Η μηχανική μάθηση παρέχει γνώσεις που σύντομα θα ξεπεράσει τις δυνατότητες παρατήρησης των ψυχολόγων, οδηγώντας ενδεχομένως σε επαναστατικές προόδους στην κατανόηση της ανθρώπινης ψυχολογίας.
Σήμερα μπορούμε να εκπαιδεύσουμε προγράμματα υπολογιστών να μας δίνουν οδηγίες, να μας προτείνουν ταινίες που μπορεί να μας αρέσουν, ακόμη και να σκουπίζουν το σαλόνι μας. Αλλά η μηχανική μάθηση αναδεικνύεται σε κάτι πολύ περισσότερο από μια πηγή ευκολίας: βοηθάει τους επιστήμονες να κατανοήσουν καλύτερα το μυαλό μας.
Η αυξανόμενη χρήση των μεγάλων δεδομένων και της τεχνητής νοημοσύνης (AI) δημιουργεί πρωτοποριακές ανακαλύψεις και θεωρίες σχετικά με την ανθρώπινη νόηση, τη συμπεριφορά, την προσωπικότητα και την ψυχική υγεία. Αυτή η προηγμένη τεχνολογία είναι έτοιμη να ξεπεράσει τα όρια των δυνατοτήτων παρατήρησης των επιστημόνων.
Αυτό που πρόκειται να συμβεί κατά την επόμενη δεκαετία, απλώς ως συνέπεια της ύπαρξης περισσότερων δεδομένων, είναι ότι τα συστήματα μηχανικής μάθησης θα είναι σε θέση να αντλήσουν περισσότερες γνώσεις από ό,τι οι άνθρωποι που σκέφτονταν αυτά τα δεδομένα μπορεί να είναι σε θέση να [παράγουν], δήλωσε σε συνέντευξή του ο Τομ Γκρίφιθς, καθηγητής ψυχολογίας και επιστήμης των υπολογιστών στο Πανεπιστήμιο Princeton.
Αν και ορισμένοι ψυχολόγοι επιστήμονες προειδοποιούν ότι η μηχανική μάθηση είναι πολύ εμβρυακή για να αποδώσει αναμφισβήτητα συμπεράσματα, πολλοί βλέπουν την τεχνολογία ως μια επαναστατική πορεία προς τη σύλληψη της ανθρώπινης ψυχολογίας σε όλη της την πολυπλοκότητα.
Η τεχνητή νοημοσύνη μπορεί να προσφέρει καινοτόμες ιδέες που μπορεί να απαιτούσαν αρκετό χρόνο για τους ανθρώπους, εν μέρει επειδή περιορίζεται λιγότερο από τα όρια της διαθέσιμης γνώσης και των προκαταλήψεων, έγραψε η ψυχολόγος Λώρα Μπαρτλετ στη Σχολή Οικονομικών και Πολιτικών Επιστημών του Λονδίνου σε άρθρο που δημοσιεύθηκε στο Perspectives on Psychological Science (Bartlett, et al., 2022).
Μόνο τα τελευταία 5 χρόνια, οι ερευνητές έχουν δείξει τη σημαντική χρήση της μηχανικής μάθησης για την εξέταση της συνείδησης, της λήψης αποφάσεων, της αντίληψης και της συμπεριφοράς.
Από νέες πηγές δεδομένων σε νέες εφαρμογές
Η έρευνα της μηχανικής μάθησης εξελίσσεται ραγδαία χάρη στην αύξηση μαμούθ στην υπολογιστική ισχύ και στις πηγές δεδομένων του 21ου αιώνα, συμπεριλαμβανομένων των μέσων κοινωνικής δικτύωσης, των κειμένων των smartphone και των ερευνητικών εργαλείων που προέρχονται από το κοινό, όπως το Amazon Mechanical Turk (MTurk).
Η χρησιμότητα της μηχανικής μάθησης γεννιέται από την ανάγκη με αυτούς τους νέους τύπους δεδομένων, δήλωσε σε συνέντευξή του ο Ρος Τζακομπούτσι, ψυχολόγος του Πανεπιστημίου Notre Dame. Για την ανάλυση των περισσότερων δεδομένων που συλλέγονται από νέες πηγές, δεν μπορείτε πλέον να χρησιμοποιήσετε παραδοσιακά στατιστικά μοντέλα.
