An Adaptive Anxiety Intervention Recommender System Using DSW-UCB Contextual Multi-Armed Bandit with Relevance Filtering

في المشهد الهادئ وغير المرئي غالباً للصحة النفسية، يبرز القلق كحالة ترفض السكون؛ فهي تتغير بتغير الوقت من اليوم، أو الطقس، أو ضغوط العمل المفاجئة، أو حتى لحظات التأمل الهادئة. ولأن هذه المشاعر متغيرة للغاية، فإن الأدوات المصممة للمساعدة في إدارتها غالباً ما تجد صعوبة في مواكبتها. فاستراتيجية التكيف التي قد تهدئ شخصاً ما في صباح يوم الثلاثاء، قد تبدو عديمة الفائدة أو حتى مزعجة بحلول مساء يوم الخميس. لسنوات، حاولت تطبيقات الصحة الرقمية حل هذه المعضلة عبر تقديم اقتراحات مخصصة، لكن العديد من هذه الأنظمة تعتمد على خلل جوهري: فهي تعامل كل تفاعل سابق كما لو كان يحدث الآن. إنها تتذكر تفضيلات المستخدم من أشهر مضت بنفس الكثافة التي تتذكر بها مشاعره قبل خمس دقائق، مما يخلق ذاكرة رقمية مثقلة بالتاريخ لدرجة تعيق قدرتها على التكيف مع اللحظة الراهنة.

هنا يأتي نهج جديد، طوره باحثون في جامعة عثمان دانفوديو في نيجيريا، ليقدم مساراً مختلفاً. فقد سعى الفريق لبناء نظام أكثر ذكاءً لتوصية تدخلات القلق، نظام يفهم أن العواطف البشرية غير مستقرة، بمعنى أنها تتغير بمرور الوقت ولا تتبع نمطاً ثابتاً. وبدلاً من محاولة التعلم من تاريخ المستخدم الكامل، يركز نظامهم الجديد على ما هو أكثر أهمية: الماضي القريب. ومن خلال الجمع بين تقنيتين محددتين — وهي نسيان البيانات القديمة بسرعة وتصفية الملاحظات غير المفيدة — أنشأوا نموذجاً يمكنه التحول والتحول الفوري تقريباً عندما تتغير الحالة العاطفية للمستخدم. والنتي نتيجة ذلك هي مساعد رقمي لا يكتفي بالتذكر فحسب، بل يتكيف حقاً، ويتعلم تقديم تمرين التنفس أو نشاط اليقظة الذهنية المناسب في اللحظة التي تشتد فيها الحاجة إليهما تماماً.

بدأ الباحثون بالإقرار بوجود قصور حرج في التكنولوجيا الحالية. فمعظم أنظمة التوصية الحالية تعمل على أساس "التاريخ الكامل". تخيل طالباً يدرس لاختبار ما عن طريق قراءة كل كتاب مدرسي امتلكه على الإطلاق، من الصف الأول وحتى الوقت الحاضر، دون أن يغلق كتاباً واحداً. وبينما يمتلك هذا الطالب كمية هائلة من المعلومات، فمن المرجح أن يشعر بالارتباك بسبب الحقائق القديمة وغير ذات الصلة، ويكون عاجزاً عن التركيز على ما هو مهم للاختبار الذي سيجريه اليوم. وبالمثل، فإن تطبيق الصحة النفسية الذي يزن حالة الهدوء التي عاشها المستخدم قبل ستة أشهر بالتساوي مع نوبة الهلع التي تصيبه الآن، سيقدم توصيات سيئة. يصبح النظام بطيئاً في الاستجابة، عالقاً في حلقة مفرغة من الاقتراحات التي لم تعد تناسب واقع المستخدم. وقد جادل الباحثون بأنه لكي تكون تدخلات القلق فعالة، يجب على النظام إعطاء الأولوية للتفاعلات الأخيرة والتخلص من ضجيج الماضي البعيد.

ولحل هذه المشكلة، صمم الفريق نظاماً يستخدم "نافذة منزلقة" للذاكرة. فبدلاً من النظر في التاريخ الكامل لحياة المستخدم، ينتبه النظام فقط إلى آخر مائة تفاعل. ومع حدوث كل تفاعل جديد، يسقط الأقدم من مجال الرؤية، مما يضمن أن النظام يتعلم دائماً من أحدث البيانات. ومع ذلك، فإن مجرد النظر في آخر مائة لحظة ليس كافياً؛ فقد تكون بعض تلك اللحظات مربكة أو غير مفيدة. ربما نقر المستخدم على اقتراح ما ولكنه أغلق التطبيق فوراً، أو ربما أعطى تقييماً لا يتوافق مع مشاعره الفعلية. وللتعامل مع هذا، أضاف الباحثون "مرشح ملاءمة" (relevance filter). تعمل هذه الآلية مثل مفتش مراقبة الجودة، حيث تخصص درجة لكل تفاعل بناءً على مدى تفاعل المستخدم. فإذا كانت الجلسة قصيرة وغير متفاعلة، يعطيها النظام وزناً ضئيلاً جداً في عملية التعلم الخاصة به. أما إذا قضى المستخدم وقتاً مع الاقتراح وبدا مستفيداً منه، فإن ذلك التفاعل يحظى بوزن أكبر بكثير. وهذا يمنع النظام من أن يُضلل بسبب النقرات العرضية أو لحظات التشتت.

