How does machine learning bias in prediction of behavioral phenotypes relate to individual characteristics?
تحلل هذه الدراسة أخطاء التنبؤ في النماذج القائمة على الدماغ عبر مجموعات متعددة ومقاييس سلوكية، كاشفةً أن الخصائص الفردية مثل حركة الرأس، وشكل الرأس، والجنس/النوع الاجتماعي تساهم بشكل كبير في انحياز تعلم الآلة، لا سيما بالنسبة للأنماط الظاهرية الاجتماعية العاطفية والصحة النفسية في المجموعات السكانية النمائية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل محاولة التنبؤ بمستقبل شخص ما بناءً على خريطة لدماغه. لعقود من الزمن، أمَل العلماء أنه من خلال مسح التوصيلات في الدماغ، يمكنهم التنبؤ بكيفية تفكير الشخص أو شعوره أو سلوكه. هذه الفكرة هي أساس مجال يُسمى "الطب الدقيق"، حيث قد يستخدم الأطباء يوماً ما فحوصات الدماغ لرصد مخاطر الصحة العقلية حتى قبل ظهور الأعراض. وللقيام بذلك، يستخدم الباحثون برامج حاسوبية قوية، تُسمى غالباً "تعلم الآلة"، لإيجاد أنماط في بيانات الدماغ تتوافق مع سلوكيات محددة. ومع ذلك، فإن هذه البرامج الحاسوبية ليست مثالية؛ فهي ترتكب أخطاء أحياناً، وهذه الأخطاء ليست عشوائية. تماماً كما قد تكون توقعات الطقس أقل دقة لمنطقة معينة بسبب الجغرافيا المحلية، فإن برامج قراءة الدماغ هذه غالباً ما تعاني أكثر مع مجموعات معينة من الناس مقارنة بغيرهم. فعلى سبيل المثال، أظهرت دراسات سابقة أن هذه النماذج تميل إلى أن تكون أقل دقة بالنسبة للأقليات العرقية مقارنة بالأمريكيين البيض. وكان السؤال الكبير هو: لماذا يحدث هذا؟ هل لأن الدماغ نفسه مختلف، أم أن الأمر يتعلق بكيفية جمع البيانات؟
وضع فريق من الباحثين حداً لهذا اللغز من خلال فحص آلاف صور مسح الدماغ والسجلات السلوكية للشباب. أرادوا معرفة ما إذا كانت الأخطاء التي ترتكبها هذه النماذج الحاسوبية مرتبطة بسمات محددة للأفراد الذين يتم مسح أدمغتهم. جمع الفريق بيانات من ثلاث مجموعات كبيرة: ما يقرب من 4,300 طفل تتراوح أعمارهم بين تسع إلى إحدى عشرة سنة، وحوالي 430 طفلاً ومراهقاً تتراوح أعمارهم بين خمس إلى واحد وعشرين سنة، وحوالي 780 شاباً تتراوح أعمارهم بين اثنين وعشرين إلى سبعة وثلاثين عاماً. في المجمل، فحصوا أكثر من 100 سلوك مختلف، بدءاً من مدى قدرة الشخص على التعرف على المشاعر وصولاً إلى كيفية تعامله مع التوتر أو حل المشكلات. قاموا بتدريب نماذجهم الحاسوبية للتنبؤ بهذه السلوكيات باستخدام بيانات مسح الدماغ فقط. وبمجرد أن وضعت النماذج تنبؤاتها، قام الباحثون بحساب الفرق بين ما توقعه النموذج وبين الدرجة الفعلية التي حصل عليها الشخص في الاختبار. هذا الفرق هو "خطأ التنبؤ".