Η εμφάνιση μαζικών συνόλων δεδομένων και προηγμένης τεχνολογίας έχει γεννήσει πανεπιστημιακά εργαστήρια που εστιάζουν ειδικά στη χρήση της μηχανικής μάθησης.
Το Πανεπιστήμιο Carnegie Mellon (CMU), για παράδειγμα, εγκαινίασε το BrainHub, μια διεπιστημονική πρωτοβουλία με στόχο την ανάπτυξη νέων τεχνολογιών για τη μέτρηση και την ανάλυση του εγκεφάλου. Το Ινστιτούτο Γνωστικής Επιστήμης του Πανεπιστημίου του Κολοράντο Μπόλντερ, στεγάζει ειδικούς στην ψυχολογία, την επιστήμη των υπολογιστών, τη νευροεπιστήμη, τη γλωσσολογία και άλλους κλάδους και έχει ως στόχο να εκσυγχρονίσει τη μελέτη της ανθρώπινης νόησης. Το Εργαστήριο Υπολογιστικής Ψυχολογίας και Ευημερίας του Πανεπιστημίου του Στάνφορντ χρησιμοποιεί δεδομένα κοινωνικών μέσων και μηχανική μάθηση για να εξετάσει θέματα υγείας και ψυχολογίας.
Ο Γκρίφιθς, διευθύνει το Εργαστήριο Υπολογιστικής Γνωστικής Επιστήμης του Princeton, το οποίο κατασκευάζει μαθηματικά μοντέλα για να κατανοήσει τις ρίζες της ανθρώπινης νόησης. Ο ίδιος και οι συνεργάτες του στο Πανεπιστήμιο του Σικάγο και στο Ινστιτούτο Τεχνολογίας Στίβενς, εκπαίδευσαν πρόσφατα έναν αλγόριθμο τεχνητής νοημοσύνης για να μοντελοποιήσουν τις πρώτες εντυπώσεις των ανθρώπων για τους άλλους.
Η ερευνητική ομάδα ζήτησε από χιλιάδες ανθρώπους, που είχαν επιστρατευθεί στο MTurk, να δώσουν τις πρώτες τους εντυπώσεις από φωτογραφίες προσώπων που είχαν δημιουργηθεί από υπολογιστή. Σε σχεδόν 11.000 συνεδρίες, οι συμμετέχοντες κατέταξαν κάθε εικονιζόμενο άτομο σε ιδιότητες όπως η ευφυΐα, η ελκυστικότητα, η αξιοπιστία, η θρησκευτικότητα και ο πολιτικός προσανατολισμός. Οι ερευνητές χρησιμοποίησαν το πλήθος των απαντήσεων για να εκπαιδεύσουν ένα τεχνητό νευρωνικό δίκτυο -μια μορφή τεχνητής νοημοσύνης που επεξεργάζεται πληροφορίες όπως ο ανθρώπινος εγκέφαλος- ώστε να κάνει παρόμοιες γρήγορες κρίσεις για τα φωτογραφημένα πρόσωπα.
Διαπίστωσαν ότι οι κρίσεις του αλγορίθμου αντανακλούσαν πολλές από τις εντυπώσεις των συμμετεχόντων. Για παράδειγμα, τα χαμογελαστά πρόσωπα θεωρήθηκαν πιο αξιόπιστα. Οι άνθρωποι που φορούσαν γυαλιά κρίθηκαν ως πιο έξυπνοι (Peterson et al., 2022).
Τα αποτελέσματα υποδηλώνουν ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόβλεψη του τρόπου με τον οποίο οι άλλοι, συμπεριλαμβανομένων πιθανών εργοδοτών ή ερωτικών συντρόφων, θα μας αντιληφθούν με βάση τα χαρακτηριστικά και τις εκφράσεις του προσώπου μας.