اختبر الفريق نظامهم الجديد، الذي أطلقوا عليه اسم نموذج "الحد الأعلى للثقة الموزون بالنافذة المنزلقة" (Discounted Sliding-Window Upper Confidence Bound model)، في محاكاة محكومة. لقد أنشأوا بيئة رقمية تتغير فيها مستويات القلق والسياق لدى مستخدم افتراضي بشكل مفاجئ، مما يحاكي عدم القدرة على التنبؤ بالمشاعر البشرية في العالم الحقيقي. ووضعوا نظامهم الجديد في مواجهة عدة نماذج قديمة، بما في ذلك نهج "التاريخ الكامل" التقليدي وأنواع أخرى استخدمت إما نافذة منزلقة فقط أو عامل خصم فقط. وكانت النتائج واضحة وجوهرية؛ ففي سيناريو تغيرت فيه احتياجات المستخدم فجأة، استغرق النظام التقليدي أكثر من 600 خطوة ليدرك ماهية التدخل الأفضل الجديد. وفي المقابل، استعاد النظام الجديد المزود بمرشح الملاءمة مساره في 235 خطوة فقط، مما يعني أنه عاد إلى المسار الصحيح بسرعة تزيد عن الضعف.

كانت فجوة الأداء أكثر إثارة للدهشة عند النظر في النجاح الإجمالي للتوصيات. فخلال فترة المحاكاة، حقق النظام الجديد نتائج إيجابية أكثر بنسبة 20.9% من نموذج "التاريخ الكامل" التقليدي. كما قلل من "الندم" (regret) — وهو مقياس لعدد المرات التي اتخذ فيها النظام قراراً غير مثالي — بنسبة 61.1%. وهذا يعني أن النظام لم يكن أسرع في التكيف فحسب، بل كان أيضاً يتخذ قرارات أفضل باستمرار. ووجد الباحثون أن حجم نافذة الذاكرة كان مهماً أيضاً؛ فقد اختبروا نوافذ تتراوح بين 50 إلى 500 تفاعل، واكتشفوا أن النافذة المكونة من 100 تفاعل قدمت أفضل توازن. فقد كانت كبيرة بما يكفي لتوفير تعلم مستقر، وصغيرة بما يكفي للاستجابة السريعة للتغييرات. وعند دمج هذا الحجم المحدد للنافذة مع مرشح الملاءمة الخاص بهم، حقق النظام أعلى مكافأة وأقل قدر من الندم في اختباراتهم.

كشفت الدراسة أيضاً أن الطريقة التي يتعامل بها النظام مع البيانات السيئة أمر بالغ الأهمية. فعندما اختبر الباحثون نسخة من النظام تتخلص بشراسة من أي تفاعل منخفض الجودة، أصبحت النتائج غير مستقرة؛ حيث تأرجح النظام بعنف بين التوصيات الجيدة والسيئة. ومع ذلك، فإن النسخة التي استخدمت مرشحاً "ناعماً" — أي تعطي التفاعلات منخفضة الجودة وزناً ضئيلاً بدلاً من تجاهلها تماماً — حافظت على أداء ثابت وموثوق. وهذا يشير إلى أن التغذية الراجعة الصاخبة أو المربكة لها قيمة ما، طالما لا يُسمح لها بالهيمنة على عملية التعلم. لقد تعلم النظام أن يكون قوياً، متجاهلاً الضجيج دون فقدان الإشارة الأساسية.

وبينما تعد هذه النتائج واعدة، يحرص الباحثون على الإشارة إلى أنها تحققت في بيئة محاكاة. لم تتضمن الدراسة مشاركين بشريين حقيقيين أو تجارب سريرية، بل كانت اختباراً صارماً لمنطق الخوارزمية وقدرتها على التكيف ضمن نموذج حاسوبي. ويؤكد المؤلفون أن الخطوة التالية هي اختبار هذا الإطار مع مستخدمين حقيقيين تحت إشراف أخلاقي، مع دمج إشارات فسيولوجية فعلية مثل معدل ضربات القلب أو أنماط النوم لجعل السياق أكثر ثراءً. كما يخططون لاستكشاف كيفية جعل النظام أكثر شفافية، لضمان فهم المستخدمين لسبب تقديم اقتراح معين ومنحهم القدرة على تجاوزه إذا لزم الأمر.

إن الإنجاز الجوهري لهذا العمل هو إثبات أن نظام التوصية يمكن أن يكون سريعاً ودقيقاً في بيئة فوضوية. فمن خلال التخلي عن الماضي والوزن الدقيق للحاضر، يتجنب النموذج الجديد فخ الانحياز التاريخي الذي يعيب العديد من أدوات الصحة الرقمية. إنه يقدم مخططاً لمستقبل لا تكون فيه دعم الصحة النفسية مجرد مكتبة ثابتة من النصائح، بل حواراً ديناميكياً يتطور مع المستخدم. وفي عالم غالباً ما يُعرف القلق فيه بعدم القدرة على التنبؤ، فإن وجود نظام يمكنه التحرك مع عدم القدرة على التنبؤ هذا يمثل خطوة كبيرة نحو جعل الرعاية الرقمية شخصية وفعالة حقاً.