Interpretable Deep Learning for Psychosocial Assessment of Women's Mental Health and Empowerment

تعد الصحة النفسية تجربة شخصية للغاية، ومع ذلك فهي تتأثر أيضاً بالعالم من حولنا. فبالنسبة للنساء، يمكن للضغوط الناجمة عن الحياة اليومية، والوضع الاقتصادي، والتعليم، والأدوار الاجتماعية أن تتشابك معاً لتشكل صورة معقدة للرفاهية. وبينما تُفهم حالات مثل الاكتئاب غالباً كقضاية طبية، إلا أنها تتأثر في كثير من الأحيان بشبكة من العوامل النفسية والاجتماعية — كل شيء بدءاً من القدرة على اتخاذ القرارات بشأن حياة المرأة وصولاً إلى الدعم الذي تتلقاه من الأسرة والمجتمع. وفي السنوات الأخيرة، توجه العلماء إلى الذكاء الاصطناعي للمساعدة في فك هذه الخيوط؛ حيث يمكن لهذه الأنظمة الحاسوبية فحص كميات هائلة من المعلومات لإيجاد أنماط قد يغفل عنها المراقب البشري. ومع ذلك، لا تزال هناك عقبة كبيرة قائمة: فالعديد من هذه الأنظمة القوية تعمل كـ "صناديق سوداء". فهي تستطيع التنبؤ بالنتيجة بدقة عالية، لكنها لا تستطيع شرح كيفية وصولها إلى تلك النتيجة. ولكي يثق الأطباء وصناع السياسات في هذه الأدوات ويستخدموها، فإنهم بحاجة إلى فهم ليس فقط التنبؤ، بل وأيضاً المنطق الكامن وراءه.

هذه الحاجة إلى الوضوح تقود دراسة جديدة من باحثين في جامعة جازان في المملكة العربية السعودية، الذين طوروا نظاماً متخصصاً لتقييم الصحة النفسية والتمكين لدى النساء. فقد أنشأ الفريق، بقيادة هنان مجعب وساهرة بانو أحمد، نموذجاً صُمم للقيام بشيئين في آن واحد: التنبؤ بحالات الصحة النفسية بدقة عالية، وشرح العوامل التي ساهمت بالضبط في ذلك التنبؤ. إن نهجهم، الذي يطلقون عليه اسم نموذج (X-WMHEA)، يتجاوز مجرد التخمين البسيط. فبدلاً من معاملة كل قطعة من البيانات على أنها متساوية الأهمية، يحدد النظام أولاً التفاصيل الاجتماعية والنفسية المحددة الأكثر أهمية. ثم يستخدم طريقة تعلم متطورة لفهم كيفية تفاعل هذه التفاصيل مع بعضها البعض. وأخيراً، يترجم نتائج بحثه إلى رؤى واضحة ومفهومة للبشر، موضحاً بدقة كيف تؤثر عوامل مثل التوظيف أو التعليم أو الديناميكيات الأسرية على الحالة النفسية للمرأة.

ولبناء واختبار هذا النظام، عمل الباحثون مع مجموعتين متميزتين من البيانات الواقعية. ركزت مجموعة البيانات الأولى على النساء في الهند، حيث جمعت معلومات حول مختلف الظروف المعيشية وحالات الصحة النفسية. بينما ركزت مجموعة البيانات الثانية على أمهات الأطفال في سن المدرسة، وفحصت مستويات الاكتئاب لديهن عبر طيف يتراوح من الخفيف إلى الشديد. بدأ الباحثون بتنظيف هذه البيانات، وإزالة التكرارات وملء الأجزاء المفقودة لضمان موثوقية المعلومات. ثم طبقوا عملية تصفية لاستبعاد التفاصيل الزائدة أو غير ذات الصلية، مع الاحتفاظ فقط بالعوامل النفسية والاجتماعية الأكثر إفادة. كانت هذه الخطوة حاسمة؛ فمن خلال التركيز على المتغيرات الأكثر أهمية، استطاع النموذج التعلم بكفاءة أكبر دون أن يتشتت بالضجيج.

بمجرد تجهيز البيانات، تولى الجزء الجوهري من النظام المهمة. فقد استخدم الباحثون بنية تعلم متخصصة مصممة للتعامل مع البيانات الجدولية — وهي المعلومات المنظمة في صفوف وأعمدة، تشبه جداول البيانات. تعلم هذا المكون من النموذج كيفية التعرف على العلاقات المعقدة بين العوامل المختارة، مثل كيف يمكن لنقص الفرص التعليمية أن يتفاعل مع الضغط الاجتماعي للتأثير على الصحة النفسية. ولضمان تعلم النظام لهذه الأنماط بفعالية وسرعة، استخدم الفريق استراتيجية تحسين متقدمة قامت بتعديل عملية التعلم في الوقت الفعلي، مما أدى إلى ضبط الإعدادات الداخلية للنموذج للوصول إلى أفضل أداء ممكن.

