquant comment les réseaux sociaux évoluent pendant le programme d'intervention. Ceci pourrait permettre à des interventionnistes de déterminer comment une intervention formera des résultats de participant. Les chercheurs continuent à travailler avec la crête urbaine, et le régime pour déployer l'outil pour optimiser des stratégies de groupe d'intervention pour la jeunesse sans abri à Denver dans la chute 2018.

Source : https://www.usc.edu/