هوش مصنوعی نشانههای پنهان افسردگی را از چهرهها آشکار میکند
محققان ژاپنی با استفاده از هوش مصنوعی کشف کردند که افسردگی خفیف، حتی پیش از تشخیص بالینی، در حرکات ظریف چهره قابلشناسایی است. این مطالعه نشان میدهد که فناوری میتواند ابزار غیرتهاجمی برای تشخیص زودهنگام افسردگی باشد و راه را برای مداخلههای بهموقع هموار کند.
افسردگی، حتی در مراحل اولیه و خفیف، میتواند اثری ظریف اما قابلتوجه بر چهره افراد بگذارد. پژوهش جدیدی از دانشگاه واسدا ژاپن نشان میدهد که هوش مصنوعی قادر است این تغییرات کوچک در حالات چهره را شناسایی کند. این مطالعه، که در مجله Scientific Reports منتشر شده، راهکاری نوین برای تشخیص زودهنگام افسردگی زیرآستانهای (خفیف) ارائه میدهد که هنوز به سطح تشخیص بالینی نرسیده اما میتواند نشانه خطر برای افسردگی شدید باشد.
فهرست عناوین
افسردگی زیرآستانهای: مرحلهای کمتر شناختهشده
افسردگی زیرآستانهای به حالتی اشاره دارد که فرد علائم خفیف افسردگی را تجربه میکند، اما این علائم برای تشخیص رسمی کافی نیستند. با این حال، این وضعیت خطر ابتلا به افسردگی بالینی را افزایش میدهد. در حالی که افسردگی شدید اغلب با کاهش حالات مثبت چهره مانند لبخند همراه است، اطلاعات کمی درباره تأثیر افسردگی خفیف بر چهره وجود داشت. این پژوهش به دنبال بررسی این موضوع بود و همچنین نقش فرهنگ را در نظر گرفت، زیرا افراد در فرهنگهای شرق آسیا معمولاً حالات چهره کمتری نسبت به فرهنگهای غربی نشان میدهند.
روششناسی: آزمایش دو مرحلهای
مرحله اول: ضبط ویدئوها
این مطالعه با مشارکت ۶۴ دانشجوی کارشناسی در ژاپن آغاز شد. این افراد با استفاده از پرسشنامه استاندارد Beck Depression Inventory II به دو گروه تقسیم شدند: گروه سالم (بدون یا با علائم بسیار کم) و گروه افسردگی زیرآستانهای (با علائم خفیف). افرادی با افسردگی متوسط یا شدید کنار گذاشته شدند. از هر شرکتکننده، یک ویدئوی ۱۰ ثانیهای در حال معرفی خود ضبط شد. برای یکنواختی، همه تیشرت سفید پوشیده و مقابل پسزمینهای خنثی ایستاده بودند.
مرحله دوم: ارزیابی انسانی
در مرحله بعد، ۶۳ دانشجوی دیگر به عنوان ارزیاب، ویدئوهای بیصدا را تماشا کردند. آنها پس از هر ویدئو، افراد را بر اساس ویژگیهای مثبت (مانند صمیمی بودن، طبیعی بودن، دوستداشتنی بودن) و منفی (مانند خشک یا مضطرب بودن) در مقیاس پنجامتیازی ارزیابی کردند. ارزیابان نیز پرسشنامه افسردگی را تکمیل کردند تا تأثیر وضعیت روانی خودشان بررسی شود.
یافتهها: تفاوت در حالات مثبت
نتایج نشان داد افراد با افسردگی زیرآستانهای در تمام ویژگیهای مثبت امتیاز کمتری دریافت کردند. ارزیابان آنها را کمتر صمیمی، کمتر بیانگر و کمتر دوستداشتنی توصیف کردند. با این حال، در ویژگیهای منفی مانند مضطرب یا مصنوعی بودن، تفاوتی بین دو گروه دیده نشد. این نشان میدهد افسردگی خفیف بیشتر با کاهش حالات مثبت همراه است تا بروز احساسات منفی.
جالب اینکه وضعیت روانی ارزیابان (سالم یا افسردگی خفیف) بر قضاوتشان تأثیری نداشت، که تأیید میکند تفاوتهای مشاهدهشده به حالات چهره افراد در ویدئوها مربوط بود، نه سوگیری ارزیابان.
نقش هوش مصنوعی: تحلیل دقیق حرکات چهره
پژوهشگران از نرمافزار OpenFace 2.0 برای تحلیل دقیق ویدئوها استفاده کردند. این ابزار حرکات عضلات صورت (واحدهای کنش چهره) را فریمبهفریم بررسی کرد. نتایج نشان داد افراد با افسردگی زیرآستانهای حرکات خاصی مانند بالا بردن بخش داخلی ابرو، بالا بردن پلک بالا، کشیدن لبها به طرفین، باز شدن لبها و افتادگی فک را بیشتر نشان میدادند. این حرکات اغلب با حالتهای تنش، ناراحتی یا ترس مرتبط هستند و با شدت علائم افسردگی همبستگی داشتند.
محدودیتها: نیاز به تحقیقات بیشتر
این مطالعه بر اساس پرسشنامههای خودگزارشی انجام شد و تشخیص بالینی رسمی نداشت. همچنین، به دلیل تمرکز بر دانشجویان ژاپنی، نتایج ممکن است به فرهنگهای دیگر یا گروههای سنی متفاوت تعمیمپذیر نباشد. هنجارهای فرهنگی در بیان احساسات نقش مهمی دارند و تحقیقات آینده باید این موضوع را در جوامع متنوعتر بررسی کنند.
کاربردها: گامی به سوی تشخیص زودهنگام
اریکو سوگیموری، سرپرست پژوهش، معتقد است این روش میتواند به عنوان ابزاری غیرتهاجمی برای غربالگری سلامت روان در محیطهایی مانند مدارس و محل کار استفاده شود. ادغام این فناوری در پلتفرمهای سلامت دیجیتال میتواند به شناسایی افرادی که نیاز به حمایت روانی دارند کمک کند. او میافزاید: «این رویکرد امکان مداخله زودهنگام را فراهم میکند و ابزاری نوین برای مراقبت از سلامت روان ارائه میدهد.»
آینده: پیشرفت با یادگیری ماشین
پژوهشگران پیشنهاد میکنند که تکنیکهای پیشرفتهتر یادگیری ماشین میتوانند دقت شناسایی این نشانههای چهره را افزایش دهند. همچنین، بررسی جهانی یا فرهنگمحور بودن این الگوها میتواند درک بهتری از افسردگی در مقیاس جهانی فراهم کند.
