Individualized Machine Learning–Grounded Large Language Models for Within-Person Simulation of Physical Activity Psychological Mechanisms and Behavior in Adults with Prehypertension: A Methodological Evaluation
يُظهر هذا التقييم المنهجي أن دمج القواعد السلوكية الفردية المستمدة من تعلم الآلة في مطالبات النماذج اللغوية الكبيرة يعزز محاكاة الأنماط النفسية والنشاط البدني داخل الشخص الواحد لدى البالغين المصابين بمرحلة ما قبل ارتفاع ضغط الدم، رغم أن النهج الهجين لم يتفوق على الدقة التنبؤية لنماذج تعلم الآلة المخصصة لكل مشارك فيما يتعلق بنتائج التمارين الرياضية المنظمة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
غالباً ما يعتمد الحفاظ على صحة القلب على خيار يومي بسيط: تحريك الجسد. بالنسبة للبالغين الذين بدأ ضغط دمهم يرتفع بالفعل ولكن لم يتجاوز بعد خط مرحلة ارتفاع ضغط الدم الكامل، يعد التمرين المنتظم أحد أقوى الأدوات لوقف هذا التدهور. ومع ذلك، فإن قرار ممارسة الرياضة نادراً ما يكون عادة ثابتة؛ بل هو تفاوض يومي متقلب بين مزاج الشخص، وطاقته، والطقس، وضغوط الجدول الزمني المزدحم. في يوم ما، قد يشعر الشخص بالحماس ويركض؛ وفي اليوم التالي، قد يشعر الشخص نفسه بالتعب ويتخطى التمرين. إن فهم هذه التحولات اليومية أمر بالغ الأهمية للأطباء والباحثين الذين يرغبون في مساعدة الناس على البقاء نشطين، لكن التقاط الإيقاع الفريد لحياة الفرد الواحد أمر صعب للغاية.
ولحل هذه المشكلة، يستكشف العلماء نوعاً جديداً من المساعد الرقمي. تخيل برنامجاً حاسوبياً يمكنه تعلم الأنماط المحددة لحياة شخص ما، ثم يعمل كمرآة، يحاكي كيف قد يفكر هذا الشخص ويتصرف في أي يوم. هذا هو هدف دراسة حديثة شملت بالغين يعانون من مرحلة ما قبل ارتفاع ضغط الدم. أراد الباحثون معرفة ما إذا كان بإمكانهم تعليم نموذج لغوي كبير — وهو نوع من الذكاء الاصطناعي المعروف بقدرته على فهم وتوليد اللغة البشرية — التنبؤ بسلوك التمرين اليومي. وكانت اللمسة المبتكرة هي أنهم لم يريدوا من الذكاء الاصطناعي أن يخمن بناءً على المعرفة العامة، بل أرادوا ترسيخ الذكاء الاصطناعي في البيانات الصلبة لماضي ذلك الشخص تحديداً، باستخدام نهج هجين يجمع بين قدرة التعلم الآلي التقليدي على إيجاد الأنماط وبين المرونة الحوارية للذكاء الاصطناعي الحديث.
بدأت الدراسة مع ستة وأربعين بالغاً يعيشون في بكين. وعلى مدار اثني عشر أسبوعاً، قدم هؤلاء المشاركون تقارير مفصلة عن حياتهم اليومية. لقد تتبعوا حالاتهم النفسية، مثل دافعيتهم، وثقتهم، ومشاعر الدعم الاجتماعي لديهم، جنباً إلى جنب مع عاداتهم الفعلية في ممارسة الرياضة والعوامل الخارجية مثل الطقس أو ما إذا كان يوماً من أيام الأسبوع أو عطلة نهاية الأسبوع. خلق هذا سجلاً غنياً يوماً بيوم لكيفية تأثير عالمهم الداخلي على أفعالهم الجسدية. ثم أخذ الباحثون هذه البيانات وقسموها إلى جزأين. أولاً، استخدموا أداة تعلم آلي قياسية لتحليل تاريخ كل فرد واستخراج قواعد شخصية محددة. على سبيل المثال، قد يتعلم البرنامج أن انخفاض الثقة لدى شخص معين في يوم ثلاثاء ممطر يؤدي دائماً تقريباً إلى تخطي التمرين، بينما بالنسبة لشخص آخر، فإن الشعور القوي بالدعم الاجتماعي يتغلب على المزاج السيئ.