كانت نتائج هذا النهج مذهلة. فعند اختباره على مجموعة بيانات النساء في الهند، حدد النموذج حالات الصحة النفسية بشكل صحيح بدقة بلغت 95.53%. وفي الاختبار الثاني، الذي شمل الأمهات، حقق النظام دقة أعلى بلغت 96.75%. تمثل هذه الأرقام تحسناً كبيراً عن العديد من الطرق الموجودة، والتي غالباً ما تكافح لتحقيق التوازن بين الدقة العالية والقدرة على شرح أسبابها. وقد قارن الباحثون نظامهم بعدة تقنيات أخرى شهيرة لتعلم الآلة، بما في ذلك الشبكات العصبية القياسية وأشجار القرار، ووجدوا أن نهجهم تفوق باستمرار عليها عبر مقايوهات متعددة للنجاح.

ولعل الجانب الأكثر قيمة في هذا العمل هو شفافيته. فخلافاً لنماذج "الصندوق الأسود" التقليدية التي تخرج نتيجة فحسب، يوفر هذا النظام تحليلاً مفصلاً لعملية اتخاذ القرار لديه. وباستخدام تقنية تعتمد على نظرية الألعاب، يخصص النموذج وزناً محدداً لكل عامل، موضحاً مدى مساهمته في التنبؤ النهائي. فعلى سبيل المثال، في دراسة النساء في الهند، حدد النظام الأعراض الطبية والوضع الدراسي كأكثر العوامل تأثيراً، يليهما مباشرة الضغط من الأقران والأداء الأكاديمي. وفي تحليل الأمهات، تباين تأثير العوامل اعتماداً على شدة الاكتئاب؛ فبالنسبة لمن يعانين من اكتئاب شديد، كانت الحالة الدينية والمهنة والحالة الاجتماعية هي المحركات الأكثر أهمية، بينما كان الاكتئاب الخفيف مرتبطاً بشكل وثيق بأعراض جسدية مثل أمراض القلب والوضوح الذهني.

هذه القدرة على تحديد أسباب معينة تسمح بفهم أعمق للمشكلة. فقد وجد الباحثون أن مستويات الاكتئاب المختلفة لا تنتج عن نفس مجموعة الظروف؛ فقد تكون المرأة التي تعاني من اكتئاب خفيف تعاني من التعب الجسدي أو مشاكل النوم، بينما قد تواجه المرأة التي تعاني من اكتئاب شديد تحديات عميقة تتعلق بدورها الاجتماعي أو استقلالها الاقتصادي. ومن خلال الكشف عن هذه الأنماط المتميزة، يقدم النموذج خارطة طريق للدعم المستهدف. فهو يشير إلى أن نهج الرعاية الصحية الموحد للجميع قد يكون غير كافٍ، وأن التدخلات يجب أن تُصمم لتناسب المزيج المحدد من العوامل النفسية والاجتماعية التي تؤثر على كل فرد.

تضمنت الدراسة أيضاً فحصاً صارماً للتأكد من أن كل جزء من النظام كان ضرورياً. فمن خلال إزالة المكونات واحداً تلو الآخر، أثبت الباحثون أن الجمع بين اختيار الميزات، وبنية التعلم المتخصصة، واستراتيجية التحسين المتقدمة كان ضرورياً لنجاح النموذج. فبدون أي من هذه العناصر، تنخفض الدقة، مما يؤكد أن قوة النظام تكمن في تكامل أجزائه. وتشير النتائج إلى أنه عندما يتم تصميم الذكاء الاصطناعي مع وضع "القابلية للتفسير" في الاعتبار، فإنه يمكن أن يصبح أداة قوية للصحة العامة، حيث يقدم ليس فقط التنبؤات، بل رؤى قابلة للتنفيذ.

واستشرافاً للمستقبل، يتصور الباحثون توسيع هذا العمل ليشمل مجموعة أوسع من مجموعات البيانات ونطاقاً أشمل من العوامل النفسية والاجتماعية والاقتصادية. وهم يعتقدون أنه مع اختبار النموذج على مجموعات سكانية أكثر تنوعاً، سيصبح أكثر قوة وقدرة على توجيه اتخاذ القرارات المدروسة. والهدف النهائي هو إنشاء إطار عمل موثوق وشفاف يدعم متخصصي الرعاية الصحية في فهم التحديات الفريدة للصحة النفسية التي تواجهها النساء. ومن خلال جعل "غير المرئي مرئياً"، يهدف هذا العمل إلى سد الفجوة بين البيانات المعقدة والرفاهية البشرية، وضمان أن تكون أدوات المستقبل ليست ذكية فحسب، بل مفهومة وموثوقة أيضاً.