現在，USC社會人工智能中心的研究人員已經創(chuàng)建了一種算法，將干預計劃參與者(他們自愿從事恢復工作)分成較小的群體或小組，以保持有用的社會關系并打破社會關系這可能對恢復有害。

“我們知道藥物濫用受到社會影響的嚴重影響;換句話說，你是誰的朋友，”南加州大學計算機科學研究生，該研究的主要作者Aida Rahmattalabi說。

“為了提高干預措施的有效性，你需要知道人們如何在一個群體中相互影響。”

來自USC Viterbi工程學院的Rahmattalabi及其同事Suzanne Dworak-Peck社會工作學院和丹佛大學與總部位于丹佛的非營利性無家可歸青年Urban Peak合作開發(fā)決策援助，他們將希望能幫助干預主義者預防藥物濫用。

結果表明，該算法的表現明顯優(yōu)于對照組策略。這項名為“影響力最大化基于社會網絡的物質濫用預防”的研究發(fā)表在人工智能學生摘要部分的AAAI會議上。

該研究的共同作者是USC的Phebe Vayanos，工業(yè)和系統(tǒng)工程和計算機科學助理教授Milind Tambe，Helen N.和Emmett H. Jones工程學教授，計算機科學和工業(yè)和系統(tǒng)工程教授，Eric賴斯，社會工作副教授; 丹佛大學的Anamika Barman Adhikari; 和來自Urban Peak的Robin Baker。

同伴影響力

每年，美國將有多達200萬青少年無家可歸，估計有39%至70%的無家可歸青年濫用藥物或酒精。

團體治療等物質濫用舉措可以通過鼓勵無家可歸的青年分享經驗，學習積極的應對策略以及建立健康的社交網絡來提供支持。

但如果這些群體結構不合理，他們可以通過鼓勵基于反社會行為的友誼形成來加劇他們打算處理的問題。這是一個在社會工作中稱為“變形訓練”的過程，當同伴互相加強異常行為時。

該團隊從人工智能的角度解決了這個問題，創(chuàng)建了一種算法，該算法考慮了一個小組中的個人如何相互聯(lián)系 - 他們的社會關系 - 以及他們之前的藥物濫用史。

自愿從洛杉磯無家可歸青年收集的調查數據，以及行為理論和先前干預措施的觀察結果被用于建立干預措施的計算模型。

“基于此，我們有一個影響模型，解釋了個人采用負面行為或根據他們參與群體而改變消極行為的可能性，Rahmattalabi說：“在忽視現有關系的同時統(tǒng)一用戶分布可以大大降低這些干預措施的成功率。”

此外，分析表明，有時進行干預實際上可能對該群體產生不利影響。

“在某些情況下，我們發(fā)現進行干預實際上是一個壞主意：例如，如果一個群體中有許多高風險人群，最好不要將他們與低風險人群聯(lián)系起來，”Rahmattalabi說。

隨著新數據被添加到算法中，研究人員希望它能夠適應不斷變化的條件，揭示社交網絡在干預計劃過程中的演變過程。這可以讓干預者確定干預將如何影響參與者的結果。研究人員正在繼續(xù)與Urban Peak合作，并計劃在2018年秋季部署該工具，以優(yōu)化丹佛無家可歸青年的干預組策略。