ثم طرح الباحثون سؤالاً بسيطاً ولكنه جوهري: هل تحدث هذه الأخطاء بشكل متكرر لدى أشخاص ذوي خصائص معينة؟ لقد بحثوا في ثمانية عوامل مختلفة، بما في ذلك العمر، والجنس، والعرق، والتعليم، ودخل الأسرة، وحجم الرأس، ومدى تحرك الشخص برأسه أثناء وجوده داخل جهاز المسح. ووجدوا أن الأخطاء كانت مرتبطة بالفعل بهذه السمات، ولكن ليس بطريقة بسيطة. كان النمط الأكثر اتساقاً هو أن النماذج واجهت أكبر صعوبة عند التنبؤ بالسلوكيات الاجتماعية والعاطفية، مثل التعرف على المشاعر أو التعامل مع القلق، خاصة في المجموعات العمرية الأصغر. وبالنسبة لهذه السمات التي يصعب التنبؤ بها، ارتبطت أخطاء الحاسوب ارتباطاً قوياً بثلاثة أشياء محددة: مقدار حركة رأس الشخص أثناء المسح، وحجم دماغه، وجنسه.
كشفت الدراسة أن الأشخاص الذين حركوا رؤوسهم أكثر أثناء المسح مالوا إلى امتلاك أخطاء تنبؤ أكبر. وهذا أمر منطقي لأن الحركة يمكن أن تسبب ضبابية في صور الدماغ، مما يجعل من الصعب على الحاسوب رؤية التفاصيل الدقيقة لتوصيلات الدماغ. وبالمثل، كان حجم دماغ الشخص مهماً؛ فقد كانت النماذج أقل دقة للأفراد الذين لديهم أحجام أصغر داخل الجمجمة (intracranial volumes)، وهو إجمالي المساحة داخل الجمجمة التي تحتضن الدماغ. وكان هذا واضحاً بشكل خاص لدى الأطفال وفي مقاييس المشكلات السلوكية. وأخيراً، وجد الباحثون أن المشاركين الذكور لديهم عموماً أخطاء تنبؤ أكبر من المشاركات الإناث، لا سيما عندما تحاول النماذج تخمين القدرات المعرفية أو المشكلات السلوكية.
ولعل الاكتشاف الأكثر أهمية هو أن هذه العوامل مترابطة بعمق مع بعضها البعض. فقد أظهرت الدراسة أن العرق والإثنية لا يرتبطان فقط بالعوامل الاجتماعية مثل الدخل أو التعليم، بل يرتبطان أيضاً بهذه المشكلات المتعلقة بالمسح. على سبيل المثال، أظهرت البيانات أن مجموعات عرقية معينة تميل إلى امتلاك المزيد من حركة الرأس أثناء المسح أو أحجام دماغ متوسطة مختلفة. وهذا يشير إلى أنه عندما يؤدي نموذج حاسوبي أداءً أسوأ لمجموعة عرقية معينة، فقد لا يكون السبب هو أن الدماغ نفسه مختلف جوهرياً بطريقة لا يستطيع النموذج فهمها، بل قد ينبع الخطأ من هذه الاختلافات الفيزيائية والتقنية في البيانات، مثل الحركة أو حجم الدماغ، والتي تصادف أنها أكثر شيوعاً في تلك المجموعة.
خلص الباحثون إلى أن التحيز في نماذج التنبؤ بالدماغ ليس مشكلة واحدة، بل هو مزيج من عوامل صغيرة متعددة تعمل معاً. ووجدوا أن مجرد إزالة العوامل الاجتماعية الواضحة من البيانات أثناء تدريب الحاسوب لم يكن كافياً لحل المشكلة. فقد استمرت الأخطاء، مما يشير إلى أن الطرق القياسية التي يستخدمها العلماء لتنظيف وتجهيز بيانات مسح الدماغ ليست جيدة بما يكفي بعد للتعامل مع هذه الاختلافات الدقيقة. وهذا اكتشاف بالغ الأهمية لأي شخص يأمل في استخدام مسح الدماغ لتشخيص حالات الصحة العقلية مبكراً. فإذا كانت الأداة أقل دقة لبعض المجموعات من الناس، فقد يؤدي ذلك إلى تشخيصات خاطئة أو تقييمات غير صحيحة للمخاطر لأولئك الذين هم في أمس الحاجة للمساعدة. لا تدعي الدراسة أنها حلت المشكلة، لكنها رسمت بوضوح خارطة طريق لمكان الخلل، موضحة أنه لبناء أدوات أكثر عدلاً، يجب على العلماء إيلاء اهتمام وثيق لكيفية تأثير حركة الرأس، وحجم الدماغ، والجنس على البيانات، خاصة عند التعامل مع الأطفال والشباب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.