از داده تا پیش‌بینی؛ یادگیری ماشین چگونه به روان‌شناسی کمک می‌کند؟

وقتی داده‌ها از آنچه می‌بینیم بیشتر حرف می‌زنند

فرض کنید فردی در بیشتر روزها اضطراب متوسطی را تجربه می‌کند. اما با بررسی دقیق‌تر متوجه می‌شویم که اضطراب او معمولاً پس از خواب نامناسب، در موقعیت‌های اجتماعی خاص یا در ساعات مشخصی از روز افزایش پیدا می‌کند.

یک ارزیابی معمول ممکن است تصویری کلی از وضعیت این فرد ارائه دهد؛ اما اندازه‌گیری‌های مکرر و تحلیل داده‌های روزمره می‌توانند الگوهایی را آشکار کنند که در یک ارزیابی مقطعی به‌سادگی دیده نمی‌شوند.

اینجاست که یادگیری ماشین (Machine Learning) وارد بحث می‌شود. این فناوری به ما کمک می‌کند از میان حجم زیادی از داده‌ها، الگوهای قابل‌بررسی را شناسایی کنیم و در شرایط مناسب، درباره پیامدهای آینده پیش‌بینی‌هایی انجام دهیم.

در روان‌شناسی، اهمیت این قابلیت فقط به تحلیل سریع‌تر داده‌ها محدود نیست؛ بلکه به این پرسش مربوط می‌شود که چگونه می‌توان از داده‌های رفتاری و روان‌شناختی برای درک بهتر تغییرات انسان استفاده کرد.

یادگیری ماشین؛ کشف الگو در میان انبوه داده‌ها

یادگیری ماشین یکی از شاخه‌های هوش مصنوعی (Artificial Intelligence) است. در این رویکرد، الگوریتم‌ها با استفاده از داده‌ها آموزش می‌بینند تا الگوهایی را یاد بگیرند که می‌توانند برای پیش‌بینی، طبقه‌بندی یا تحلیل داده‌های جدید به کار روند.

برای مثال، یک پژوهشگر ممکن است بخواهد بر اساس اطلاعات مربوط به خواب، خلق، استرس و تعاملات اجتماعی، تغییرات اضطراب را در اندازه‌گیری بعدی پیش‌بینی کند.

مدل یادگیری ماشین می‌تواند روابط میان این متغیرها را بررسی کند و الگویی برای پیش‌بینی بسازد. سپس باید مشخص شود که مدل در مواجهه با داده‌هایی که هنگام آموزش ندیده است، تا چه اندازه عملکرد مناسبی دارد.

به‌طور معمول، توسعه یک مدل شامل گردآوری و آماده‌سازی داده‌ها، آموزش الگوریتم، ارزیابی عملکرد و بررسی نتایج است.

نکته اساسی این است که مدل از داده‌ها الگو می‌آموزد، نه اینکه لزوماً سازوکار واقعی ذهن و رفتار انسان را کشف کند. پیش‌بینی دقیق‌تر یک پیامد نیز به‌تنهایی به معنای شناخت علت آن نیست.

از ارزیابی روان‌شناختی تا پیش‌بینی؛ چه کاربردهایی در انتظار ماست؟

یادگیری ماشین در روان‌شناسی یک کاربرد واحد ندارد. ارزش آن به مسئله‌ای بستگی دارد که قرار است حل شود، داده‌هایی که در اختیار داریم و کیفیت شواهدی که از مدل به دست می‌آوریم.

شناسایی الگوهای مرتبط با سلامت روان

مدل‌های یادگیری ماشین می‌توانند برای بررسی الگوهای مرتبط با نشانه‌های اضطراب و افسردگی، تغییرات خلقی یا افت عملکرد روزمره استفاده شوند. هدف ممکن است شناسایی ترکیب متغیرهایی باشد که با یک پیامد ارتباط دارند یا پیش‌بینی تغییرات آینده آن پیامد.

البته چنین مدلی به‌خودی‌خود ابزار تشخیص بالینی محسوب نمی‌شود. استفاده بالینی به اعتبارسنجی مناسب، بررسی خطاها و ارزیابی عملکرد در جمعیت هدف نیاز دارد.