Ο αλγόριθμος δεν παρέχει στοχευμένη ανατροφοδότηση ή δεν εξηγεί γιατί μια συγκεκριμένη εικόνα προκαλεί μια συγκεκριμένη κρίση, δήλωσαν οι ερευνητές. Αλλά ακόμη και έτσι μπορεί να μας βοηθήσει να καταλάβουμε πώς μας βλέπουν. Θα μπορούσαμε να κατατάξουμε μια σειρά φωτογραφιών ανάλογα με το ποια σας κάνει να φαίνεστε πιο αξιόπιστος, για παράδειγμα, επιτρέποντάς σας να κάνετε επιλογές σχετικά με το πώς παρουσιάζετε τον εαυτό σας.
Ο Γκρίφιθς και οι συνεργάτες του έχουν επίσης δημιουργήσει αλγορίθμους για τη δημιουργία νέων θεωριών σχετικά με τη λήψη αποφάσεων και τον προγραμματισμό ρίσκου (Peterson, et al., 2021- Callaway, et al., 2022). Άλλοι έχουν χρησιμοποιήσει τη μηχανική μάθηση σε διάφορες μελέτες συμπεριφοράς, προσωπικότητας, γνωστικής και κλινικής.
Ερευνητές του μάνατζμεντ, έχουν εφαρμόσει μια τεχνική μηχανικής μάθησης για να μελετήσουν τη σχέση μεταξύ των δαπανών και των χαρακτηριστικών της προσωπικότητας. Σε μια μελέτη που δημοσιεύθηκε στο Psychological Science, οι ερευνητές συνέλεξαν δεδομένα από σχεδόν 2.200 συναινούντες χρήστες μιας εφαρμογής διαχείρισης χρημάτων, με αποτέλεσμα να προκύψουν δύο εκατομμύρια αρχεία δαπανών από πιστωτικές κάρτες και τραπεζικές συναλλαγές. Οι κάτοχοι των λογαριασμών συμπλήρωσαν επίσης μια έρευνα προσωπικότητας που μέτρησε τον υλισμό, τον αυτοέλεγχο και τους Πέντε Παράγοντες της προσωπικότητας, δηλαδή την διαθεσιμότητα σε εμπειρίες, την ευσυνειδησία, την εξωστρέφεια, τη συνεργατικότητα και τον νευρωτισμό.
Οι ερευνητές οργάνωσαν τα δεδομένα των δαπανών σε ευρείες κατηγορίες -συμπεριλαμβανομένων των σούπερ μάρκετ, των καταστημάτων επίπλων, των ασφαλιστηρίων συμβολαίων, των ηλεκτρονικών καταστημάτων και των καφετεριών. Στη συνέχεια χρησιμοποίησαν τη «μοντελοποίηση τυχαίου δάσους», μια τεχνική μηχανικής μάθησης που συνδυάζει πολλαπλούς αλγορίθμους, για να αναλύσουν κατά πόσον οι σχετικές δαπάνες των συμμετεχόντων σε διάφορες κατηγορίες σηματοδοτούσαν συγκεκριμένους τύπους προσωπικότητας.
Οι επιστήμονες σημείωσαν αρκετούς συνδέσμου μεταξύ των καταναλωτικών συνηθειών και ορισμένων χαρακτηριστικών, ιδίως των στενών ιδιοτήτων του υλισμού και του αυτοελέγχου. Όσοι σημείωναν υψηλή βαθμολογία στον υλισμό, για παράδειγμα, ξόδευαν περισσότερο σε κοσμήματα και λιγότερο σε φιλανθρωπικές δωρεές (Gladstone et al., 2019).
Διαβάστε σχετικά: Ψηφιακές θεραπευτικές παρεμβάσεις μειώνουν τα συμπτώματα κατάθλιψης
Προβλέποντας τον κίνδυνο
Οι επιστήμονες ψυχολόγοι στρέφονται όλο και περισσότερο στην τεχνητή νοημοσύνη για να εντοπίσουν και να προβλέψουν ψυχολογικά προβλήματα σε μεγάλους πληθυσμούς.
