Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study
यह अध्ययन प्रदर्शित करता है कि एबीसीडी (ABCD) अध्ययन से प्राप्त ग्राफ-संवर्धित संबंधपरक डेटा के साथ अनुदैर्ध्य मॉडलिंग (longitudinal modeling) को संयोजित करने से किशोरों में मादक द्रव्यों के सेवन की शुरुआत के पूर्वानुमान में महत्वपूर्ण सुधार होता है, जो टेम्पोरल एक्सजीबूस्ट (XGBoost) और टेम्पोरल ग्राफ कन्वोल्यूशनल नेटवर्क के एक स्टैक्ड एन्सेम्बल के माध्यम से उत्कृष्ट प्रदर्शन प्राप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
हर साल, लाखों किशोर शराब की अपनी पहली घूँट लेते हैं या मारिजुआना (गांजा) का प्रयास करते हैं। जबकि कई लोग प्रयोग करेंगे और आगे बढ़ जाएंगे, कुछ के लिए, यह शुरुआती शुरुआत नशे की लत और दीर्घकालिक स्वास्थ्य समस्याओं की ओर एक खतरनाक रास्ते की शुरुआत बन जाती है। वैज्ञानिक लंबे समय से जानते हैं कि पदार्थ के सेवन के जोखिम में गिरना कोई जन्मजात निर्धारित गुण नहीं है; बल्कि, यह एक ऐसी कहानी है जो समय के साथ विकसित होती है। एक बच्चे का परिवेश, उनकी मित्रता, उनके परिवार के नियम, और उनका अपना बदलता व्यवहार—ये सभी चीजें तब बदलती और परस्पर क्रिया करती हैं जब वे दस वर्ष की आयु से अपने उत्तरार्ध के किशोर वर्षों तक बढ़ते हैं। शोधकर्ताओं के लिए चुनौती यह थी कि इस विकसित होती कहानी को मदद करने के लिए पर्याप्त जल्दी पढ़ने का तरीका खोजा जाए, जिससे उन बच्चों के बीच अंतर किया जा सके जो केवल जिज्ञासु हैं और वे जो मुसीबत की ओर बढ़ रहे हैं।
इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने 'एडोलेसेंट ब्रेन कॉग्निटिव डेवलपमेंट स्टडी' नामक एक विशाल, निरंतर चलने वाली परियोजना की ओर रुख किया। यह अध्ययन संयुक्त राज्य अमेरिका के लगभग 12,000 बच्चों का अनुसरण करता है, और उनके जीवन को अविश्वसनीय विवरण के साथ ट्रैक करने के लिए हर साल उनसे संपर्क करता है। शोधकर्ता यह देखना चाहते थे कि क्या वे इस डेटा के प्रवाह का उपयोग यह भविष्यवाणी करने के लिए कर सकते हैं कि कौन से बच्चे वास्तव में पदार्थ का उपयोग शुरू करने से पहले ही इसका उपयोग करना शुरू कर देंगे। उन्होंने डेटा को देखने के तीन अलग-अलग तरीकों का परीक्षण किया: एक बच्चे के जीवन का एक क्षणिक दृश्य (स्नैपशॉट), उनके जीवन में बदलाव की एक फिल्म, और एक मानचित्र कि कैसे बच्चे परिवार, स्कूल और साझा अनुभवों के माध्यम से एक-दूसरे से जुड़े हुए हैं।
शोधकर्ताओं ने शुरुआत एक सरल प्रश्न पूछकर की: क्या किसी बच्चे के जीवन का एक एकल दृश्य भविष्य की भविष्यवाणी करने के लिए पर्याप्त है? उन्होंने अध्ययन के पहले वर्ष के डेटा को लिया, जिसमें आयु, पारिवारिक आय, स्कूल प्रदर्शन और पड़ोस की सुरक्षा जैसे विवरण शामिल थे, और कोशिश की कि कौन से बच्चे कुछ वर्षों बाद शराब पीना या मारिजुआना का उपयोग करना शुरू करेंगे। उन्होंने इस स्थिर जानकारी में पैटर्न खोजने के लिए शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग किया। परिणाम ठीक थे, लेकिन बहुत अच्छे नहीं। प्रोग्राम कुछ जोखिम कारकों की पहचान कर सके, जैसे कि बच्चे की आयु या शराब के बारे में उनके परिवार के नियम, लेकिन वे उन गतिशील परिवर्तनों को पहचानने में विफल रहे जो एक किशोर के रूप में बड़े होते समय होते हैं। यह आकाश के एक एकल फोटोग्राफ को देखकर मौसम की भविष्यवाणी करने जैसा था; आप बादलों को देख सकते हैं, लेकिन आप हवा के बदलने या तूफान के बनने को नहीं देख सकते।