شناخت تفاوت‌های فردی

دو نفر ممکن است نمره مشابهی در یک مقیاس روان‌شناختی داشته باشند، اما مسیر تغییرات و شرایط مرتبط با تجربه‌های آن‌ها متفاوت باشد.

تحلیل داده‌های متنوع می‌تواند به بررسی این تفاوت‌ها کمک کند. در برخی کاربردها، مدل‌های داده‌محور امکان شناسایی الگوهایی را فراهم می‌کنند که با تحلیل‌های ساده‌تر به‌راحتی آشکار نمی‌شوند.

بااین‌حال، عملکرد مناسب مدل در سطح گروه لزوماً تضمین نمی‌کند که پیش‌بینی‌های آن برای هر فرد به همان اندازه دقیق باشند.

پشتیبانی از پژوهش‌های روان‌شناختی

پژوهشگران گاهی با مجموعه‌داده‌هایی روبه‌رو هستند که متغیرهای متعدد، روابط پیچیده و مشاهدات فراوانی دارند. یادگیری ماشین می‌تواند به توسعه مدل‌های پیش‌بینی و بررسی الگوهای چندمتغیره کمک کند.

در این کاربردها، انتخاب الگوریتم باید تابع سؤال پژوهش باشد. گاهی روش‌های آماری متداول برای پاسخ به سؤال مناسب‌ترند و گاهی ترکیب روش‌های آماری و یادگیری ماشین تصویر کامل‌تری ارائه می‌دهد.

توسعه ابزارهای سلامت روان دیجیتال

در ابزارهای دیجیتال، داده‌ها ممکن است در طول زمان جمع‌آوری شوند و تصویری از تغییرات روزمره فرد ایجاد کنند. این اطلاعات می‌توانند در صورت طراحی و اعتبارسنجی مناسب، برای پایش روندها، شناسایی تغییرات مهم یا توسعه ابزارهای پشتیبان تصمیم‌گیری به کار روند.

در چنین سامانه‌هایی، یادگیری ماشین می‌تواند بخشی از یک فرایند گسترده‌تر باشد؛ فرایندی که از اندازه‌گیری شروع می‌شود، به تحلیل داده می‌رسد و در صورت وجود شواهد کافی، می‌تواند به طراحی یا ارزیابی مداخلات کمک کند.

چرا داده‌های روزمره برای یادگیری ماشین اهمیت دارند؟

بخش مهمی از پژوهش‌های روان‌شناختی بر پرسش‌نامه‌ها و ارزیابی‌های مقطعی تکیه دارد. این روش‌ها همچنان ارزشمندند، اما همیشه برای بررسی نوسانات روزانه و روابط زمانی میان تجربه‌ها کافی نیستند.

ارزیابی لحظه‌ای بوم‌نگر (Ecological Momentary Assessment یا EMA) روشی برای گردآوری مکرر داده‌ها در زندگی روزمره افراد است. در این روش، شرکت‌کنندگان ممکن است چند بار در روز به پرسش‌هایی درباره خلق، استرس، خواب، رفتار یا تعاملات اجتماعی پاسخ دهند.

در نتیجه، به‌جای یک تصویر کلی از وضعیت فرد، مجموعه‌ای از مشاهدات در طول زمان به دست می‌آید.

چنین داده‌هایی می‌توانند برای پرسش‌هایی از این دست مفید باشند:

• چه متغیرهایی با افزایش اضطراب در اندازه‌گیری بعدی ارتباط دارند؟

• آیا الگوهای مرتبط با خلق در افراد مختلف متفاوت‌اند؟

• تا چه اندازه می‌توان یک پیامد را بر اساس اندازه‌گیری‌های قبلی پیش‌بینی کرد؟

• آیا مدل توسعه‌یافته در یک نمونه، روی نمونه‌ای مستقل نیز عملکرد مناسبی دارد؟

البته داده‌های EMA چالش‌های روش‌شناختی خاص خود را دارند. مشاهدات یک فرد معمولاً مستقل نیستند، داده‌های گمشده ممکن است تصادفی نباشند و روابط میان متغیرها نیز می‌توانند در طول زمان تغییر کنند.

