اگر بتوانید چند صفحه از داستان زندگی خود را سریعتر ببینید، آیا نگاهی به آنها میاندازید؟ مطابق مطالعهی جدیدی که در مجلهی Nature Computational Science انتشار شده است، هوش مصنوعی امکان پذیر بتواند نسخهای از این انتخاب اراعه دهد. نویسندگان مقاله میگویند الگوریتم پیشگو به پشتیبانی دادههای زندگی میلیونها نفر، میتواند نتایج زندگی همانند درآمد در طول عمر یا گمان رویارویی با مرگ زودهنگام فرد را با دقت بالایی پیشبینی کند.
متیو سالگانیک، جامعهشناس دانشگاه پرینستون که در پژوهش تازه مشارکتی نداشت، میگوید اگر بتوان نشان داد این رویکرد در جوامع گوناگون کارآمد است، ابزار جدیدی در اختیار دانشمندان علوم اجتماعی قرار میگیرد تا چگونگی تاثییر ویژگیها و رویدادها بر سرنوشت افراد را بازدید کنند.
پیشازاین، سالگانیک و همکارانش همراه با بیشتر از ۱۰۰ تیم دیگر تلاش کرده بودند مدلهای یادگیری ماشین را برای پیشبینی پیامدهای زندگی با منفعت گیری از اطلاعات مربوط به سلامتی، روابط خانوادگی و تحصیلات نزدیک به ۵۰۰۰ کودک بالای ۱۵ سال گسترش دهند. اگرچه هیچیک از مدلهای آنها پیشبینی دقیقی حاصل نکرد.
پژوهشگران در مطالعه تازه خود از مدلهای زبانی بزرگ (که چت جیپیتی هم از این نوع است) منفعت گیری کردند. این الگوریتمها ابتدا حجم عظیمی از متون را تجزیهوتحلیل میکنند و در رشتههای کلمات و جملات به جستوجو الگو میگردند. سپس مدلها از آنچه آموختهاند برای پیشبینی کلمات بعدی یک جمله منفعت گیری میکنند.
سونه لمان، دانشمند شبکه و پیچیدگی در دانشگاه فنی دانمارک و همکارانش دراینباره کنجکاو بودند که آیا مدلهای زبانی بزرگ میتوانند در توالیهای فرد دیگر همانند آنهایی که داستان زندگی ما را میسازند، معنایی اشکار کنند یا خیر. او میگوید: «درست همانند زبان، ترتیب وقایع زندگی اهمیت دارد. برای مثال، تشخیص سرطان بلافاصله بعد از اشکار کردن شغلی با مزیتهای سلامتی، به گمان زیاد نسبت به حالت معکوس آن تاثییر متغیری خواهد داشت.»
دانشمندان هشدار خواهند داد الگوهای مشاهدهشده امکان پذیر به جمعیتهای غیردانمارکی قابل تعمیم نباشد
پژوهشگران از اطلاعات اسبق کار و اسبق سلامتی نزدیک به شش میلیون شهروند سرزمین دانمارک منفعت گیری کردند. آنها جزئیاتی همانند حقوق، مزایای اجتماعی، گفتن شغلی و مراجعه به بیمارستان و تشخیص را به زبانی مصنوعی ترجمه کردند که در آن وقایع زندگی به جملات تبدیل شدند. برای مثال، این جمله که «اگنس در آگوست ۲۰۱۰ بهگفتن ماما در بیمارستانی در کپنهاگ ۳۰ هزار کرون دانمارک به دست آورد.» با قرار دادن این رویدادها در جدول وقتی، مدل دانشمندان داستان دیجیتالی از زندگی فرد را بازسازی کرد.
پژوهشگران مدل خود را که life2vec نامیده بودند، بین سالهای ۲۰۰۸ تا ۲۰۱۶ روی داستان زندگی هر فرد آموزش دادند و مدل الگوهای داستانها را اشکار کرد. سپس آنها از الگوریتم برای پیشبینی این نوشته منفعت گیری کردند که کدامیک از افراد تا سال ۲۰۲۰ از دنیا میرود و با منفعت گیری از اطلاعات اداره ثبت احوال دانمارک دقت آن را اشکار کردند.
بهگزارش ساینس، پیشبینیهای مدل در ۷۸ درصد موارد دقیق می بود. مدل چندین فاکتور ازجمله داشتن درآمد پایین، داشتن تشخیص مشکل سلامت روان و مرد بودن را شناسایی کرد که جهت افزایش خطر مرگ زودرس میشد. خطاهای مدل طبق معمول ناشی از حوادث یا حملات قلبی می بود که پیشبینی آنها دشوار است.
اگرچه نتایج دلنشین است، برخی دانشمندان هشدار خواهند داد این الگوها امکان پذیر به جمعیتهای غیردانمارکی قابل تعمیم نباشد. یویو وو، روانشناس کالج دانشگاهی لندن میگوید مشاهده این نوشته دلنشین است که مدل روی دادههای کشورهای دیگر نیز کارآمد باشد، اما این قضیه را نیز باید درنظر داشت که سوگیری در دادهها نیز میتواند پیشبینیها را تحتتاثییر قرار دهد. برای مثال، تشخیص افراطی اسکیزوفرنی در بین افراد سیاهپوست میتواند جهت بشود الگوریتم به نادرست آنها را درمعرض خطر مرگ زودهنگام بالاتر درنظر بگیرد. این کار میتواند پیامدهایی ازنظر مسائلی همانند حق بیمه یا تصمیمات استخدامی داشته باشد.
لمان و همکارانش این چنین دریافتند که مدل آنها دیگر جنبههای زندگی افراد برای مثال این نوشته را که آیا آنها زیاد تر برونگرا می باشند، با دقت پیشبینی میکند. یقیناً ساندرا ماتز، دانشمند علوم اجتماعی محاسباتی در مدرسه کسبوکار کلمبیا میگوید: «این نوشته چندان شگفتیآور نیست. حتی الگوریتمهای سادهتر نیز میتوانند مشاغل خاصی (برای مثال آرایشگری) را با برونگرایی مرتبط کنند. دراینباره تردید دارم که این مدل بتواند همه نوع رفتاری را پیشبینی کند.»
لمان براین باور است که مدل آنها امکان پذیر روزی درزمینهی شناسایی افراد درمعرض خطر بیماری سودمند باشد و به آنها پشتیبانی کند، دست به اقداماتی بزنند که برای نگه داری سلامتیشان ملزوم است.
منبع