इसके बाद, टीम ने एक अलग दृष्टिकोण अपनाया, जिसमें प्रत्येक बच्चे के जीवन के उस बिंदु तक के पूरे इतिहास को कंप्यूटर को दिया गया जहाँ से भविष्यवाणी की जानी थी। एक एकल स्नैपशॉट के बजाय, उन्होंने मॉडल को अपडेट का एक क्रम दिया, जो यह दिखाता था कि एक बच्चे का व्यवहार, मित्रता और मानसिक स्वास्थ्य साल-दर-साल कैसे बदला। यह तरीका कहीं अधिक शक्तिशाली साबित हुआ। एक बच्चे के जीवन के प्रक्षेपवक्र (ट्रैजेक्टरी) को देखकर, कंप्यूटर उन चेतावनी संकेतों को पहचान सका जिन्हें एक एकल स्नैपशॉट मिस कर देता। उदाहरण के लिए, यह स्पष्ट हो गया कि नियम तोड़ने वाले दोस्तों के साथ अचानक मेलजोल बढ़ना, या व्यवहार संबंधी समस्याओं में वृद्धि, ऐसे मजबूत संकेत थे कि पदार्थ का सेवन भविष्य में होने वाला है। वह मॉडल जिसने इन बदलते पैटर्न को सबसे अच्छी तरह से पकड़ा, वह एक लचीला उपकरण था जो डेटा में जटिल, गैर-रेखीय संबंधों को सीख सकता था, जो प्रभावी रूप से यह कह रहा था कि बच्चे के जीवन की कहानी उसके किसी भी एकल अध्याय से अधिक महत्वपूर्ण है।
शोधकर्ताओं ने फिर पूछा कि क्या यह जानना कि एक बच्चा किसे जानता है, और भी अधिक मूल्य जोड़ सकता है। किशोर शून्य में नहीं रहते; वे अपने माता-पिता, अपने शिक्षकों और अपने साथियों से प्रभावित होते हैं। इसका परीक्षण करने के लिए, टीम ने डिजिटल मानचित्र बनाए जो साझा परिवार के सदस्यों, साझा स्कूलों, या यहाँ तक कि समान जीवन परिस्थितियों के आधार पर बच्चों को जोड़ते थे। उन्होंने इन संबंधों को समझने के लिए कृत्रिम बुद्धिमत्ता (AI) के एक प्रकार का उपयोग किया, इस उम्मीद में कि यह उन छिपे हुए जोखिमों को प्रकट करेगा जिन्हें व्यक्तिगत डेटा बिंदु नहीं दिखा सकते थे। हालांकि इन मानचित्रों ने उपयोगी सुराग प्रदान किए, लेकिन वे उस पद्धति से बेहतर प्रदर्शन नहीं कर सके जो केवल बच्चे के अपने इतिहास को समय के साथ ट्रैक करती थी। बच्चों के बीच के संबंध संदर्भ की एक परत जोड़ते थे, लेकिन सबसे शक्तिशाली संकेत बच्चे का अपना बदलता व्यवहार और परिवेश ही रहा।
ब्रेकथ्रू तब आया जब शोधकर्ताओं ने इन दृष्टिकोणों को मिला दिया। उन्होंने समयरेखा-आधारित मॉडल से प्राप्त मजबूत भविष्यवाणियों को कनेक्शन-आधारित मानचित्रों के अंतर्दृष्टि के साथ जोड़ा। यह संयोजन अकेले किसी भी एकल पद्धति की तुलना में बेहतर काम कर गया। एक व्यक्ति के जीवन की कहानी को उसके संबंधों के संदर्भ के साथ मिलाकर, टीम ने पदार्थ के उपयोग की शुरुआत की भविष्यवाणी करने में उच्चतम स्तर की सटीकता प्राप्त की। उनके सर्वश्रेष्ठ मॉडल ने उच्च विश्वसनीयता के साथ शराब और मारिजुआना के उपयोग के जोखिम की सही पहचान की, जिसने स्थिर डेटा या अलग-थलग विधियों पर निर्भर सभी पिछले प्रयासों को पछाड़ दिया।
विश्लेषण ने यह भी खुलासा किया कि ये भविष्यवाणियां वास्तव में किस चीज से संचालित होती हैं। जबकि बच्चे की आयु हमेशा एक प्रमुख कारक थी, सबसे महत्वपूर्ण चेतावनी संकेत जैसे-जैसे बच्चे बड़े हुए, बदलते गए। शुरुआती वर्षों में, पारिवारिक नियम और पड़ोस की स्थितियाँ प्रमुख थीं। लेकिन जैसे-जैसे बच्चे किशोर अवस्था में पहुंचे, उनके साथियों का प्रभाव और उनके अपने व्यवहार संबंधी संघर्ष सबसे मुखर संकेत बन गए। एक बच्चा जो नियम तोड़ने वाले व्यवहार में लगे दोस्तों के साथ जुड़ने लगा, या जिसने आक्रामकता या आवेग जैसी बाहरी समस्याओं के संकेत दिखाने शुरू कर दिए, वह काफी उच्च जोखिम पर था। ये निष्कर्ष बताते हैं कि किशोरों की रक्षा करने का सबसे प्रभावी तरीका केवल उनकी पृष्ठभूमि को देखना नहीं है, बल्कि यह देखना है कि उनका संसार उनके चारों ओर कैसे बदलता है और वे उस पर कैसी प्रतिक्रिया देते हैं।
अंततः, यह कार्य प्रदर्शित करता है कि किशोर स्वास्थ्य के भविष्य की भविष्यवाणी करने के लिए एक गतिशील दृष्टिकोण की आवश्यकता होती है। बच्चे के जीवन का एक एकल मूल्यांकन अपर्याप्त है क्योंकि जोखिम विकसित होते हैं। सबसे सटीक चित्र तब उभरता है जब हम एक बच्चे के विकास की अनफोल्ड होती कहानी को ट्रैक करते हैं और साथ ही उन संबंधों के जाल को भी समझते हैं जो उन्हें घेरे हुए हैं। हालांकि कोई भी मॉडल पूर्ण निश्चितता के साथ भविष्य की भविष्यवाणी नहीं कर सकता, लेकिन यह अध्ययन दिखाता है कि जीवन की समयरेखा को उसके संबंधों के मानचित्र के साथ जोड़कर, हम उन बच्चों की पहचान कर सकते हैं जिन्हें सबसे अधिक मदद की आवश्यकता है, जिससे पहली घूँट या पहले धुएँ से पहले रोकथाम का एक स्पष्ट मार्ग मिल सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।