بنابراین، تعداد زیاد اندازه‌گیری‌ها به‌تنهایی برای ساخت یک مدل معتبر کافی نیست. ساختار داده‌ها، حجم نمونه، کیفیت اندازه‌گیری و روش اعتبارسنجی باید متناسب با هدف تحلیل انتخاب شوند.

AutoML؛ وقتی اجرای مدل ساده‌تر می‌شود

یکی از موانع استفاده از یادگیری ماشین، پیچیدگی مراحل فنی آن است. آماده‌سازی داده‌ها، انتخاب الگوریتم، تنظیم پارامترها و مقایسه مدل‌ها می‌تواند برای متخصصانی که آموزش اصلی آن‌ها در حوزه روان‌شناسی است، دشوار یا زمان‌بر باشد.

یادگیری ماشین خودکار (Automated Machine Learning یا AutoML) با خودکارسازی بخشی از این مراحل تلاش می‌کند اجرای مدل‌های یادگیری ماشین را ساده‌تر کند.

بسته به ابزار، AutoML می‌تواند بخش‌هایی از فرایند انتخاب و مقایسه الگوریتم‌ها، تنظیم پارامترها و ارزیابی مدل‌ها را خودکار کند. در نتیجه، کاربر می‌تواند با درگیری کمتر در مراحل فنی، بیشتر بر سؤال پژوهش، کیفیت داده‌ها و تفسیر علمی نتایج تمرکز کند.

البته خودکارسازی به معنای حذف کامل نیاز به دانش تخصصی نیست. انتخاب مسئله مناسب، تشخیص مشکلات داده‌ها، بررسی عملکرد مدل و تفسیر خروجی همچنان به قضاوت علمی نیاز دارند.

از قابلیت فنی تا کاربرد واقعی؛ AutoML در التیام

در سایکوتک، پیوند روان‌شناسی بالینی، هوش مصنوعی و علم داده تنها به تولید محتوای نظری محدود نیست؛ این رویکرد در توسعه محصولات نیز دنبال می‌شود.

در بخش EMA پلتفرم التیام (Eltiam)، قابلیت AutoML پیاده‌سازی شده است. متخصص می‌تواند با یک کلیک فرایند اجرای مدل‌های یادگیری ماشین را انجام دهد و خروجی بگیرد؛ بدون اینکه مجبور باشد تمام مراحل فنی را به‌صورت دستی اجرا کند.

این قابلیت با هدف ساده‌تر کردن دسترسی به ابزارهای تحلیل داده‌محور طراحی شده است و می‌تواند در مسیر کار با داده‌های حاصل از ارزیابی‌های مکرر روان‌شناختی کاربرد داشته باشد.

اهمیت این رویکرد در کاهش فاصله میان گردآوری داده‌های روان‌شناختی و تحلیل آن‌ها است. پژوهشگر یا متخصص می‌تواند از یک فرایند یکپارچه‌تر برای اجرای مدل استفاده کند، درحالی‌که همچنان مسئولیت بررسی کیفیت داده‌ها، تناسب تحلیل با سؤال پژوهش و تفسیر نتایج را بر عهده دارد.

در نهایت، ارزش چنین قابلیتی فقط به اجرای ساده‌تر مدل محدود نمی‌شود؛ بلکه به این بستگی دارد که ابزار تا چه اندازه بتواند فرایند تحلیل را در دسترس‌تر کند، بدون آنکه دقت روش‌شناختی و ارزیابی علمی کنار گذاشته شوند.

آیا یادگیری ماشین جای آمار را می‌گیرد؟

پاسخ کوتاه، خیر است.

روش‌های آماری و یادگیری ماشین اهداف مشترک و متفاوتی دارند. برخی روش‌های آماری برای برآورد روابط، آزمون فرضیه‌ها و بررسی عدم‌قطعیت مناسب‌اند. بسیاری از کاربردهای یادگیری ماشین نیز بر پیش‌بینی و ارزیابی عملکرد مدل روی داده‌های جدید تمرکز می‌کنند.