Ο Ίαν Ντίρι και οι συνεργάτες του στο Πανεπιστήμιο του Εδιμβούργου έχουν παρουσιάσει τη χρήση της μηχανικής μάθησης για την ανάλυση συγκεκριμένων ψυχολογικών και δημογραφικών χαρακτηριστικών που επηρεάζουν την ψυχική υγεία. Ο Ντίρι, εκπαίδευσε έναν αλγόριθμο για να εξετάσει τις διαφορές γενεών στη μοναξιά. Αξιοποιώντας διαχρονικά σύνολα δεδομένων, μέτρησε ψυχολογικά και δημογραφικά χαρακτηριστικά περισσότερων από 4.000 ατόμων σε δύο ηλικιακές ομάδες: 45-69 και άνω των 70 ετών.
Εκπαιδεύοντας έναν αλγόριθμο για τον εντοπισμό των πιο σημαντικών προβλεπτικών παραγόντων της μοναξιάς, εντόπισαν αρκετούς παράγοντες κινδύνου. Στις επιρροές αυτές περιλαμβάνονταν η χαμηλή συναισθηματική σταθερότητα και η μοναχική διαβίωση -ιδιαίτερα μεταξύ των ηλικιωμένων ανδρών (Altschul et al., 2021).
Ο Τζοχάνες ‘Ειστεντ, διευθυντής του Εργαστηρίου Υπολογιστικής Ψυχολογίας και Ευημερίας στο Στάνφορντ, συνδυάζει τη μηχανική μάθηση με δεδομένα απογραφής των ΗΠΑ, δημοσκοπήσεων και κοινωνικών μέσων για να μελετήσει μια ποικιλία θεμάτων υγείας και συμπεριφοράς. Ο ίδιος και οι συνάδελφοί του δείχνουν πώς οι αλγόριθμοι μπορούν να βοηθήσουν στην πρόβλεψη της κατάθλιψης, της μοναξιάς, ακόμη και των καρδιακών παθήσεων (Eischsteadt et al., 2016, 2018).
Η Άριελ Μπάσκιν Σόμμερς, ψυχολόγος του Πανεπιστημίου Yale και οι συνεργάτες της εκπαίδευσαν ένα μοντέλο μηχανικής μάθησης για να φιλτράρουν διαχρονικά δεδομένα από παιδιά ηλικίας 9 και 10 ετών ώστε να προβλέψουν την ανάπτυξη διαταραχής συμπεριφοράς (Chan, et al, 2022).
Η Πάολα Πεντρέλι επίκουρη καθηγήτρια ψυχολογίας στην Ιατρική Σχολή του Χάρβαρντ, εξετάζει την ανάπτυξη αλγορίθμων που μπορούν να βοηθήσουν στη διάγνωση και την παρακολούθηση των συμπτωμάτων μεταξύ των ασθενών που υποβάλλονται σε θεραπεία για μείζονα κατάθλιψη (Gold & Gross, 2022).
Στο Πανεπιστήμιο του Βερμόντ, η κλινική ψυχολόγος Έλεν ΜακΓκίνις ηγήθηκε μιας μελέτης που χρησιμοποίησε έναν αλγόριθμο για να ανιχνεύσει σημάδια κατάθλιψης και άγχους στα πρότυπα ομιλίας μικρών παιδιών (McGinnis et al., 2019).
Ωστόσο, τα ευρήματα της κλινικής έρευνας με τη χρήση τεχνητής νοημοσύνης έχουν δημιουργήσει κάποιους ενδοιασμούς. Οι ερευνητές έχουν προειδοποιήσει ότι τα μοντέλα μηχανικής μάθησης αναλύουν ψυχολογικές μεταβλητές που μπορεί να έχουν μετρηθεί κακώς εξαρχής. Τα σύνολα δεδομένων μπορεί να περιλαμβάνουν μη αντιπροσωπευτικά δείγματα ή σφάλματα μέτρησης που οι αλγόριθμοι απορροφούν και χρησιμοποιούν για να παράγουν τις προβλέψεις τους.
Το γεγονός ότι χρησιμοποιούμε πιο ισχυρές μεθόδους μηχανικής μάθησης δεν αναιρεί τον όρο garbage in-garbage out, έγραψαν οι Τζακομπούτσι και Γκριμ του Arizona State University σε άρθρο τους για το Perspectives on Psychological Science (Jacobucci & Grimm, 2020).
