AI Tool exploite les réseaux sociaux pour lutter contre l'abus de substances

Lorsqu'il s'agit de lutter contre la toxicomanie, les recherches suggèrent que l'entreprise que vous gardez peut faire la différence entre le rétablissement et la rechute.

Bien que les programmes d'intervention de groupe puissent jouer un rôle important dans la prévention de la toxicomanie, ils peuvent aussi exposer par inadvertance les participants à des comportements négatifs.

Des chercheurs du Center for Artificial Intelligence in Society de l'Université de Californie du Sud (USC) ont créé un algorithme qui classe les participants aux programmes d'intervention qui travaillent volontairement sur le rétablissement en petits groupes de manière à maintenir des liens sociaux utiles et à rompre les liens sociaux qui pourraient être préjudiciable à la récupération.

«Nous savons que la toxicomanie est fortement affectée par l'influence sociale, en d'autres termes, avec qui vous êtes ami», a déclaré Aida Rahmattalabi, étudiante diplômée en informatique à l'USC et auteure principale de l'étude. «Afin d'améliorer l'efficacité des interventions, vous devez savoir comment les gens vont s'influencer les uns les autres dans un groupe.»

Rahmattalabi et des chercheurs de l'USC Viterbi School of Engineering, de l'USC Suzanne Dworak-Peck School of Social Work et de l'Université de Denver ont travaillé avec Urban Peak, une organisation à but non lucratif basée à Denver au service des jeunes sans-abri, pour développer l'algorithme, qu'ils espèrent aidera à la prévention de la toxicomanie.

Les résultats ont montré que l'algorithme fonctionnait nettement mieux que les stratégies de contrôle pour former des groupes, selon les chercheurs.

Chaque année, jusqu'à deux millions d'enfants aux États-Unis seront sans abri, et les estimations suggèrent qu'entre 39 et 70% des jeunes sans-abri abusent de drogues ou d'alcool.

Les initiatives de lutte contre la toxicomanie, comme la thérapie de groupe, peuvent offrir un soutien en encourageant les jeunes sans-abri à partager leurs expériences, à apprendre des stratégies d'adaptation positives et à créer des réseaux sociaux sains.

Mais si ces groupes ne sont pas correctement structurés, ils peuvent exacerber les problèmes qu'ils entendent traiter en encourageant la formation d'amitiés basées sur des comportements antisociaux, notent les chercheurs. Il s'agit d'un processus connu en travail social sous le nom de «formation à la déviance», lorsque les pairs se renforcent mutuellement pour un comportement déviant, expliquent les chercheurs.

L'équipe a abordé ce problème du point de vue de l'intelligence artificielle, en créant un algorithme qui prend en compte la façon dont les individus d'un sous-groupe sont connectés - leurs liens sociaux - et leurs antécédents de toxicomanie.

Les données d'enquête recueillies volontairement auprès des jeunes sans-abri de Los Angeles, ainsi que les théories comportementales et les observations d'interventions antérieures, ont été utilisées pour construire un modèle informatique des interventions.

«Sur cette base, nous avons un modèle d'influence qui explique la probabilité qu'un individu adopte des comportements négatifs ou change des comportements négatifs en fonction de sa participation au groupe», a déclaré Rahmattalabi. «Cela nous aide à prévoir ce qui se passe lorsque nous regroupons des personnes en petits groupes.»

La constatation la plus surprenante est peut-être que, contrairement à l'intuition courante, répartir uniformément les consommateurs réguliers de substances dans les sous-groupes n'est pas le moyen optimal de concevoir une intervention réussie, a-t-elle noté.

«Une distribution uniforme des utilisateurs tout en ignorant leurs relations existantes peut réduire considérablement le taux de réussite de ces interventions», a-t-elle déclaré.

De plus, l'analyse suggère que la réalisation d'une intervention peut parfois avoir un effet néfaste sur le groupe.

«Dans certains cas, nous avons trouvé que c'était en fait une mauvaise idée de mener l'intervention. Par exemple, si vous avez de nombreuses personnes à haut risque dans un groupe, il vaut mieux ne pas les mettre en contact avec des personnes à faible risque », a-t-elle déclaré.

À mesure que de nouvelles données sont ajoutées à l'algorithme, les chercheurs espèrent qu'il s'adaptera aux conditions changeantes, révélant comment les réseaux sociaux évoluent au cours du programme d'intervention. Cela pourrait permettre aux interventionnistes de déterminer comment une intervention façonnera les résultats des participants, ont déclaré les chercheurs.

Les chercheurs continuent de travailler avec Urban Peak et prévoient de déployer l'outil pour optimiser les stratégies de groupe d'intervention pour les jeunes sans-abri à Denver à l'automne 2018.

L'étude, Influence Maximization for Social Network Based Substance Abuse Prevention, a été publiée dans la section des résumés des étudiants de la conférence AAAI sur l'intelligence artificielle.

Source: Université de Californie du Sud