تم تغذية هذه القواعد الشخصية لاحقاً في نموذج لغوي كبير. صمم الباحثون اختباراً يتعين على الذكاء الاصطناعي فيه القيام بدور المحاكي. فبناءً على لقطة من اليوم السابق للشخص وسياق اليوم الحالي، طُلب من الذكاء الاصطناعي التنبؤ بشيئين: كيف ستتغير الحالة النفسية للشخص وهل سيمارس الرياضة أم لا. اختبر الفريق طرقاً مختلفة لإعطاء التعليمات للذكاء الاصطناعي؛ فقد جربوا إعطاءه البيانات الخام فقط، وجربوا إعطاءه البيانات بالإضافة إلى القواعد الشخصية، كما جربوا إطلاعه على أمثلة لكيفية إجراء التنبؤ قبل مطالبته بالقيام بالعمل. كما اختبروا نسخاً مختلفة من الذكاء الاصطناعي لمعرفة أيهما الأفضل في هذه المهمة.
قدمت النتائج صورة واضحة لما ينجح وما لا ينجح في هذا المجال الجديد. وجدت الدراسة أن الذكاء الاصطناعي كان يؤدي بشكل أفضل عندما يتم تزويده بالسياق الكامل لحياة الشخص وعندما يُعرض عليه أمثلة لكيفية إجراء التنبؤ قبل مطالبته بالقيام به. والأهم من ذلك، أصبحت تنبؤات الذكاء الاصطناعي أكثر دقة واتساقاً عندما أدرج الباحثون القواعد المستمدة من البيانات حول ذلك الفرد. فعندما قيل للذكاء الاصطناعي: "إليك كيف يتفاعل هذا الشخص تحديداً مع التوتر"، كان أفضل بكثير في تخمين خطوته التالية مما لو تُرِك ليعتمد على المعرفة العامة. واكتشف الباحثون أيضاً أن وصف هذه القواعد بلغة طبيعية بسيطة كان يعمل بشكل أفضل من استخدام الصيغ الرياضية المعقدة؛ فقد فهم الذكاء الاصطناعي قصة عادات الشخص بشكل أفضل عندما تُروى القواعد كقصة بدلاً من كونها رمزاً برمجياً.
ومع ذلك، رسمت الدراسة خطاً فاصلاً وواضحاً فيما يتعلق بما يمكن لهذه التكنولوجيا تحقيقه حالياً. فبينما تحسن أداء الذكاء الاصطناعي بشكل كبير عند ترسيخه في البيانات الشخصية، إلا أنه لم يستطع التفوق على نموذج التعلم الآلي التقليدي عندما يتعلق الأمر بالمهمة البسيطة والمنظمة المتمثلة في التنبؤ بما إذا كان الشخص سيمارس الرياضة. فالنموذج التقليدي، المصمم خصيصاً لهذا النوع من معالجة الأرقام، ظل هو المتنبئ الأكثر دقة. وهذا يشير إلى أن النموذج اللغوي الكبير ليس بديلاً للأدوات المتخصصة التي قد يستخدمها الأطباء لحساب المخاطر، بل تكمن قيمته في شيء آخر: يمكنه أخذ الأنماط المعقدة والخفية الموجودة في بيانات الشخص وترجمتها إلى محاكاة قابلة للقراءة تشبه لغة البشر.
خلص الباحثون إلى أن هذا النهج الهجين يمثل خطوة واعدة نحو إنشاء "التوائم الرقمية" — وهي نسخ افتراضية من الأشخاص يمكن استخدامها لاختبار استراتيجيات صحية مختلفة دون المخاطرة بحدوث ضرر في العالم الحقيقي. ومن خلال الجمع بين دقة تحليل البيانات التقليدي وقوة السرد المرنة للنماذج اللغوية، قد يتمكن العلماء في النهاية من بناء أنظمة تساعد الأفراد على فهم سلوكهم. ويمكن لهذه الأنظمة يوماً ما أن تقدم نصائح شخصية تبدو أقل شبهاً بتعليمات طبية عامة، وأكثر شبهاً بمحادثة مع شريك يعرف حقاً الصراعات والنجاحات اليومية للشخص. أما في الوقت الحالي، فلا يزال العمل عبارة عن تقييم منهجي، وإثبات لمفهوم يوضح كيفية جعل الذكاء الاصطناعي ينصت بتركيز أكبر لقصة فريدة لحياة بشرية واحدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.