Οι ίδιοι έχουν εκφράσει ιδιαίτερες ανησυχίες σχετικά με τις μελέτες που χρησιμοποιούν τεχνητή νοημοσύνη για την πρόβλεψη του κινδύνου αυτοκτονίας. Διάφορες μελέτες έχουν καταδείξει τεχνικές μηχανικής μάθησης που επισημαίνουν δείκτες αυτοκτονικής σκέψης και συμπεριφοράς σε μεγάλα σύνολα δεδομένων (Walsh et al., 2017, Ribeiro et al., 2019). Όμως, η ίδια η έρευνα του Τζακομπούτσι δείχνει ότι οι προσεγγίσεις μηχανικής μάθησης δεν είναι καλύτερες στην πρόβλεψη αυτοκτονικών συμπεριφορών από ό,τι τα παραδοσιακά μέτρα (Jacobucci et al., 2021).
Το “μαύρο κουτί”
Μεταξύ των άλλων ανησυχιών των ψυχολόγων σχετικά με τις τεχνικές μηχανικής μάθησης είναι τα λεγόμενα αποτελέσματα του “μαύρου κουτιού” που παράγονται. Οι αλγόριθμοι μπορούν να προβλέψουν ένα αποτέλεσμα, αλλά δεν παρέχουν τις αιτιώδεις ή επεξηγηματικές πληροφορίες που παράγουν οι παραδοσιακές μέθοδοι.
Ερευνητές όπως ο Γκρίφιθς αναπτύσσουν ερμηνεύσιμα μοντέλα μηχανικής μάθησης (Agrawal et al., 2020). Όμως οι ερευνητές ποσοτικής ψυχολογίας Γιαρκόνι και Γουέστφαλ του Πανεπιστημίου του Τέξας στο Όστιν λένε ότι τα ερευνητικά προγράμματα μπορεί να αποδειχθούν πιο γόνιμα εστιάζοντας στην προβλεπτική ικανότητα της μηχανικής μάθησης και αντιμετωπίζοντας την εξήγηση ως δευτερεύοντα στόχο. Σημειώνουν ότι τα μοντέλα που θεωρήθηκαν ως εξηγήσεις της συμπεριφοράς σε ένα αρχικό δείγμα παραπαίουν στις ερευνητικές αναπαραγωγές με επόμενα δείγματα.
Υποστηρίζουμε ότι η σχεδόν απόλυτη εστίαση της ψυχολογίας στην εξήγηση των αιτιών της συμπεριφοράς έχει οδηγήσει μεγάλο μέρος του πεδίου να κατοικείται από ερευνητικά προγράμματα που παρέχουν περίπλοκες θεωρίες ψυχολογικού μηχανισμού, αλλά που έχουν μικρή (ή άγνωστη) ικανότητα να προβλέπουν μελλοντικές συμπεριφορές με αξιοσημείωτη ακρίβεια, υποστηρίζουν. Προτείνουμε ότι οι αρχές και οι τεχνικές από τον τομέα της μηχανικής μάθησης μπορούν να βοηθήσουν την ψυχολογία να γίνει μια επιστήμη με μεγαλύτερη προβλεπτική ικανότητα (Yarkoni & Westfall, 2017).
Πέρα από την πρόβλεψη, η μηχανική μάθηση και τα μεγάλα δεδομένα θα επιτρέψουν στους κοινωνικούς επιστήμονες να χαρτογραφήσουν νέα εδάφη στη διερεύνηση των ψυχολογικών φαινομένων.
Η αλήθεια είναι ότι η ανθρώπινη συμπεριφορά είναι πολύ περίπλοκη, δήλωσε ο Γκρίφιθς, και όσο περισσότερα δεδομένα έχουμε, τόσο περισσότερο μπορούμε πραγματικά να εντοπίσουμε συστηματικές μεταβλητές που επηρεάζουν αυτή την πολυπλοκότητα.
Απόδοση – Επιμέλεια: PsychologyNow.gr
Πηγή
*Απαγορεύεται ρητώς η αναπαραγωγή χωρίς προηγούμενη άδεια των υπευθύνων της ιστοσελίδας*
