人工智能算法可帮助识别无家可归青年

尽管已经实施了许多计划和倡议来解决美国无家可归青年中滥用的现象，但它们并不总是包括以数据为依据的对环境和心理因素的见解，这些因素可能会导致个人发展出使用的可能性紊乱。

现在，由宾夕法尼亚州立大学信息科学与技术学院的研究人员开发的人工智能(AI)算法可以帮助预测无家可归的年轻人中药物滥用障碍的易感性，并为高度易感的无家可归的年轻人提出个性化的康复计划。

信息科学与技术助理教授，该项目的主要研究人员Amulya Yadav说：“积极主动地预防无家可归的青年人的吸毒障碍比采取缓解反应的策略(例如对该疾病的药物治疗和其他相关干预措施)更为可取。” “不幸的是，以前大多数主动预防的尝试都是临时实施的。”

“为了帮助政策制定者以有原则的方式制定有效的计划和政策，开发人工智能和机器学习解决方案将能够自动发现与无家可归的年轻人吸毒相关的一系列综合因素，这将是有益的。”信息学博士生和项目论文的主要作者，该论文将在8月底的数据库知识发现(KDD)会议上发表。

在该项目中，研究团队使用从美国六个州的大约1400名18至26岁的无家可归青年中收集的数据集构建了模型。该数据集由青年稳定与繁荣研究，教育和倡导合作实验室(REALYST)收集，其中包括丹佛大学社会工作助理教授Anamika Barman-Adhikari，也是该论文的合著者。

然后，研究人员确定了与药物滥用相关的环境，心理和行为因素，例如史，受害经历和心理健康特征。他们发现，与无家可归的年轻人相比，不良的童年经历和身体上的街头受害与物质使用障碍的关系要强于其他类型的受害(例如性行为)。此外，据研究人员称，与该人群中的其他精神健康障碍相比，PTSD和抑郁症与物质使用障碍的相关性更高。

接下来，研究人员将其数据集分为六个较小的数据集，以分析地理差异。该团队训练了一个单独的模型来预测六个州中每个州的无家可归的年轻人中的药物滥用疾病，这些州的环境条件，合法化政策和帮派协会各不相同。塔巴尔说，研究小组观察到了某些因素在关联水平上的几个特定于位置的变化。

Yadav说：“通过查看模型学到的知识，我们可以有效地找出可能与滥用者相关的因素。” “而且一旦我们知道了这些因素，我们就可以更准确地预测某人是否遭受药物滥用。”

他补充说：“因此，如果政策规划师或干预人员要制定旨在减少滥用的患病率的计划，则可以提供有用的指导。”