Cuando se trata de combatir el abuso de sustancias, la investigación sugiere que la compañía que mantiene puede marcar la diferencia entre la recuperación y la recaída. Por lo tanto, si bien los programas de intervención grupal pueden desempeñar un papel importante en la prevención del abuso de sustancias, especialmente en poblaciones en riesgo como las personas sin hogarjóvenes, también pueden exponer inadvertidamente a los participantes a comportamientos negativos.
Ahora, los investigadores del Centro de Inteligencia Artificial en la Sociedad de la USC han creado un algoritmo que clasifica a los participantes del programa de intervención, que trabajan voluntariamente en la recuperación, en grupos o subgrupos más pequeños, de una manera que mantiene conexiones sociales útiles y descansosconexiones sociales que podrían ser perjudiciales para la recuperación.
"Sabemos que el abuso de sustancias está muy afectado por la influencia social; en otras palabras, de quién eres amigo", dice Aida Rahmattalabi, una estudiante graduada de informática de la USC y autora principal del estudio.
"Para mejorar la efectividad de las intervenciones, debe saber cómo las personas se influenciarán entre sí en un grupo"
Rahmattalabi y sus colegas de la Escuela de Ingeniería Viterbi de la USC, la Escuela de Trabajo Social Suzanne Dworak-Peck de la USC y la Universidad de Denver trabajaron en colaboración con Urban Peak, una organización sin fines de lucro con sede en Denver que atiende a jóvenes sin hogar, para desarrollar la ayuda para la toma de decisiones,que esperan ayudará a los intervencionistas en la prevención del abuso de sustancias.
Los resultados mostraron que el algoritmo funcionó significativamente mejor que las estrategias de control para formar grupos. El estudio, llamado Maximización de Influencia para la Prevención del Abuso de Sustancias Basada en Redes Sociales, fue publicado en la sección de resumen de estudiantes de la Conferencia AAAI sobre Inteligencia Artificial.
Los coautores del estudio fueron Phebe Vayanos de la USC, profesora asistente de ingeniería industrial y de sistemas e informática, Milind Tambe, Helen N. y Emmett H. Jones, profesora de ingeniería y profesora de informática e ingeniería industrial y de sistemas,y Eric Rice, profesor asociado en trabajo social; Anamika Barman Adhikari de la Universidad de Denver; y Robin Baker de Urban Peak.
Poder de influencia de los compañeros
Cada año, hasta dos millones de jóvenes en los EE. UU. Experimentarán la falta de vivienda, y las estimaciones sugieren que entre el 39 y el 70 por ciento de los jóvenes sin hogar abusan de las drogas o el alcohol.
Las iniciativas de abuso de sustancias como la terapia grupal pueden ofrecer apoyo al alentar a los jóvenes sin hogar a compartir sus experiencias, aprender estrategias de afrontamiento positivas y construir redes sociales saludables.
Pero si estos grupos no están estructurados adecuadamente, pueden exacerbar los problemas que pretenden tratar fomentando la formación de amistades basadas en el comportamiento antisocial. Este es un proceso conocido en el trabajo social como "entrenamiento de desviación", cuando los compañeros se refuerzan mutuamentepor comportamiento desviado.
El equipo abordó este problema desde una perspectiva de inteligencia artificial, creando un algoritmo que tiene en cuenta tanto la forma en que los individuos en un subgrupo están conectados, sus lazos sociales, como su historial previo de abuso de sustancias.
Los datos de la encuesta recopilados voluntariamente de jóvenes sin hogar en Los Ángeles, así como las teorías conductuales y las observaciones de intervenciones anteriores, se utilizaron para construir un modelo computacional de las intervenciones.
"Basado en esto, tenemos un modelo de influencia que explica la probabilidad de que un individuo adopte comportamientos negativos o cambie comportamientos negativos en función de su participación en el grupo", dice Rahmattalabi.
"Esto nos ayuda a predecir lo que sucede cuando agrupamos a las personas en grupos más pequeños"
Quizás el hallazgo más sorprendente fue que, contrariamente a la intuición común, distribuir de manera uniforme a los usuarios habituales de sustancias en los subgrupos no es la forma óptima de diseñar una intervención exitosa.
"La distribución uniforme de los usuarios al ignorar sus relaciones existentes puede disminuir en gran medida la tasa de éxito de estas intervenciones", dice Rahmattalabi.
Además, el análisis sugiere que a veces realizar la intervención podría tener un efecto negativo en el grupo.
"En algunos casos, descubrimos que en realidad es una mala idea realizar la intervención: por ejemplo, si tiene muchas personas de alto riesgo en un grupo, es mejor no conectarlas con personas de bajo riesgo", dice Rahmattalabi.
A medida que se agreguen nuevos datos al algoritmo, los investigadores esperan que se adapte a las condiciones cambiantes, revelando cómo evolucionan las redes sociales durante el curso del programa de intervención. Esto podría permitir a los intervencionistas determinar cómo una intervención moldeará los resultados de los participantes. Los investigadorescontinúan trabajando con Urban Peak y planean implementar la herramienta para optimizar las estrategias de grupo de intervención para jóvenes sin hogar en Denver en el otoño de 2018.
Fuente de la historia :
Materiales proporcionado por Universidad del Sur de California . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :