人工智能算法可幫助識別無家可歸青年

盡管已經實施了許多計劃和倡議來解決美國無家可歸青年中濫用的現象，但它們并不總是包括以數據為依據的對環境和心理因素的見解，這些因素可能會導致個人發展出使用的可能性紊亂。

現在，由賓夕法尼亞州立大學信息科學與技術學院的研究人員開發的人工智能(AI)算法可以幫助預測無家可歸的年輕人中藥物濫用障礙的易感性，并為高度易感的無家可歸的年輕人提出個性化的康復計劃。

信息科學與技術助理教授，該項目的主要研究人員Amulya Yadav說：“積極主動地預防無家可歸的青年人的吸毒障礙比采取緩解反應的策略(例如對該疾病的藥物治療和其他相關干預措施)更為可取。” “不幸的是，以前大多數主動預防的嘗試都是臨時實施的。”

“為了幫助政策制定者以有原則的方式制定有效的計劃和政策，開發人工智能和機器學習解決方案將能夠自動發現與無家可歸的年輕人吸毒相關的一系列綜合因素，這將是有益的。”信息學博士生和項目論文的主要作者，該論文將在8月底的數據庫知識發現(KDD)會議上發表。

在該項目中，研究團隊使用從美國六個州的大約1400名18至26歲的無家可歸青年中收集的數據集構建了模型。該數據集由青年穩定與繁榮研究，教育和倡導合作實驗室(REALYST)收集，其中包括丹佛大學社會工作助理教授Anamika Barman-Adhikari，也是該論文的合著者。

然后，研究人員確定了與藥物濫用相關的環境，心理和行為因素，例如史，受害經歷和心理健康特征。他們發現，與無家可歸的年輕人相比，不良的童年經歷和身體上的街頭受害與物質使用障礙的關系要強于其他類型的受害(例如性行為)。此外，據研究人員稱，與該人群中的其他精神健康障礙相比，PTSD和抑郁癥與物質使用障礙的相關性更高。

接下來，研究人員將其數據集分為六個較小的數據集，以分析地理差異。該團隊訓練了一個單獨的模型來預測六個州中每個州的無家可歸的年輕人中的藥物濫用疾病，這些州的環境條件，合法化政策和幫派協會各不相同。塔巴爾說，研究小組觀察到了某些因素在關聯水平上的幾個特定于位置的變化。

Yadav說：“通過查看模型學到的知識，我們可以有效地找出可能與濫用者相關的因素。” “而且一旦我們知道了這些因素，我們就可以更準確地預測某人是否遭受藥物濫用。”

他補充說：“因此，如果政策規劃師或干預人員要制定旨在減少濫用的患病率的計劃，則可以提供有用的指導。”