به گزارش گروه علم و آموزش ایران اکونومیست از «سای‌تک دیلی»، یادگیری ماشینی به دانشمندان در زمینه شناخت اینکه چگونه مغز خصوصیات پیچیده انسانی را ایجاد می‌کند، یاری رسانده و الگوهایی از فعالیت مغز مرتبط با فعالیت‌هایی مانند حافظه فعال (working memory)، ویژگی‌هایی مانند اقدام پیش‌رانشی (impulsivity) و شرایطی مانند افسردگی را آشکار ساخته است.
دانشمندان می‌توانند از این شیوه‌ها برای ایجاد مدل‌هایی از این روابط استفاده کنند که این مدل‌ها نیز سپس برای پیش‌بینی درباره رفتار و سلامتی افراد قابل استفاده خواهد بود. اما این روش تنها در صورتی جواب می‌دهد که نمایانگر همه افراد باشد و تحقیقات گذشته نشان داده که اینطور نیست. برای هر مدلی، افرادی هستند که با آنها مطابقت ندارند.
محققان دانشگاه «ییل» این مساله را آنالیز کرده‌اند که این مدل‌ها در خصوص چه کسانی ناکام می‌مانند و جواب نمی‌دهند و علت این مساله چیست و برای اصلاح آن چه می‌توان کرد؟
«ابیگیل گرین» از محققان این دانشگاه می‌گوید: مدل‌ها برای اینکه مفید باشند، باید در مورد هر شخص کاربرد داشته باشند. اگر می‌خواهیم این نوع کارها را در کاربردهای بالینی (کلینیکی) مورد استفاده قرار دهیم، باید اطمینان داشته باشیم که این مدل در مورد بیماری که رو به روی ما نشسته است، کاربرد دارد.
گرین و همکارانش در حال بررسی دو رویکرد هستند که به اعتقاد آنها ممکن است به مدل‌ها کمک کند تا طبقه‌بندی‌های روانپزشکی دقیق‌تری ارائه کنند؛ رویکرد اول دسته‌بندی دقیق‌تر جمعیت بیماران است. برای مثال، تشخیص شیزوفرنی محدوده وسیعی از سمپتوم‌ها (علائم) را دربرمی‌گیرد و ممکن است از فردی به فرد دیگر تفاوت زیادی داشته باشد. محققان ممکن است بتوانند افراد را به صورت دقیق‌تری دسته‌بندی کنند به شرط اینکه شناخت بهتری از مبنای عصبی شیزوفرنی داشته باشند.
دوم اینکه برخی از خصوصیات مانند اقدام پیش‌رانشی (impulsivity یا عمل از روی انگیزه آنی و بدون فکر قبلی)، خصوصیت مربوط به شرایط مختلف هستند. شناخت پایه عصبی این مساله ممکن است به پزشکان کمک کند که صرف‌نظر از تشخیص پزشکی، بطور موثرتری با آن نشانه برخورد کنند.
گرین می‌گوید: ما هر چه بهتر این زیرشاخه‌ها و گروه‌های فرعی را بشناسیم، بهتر قادر خواهیم بود که بهترین درمان مناسب را در پیش بگیریم. اما در وهله اول لازم است که مدل‌ها عمومی‌سازی شوند تا در مورد همه افراد کاربرد داشته باشند.
گرین و همکارانش برای شناخت ناکامی مدل‌ها ابتدا مدل‌هایی را آموزش دادند که بتوانند از الگوهای فعالیت مغزی استفاده کرده و پیش‌بینی کنند که یک فرد در تست‌های شناختی چقدر خوب امتیاز خواهد گرفت. این تیم تحقیقاتی سپس این مساله را بررسی کرد که مدل‌ها چه افرادی را به درستی طبقه‌بندی نکردند. آنها دریافتند که طبقه‌بندی اشتباه افراد با فاکتورهای اجتماعی-آماری مانند سن و آموزش و فاکتورهای بالینی مانند شدت علائم (سمپتوم) مرتبط بوده است.
در نهایت این محققان به این نتیجه رسیدند که مدل‌ها تنها بازتاب دهنده توانایی شناختی نیستند بلکه بازتاب دهنده پروفایل‌های پیچیده‌تری هستند و مدل‌ها در مورد افرادی که مطابق با آن پروفایل نیستند، شکست می‌خورند. این محققان چند توصیه برای کاهش این مشکل ارائه داده و از جمله گفته‌اند که دانشمندان در مرحله طراحی مطالعه باید راهبردهایی را به کار گیرند که تعصب را به حداقل رسانده و اعتبار سنجش‌های مورد استفاده را به حداکثر برساند.