بااین‌حال، این دو حوزه مرز کاملاً جداگانه‌ای ندارند. برای مثال، رگرسیون می‌تواند هم برای استنباط آماری و هم برای پیش‌بینی استفاده شود.

هدف تحلیلرویکردهای قابل‌بررسیبررسی ارتباط میان متغیرهاروش‌های آماری متناسب با سؤال پژوهشبرآورد تغییرات در طول زمانمدل‌های طولی و چندسطحیپیش‌بینی پیامدهای آیندهروش‌های آماری پیش‌بینی یا یادگیری ماشینشناسایی الگوهای چندمتغیرهروش‌های آماری، یادگیری ماشین یا ترکیبی از آن‌هابررسی روابط پویا در داده‌های تکرارشوندهمدل‌های زمانی، شبکه‌ای یا روش‌های دیگر متناسب با ساختار داده

بنابراین، روش مناسب را باید بر اساس سؤال پژوهش، ساختار داده‌ها و هدف تحلیل انتخاب کرد، نه صرفاً بر اساس جدیدتر یا پیچیده‌تر بودن فناوری.

آنچه یک مدل نمی‌تواند به‌تنهایی به ما بگوید

استفاده از یادگیری ماشین در روان‌شناسی با چند محدودیت اساسی همراه است که نادیده گرفتن آن‌ها می‌تواند به برداشت‌های نادرست منجر شود.

• کیفیت داده‌ها: داده‌های ناقص یا اندازه‌گیری‌های نامعتبر می‌توانند نتایج را مخدوش کنند.

• بیش‌برازش: مدل ممکن است در داده‌های آموزشی عملکرد خوبی داشته باشد، اما در داده‌های جدید ضعیف عمل کند.

• سوگیری: بازنمایی نامتوازن گروه‌ها در داده‌های آموزشی می‌تواند به تفاوت عملکرد مدل میان جمعیت‌ها منجر شود.

• تفسیرپذیری: بعضی مدل‌ها توضیح ساده‌ای درباره چگونگی رسیدن به یک پیش‌بینی ارائه نمی‌کنند.

• حریم خصوصی: داده‌های روان‌شناختی نیازمند حفاظت جدی و مدیریت مسئولانه‌اند.

• تفاوت پیش‌بینی و علیت: پیش‌بینی یک پیامد به‌تنهایی مشخص نمی‌کند چه عاملی علت آن است یا کدام مداخله آن را تغییر می‌دهد.

در حوزه سلامت روان، این محدودیت‌ها اهمیت بیشتری دارند؛ زیرا خروجی مدل ممکن است بر برداشت متخصص از وضعیت فرد یا تصمیم‌های مرتبط با او اثر بگذارد. به همین دلیل، یادگیری ماشین باید در چارچوب شواهد علمی، ملاحظات اخلاقی و نظارت انسانی به کار گرفته شود.

مسیر آینده؛ روان‌شناسی داده‌محور، نه صرفاً الگوریتم‌محور

یادگیری ماشین می‌تواند امکانات تازه‌ای برای مطالعه رفتار انسان فراهم کند؛ از تحلیل مجموعه‌داده‌های پیچیده تا توسعه مدل‌های پیش‌بینی و ابزارهای سلامت روان دیجیتال. AutoML نیز می‌تواند اجرای بخشی از این روش‌ها را برای متخصصان ساده‌تر کند.

اما پیشرفت واقعی زمانی اتفاق می‌افتد که فناوری با دانش روان‌شناختی، طراحی پژوهش مناسب و ارزیابی دقیق همراه شود.

در سایکوتک، توسعه ابزارهایی مانند قابلیت AutoML در بخش EMA التیام، بخشی از تلاش برای نزدیک‌تر کردن روش‌های داده‌محور به نیازهای واقعی متخصصان و پژوهشگران است.

هدف نهایی، استفاده از الگوریتم‌های پیچیده‌تر به هر قیمت نیست؛ بلکه تبدیل داده‌های بهتر به شواهد قابل‌اعتمادتر و ابزارهای کاربردی‌تر برای فهم رفتار انسان است.