رفتن به محتوای اصلی
توضیح کوهستانتحلیل داده‌های کیفیسلامت عمومی· 6 دقیقه مطالعه· در تحلیل داده

تحلیل داده‌های هوش مصنوعی در پژوهش جدید سلامت عمومی: ارتباطات اجتماعی کلید تغییر رفتار است

یک مطالعه جدید نشان می‌دهد که استفاده از هوش مصنوعی برای تحلیل نظرسنجی‌های کیفی، به پژوهشگران کمک کرده است تا نقش ارتباطات اجتماعی را در موفقیت مداخلات سلامت عمومی در اسکاتلند اثبات کنند.

به قلم کوروش پاکزاد

این خبر را به اشتراک بگذارید

گوش‌ دهید

به‌طور خلاصه

  • مطالعه جدید پلاس وان نشان داد که تحلیل داده‌های کیفی به کمک هوش مصنوعی، درک مداخلات سلامت عمومی را تسریع می‌کند.
  • ارتباطات اجتماعی و احساس تعلق، انگیزه بسیار قوی‌تری نسبت به کاهش وزن برای تغییر رفتار شهروندان ایجاد کرد.
  • هوش مصنوعی الگوهای رفتاری را از مصاحبه‌ها استخراج می‌کند، اما تفسیر نهایی همچنان نیازمند قضاوت و درک انسانی است.

پژوهش جدیدی که در تاریخ ۵ نوامبر ۲۰۲۶ در نشریه علمی «پلاس وان» منتشر شده است، نشان می‌دهد که چگونه تحلیل داده‌های کیفی به کمک هوش مصنوعی می‌تواند درک ما را از سلامت عمومی دگرگون کند. این مطالعه به بررسی اثربخشی یک مداخله اجتماعی در اسکاتلند پرداخته است.[1]

این پژوهش بر پروژه «از زندگی محلی لذت ببر» یا به اختصار «الی» متمرکز بود که در دو جامعه کم‌برخوردار در منطقه فورث ولی اسکاتلند اجرا شد. هدف اصلی این برنامه، بهبود وزن سالم و رفاه عمومی شهروندان از طریق تشویق به مشارکت در فعالیت‌های محلی بود.[1]

مداخله «الی» در یک دوره ۱۲ هفته‌ای از سپتامبر تا نوامبر ۲۰۲۳ اجرا شد و توانست ۷۵ نفر از ساکنان این مناطق را جذب کند. این برنامه شامل ارائه سوپ رایگان دو بار در هفته، تعیین هدف‌های شخصی و پایش وزن و سلامت روان توسط خود شرکت‌کنندگان بود.[1]

یکی از نوآوری‌های این برنامه، استفاده از یک کارت وفاداری بود که با شرکت در فعالیت‌های محلی مهر می‌خورد. شرکت‌کنندگانی که در طول ۱۲ هفته حداقل ۹ مهر دریافت می‌کردند، یک کارت خرید ۲۵ پوندی به عنوان پاداش می‌گرفتند تا انگیزه بیشتری برای ادامه مسیر داشته باشند.[1]

برای ارزیابی نتایج، پژوهشگران در پایان دوره با ۲۰ نفر از شرکت‌کنندگان، شامل ۱۰ نفر از هر جامعه، مصاحبه‌های نیمه‌ساختاریافته ۳۰ دقیقه‌ای انجام دادند. این مصاحبه‌ها به عنوان یک نظرسنجی کیفی عمیق، داده‌های ارزشمندی را درباره تجربیات واقعی افراد و نحوه تأثیرگذاری برنامه فراهم کرد.[1]

آمارهای کلیدی مداخله ۱۲ هفته‌ای «الی» در جوامع کم‌برخوردار اسکاتلند.

چالش تحلیل داده‌های کیفی

تحلیل داده‌های کیفی مانند متن مصاحبه‌ها و پاسخ‌های تشریحی نظرسنجی‌ها، به طور سنتی فرآیندی زمان‌بر و مستعد سوگیری انسانی است. پژوهشگران سلامت عمومی معمولاً باید صدها صفحه رونوشت را کلمه‌به‌کلمه بخوانند تا الگوهای تکرارشونده و مضامین کلیدی را استخراج کنند.[2]

در این مطالعه، استفاده از تحلیل مضمونی به کمک هوش مصنوعی به تیم تحقیق اجازه داد تا این حجم عظیم از داده‌های متنی را با سرعت و دقت بیشتری سازماندهی کنند. ابزارهای هوش مصنوعی توانستند ارتباطات پنهان میان فعالیت‌های روزمره و تغییرات رفتاری را شناسایی کنند.[2]

تیم تحقیق از یک چارچوب کدگذاری مشخص، بررسی‌های متقاطع و جلسات بحث گروهی برای اعتبارسنجی خروجی‌های هوش مصنوعی استفاده کردند. یکی از پژوهشگران تأکید کرد: «هوش مصنوعی الگوها را سریع‌تر پیدا می‌کند، اما تفسیر نهایی نیازمند درک عمیق انسانی از بافت اجتماعی است.»[1][2]

یکی از مهم‌ترین یافته‌های این تحلیل داده‌ها این بود که ارتباطات اجتماعی محرک بسیار قوی‌تری نسبت به هدف کاهش وزن است. شرکت‌کنندگان گزارش دادند که احساس تعلق به جامعه و یافتن دوستان جدید، انگیزه اصلی آن‌ها برای ادامه حضور در برنامه‌های سلامت‌محور بوده است.[1]

تحلیل مصاحبه‌ها نشان داد که کارت‌های وفاداری و پاداش‌های مالی تنها به عنوان یک محرک اولیه عمل می‌کردند. پس از ورود افراد به برنامه، این شبکه‌سازی اجتماعی و آگاهی از ظرفیت‌های محلی بود که باعث ایجاد تغییرات پایدار در سبک زندگی آن‌ها شد.[1]

ارتباطات اجتماعی به جای کاهش وزن

این تغییر نگرش در سلامت عمومی بسیار حائز اهمیت است؛ زیرا نشان می‌دهد که برنامه‌های متمرکز بر کاهش وزن به تنهایی ممکن است برای جوامع کم‌برخوردار جذاب نباشند. درک این موضوع که رفاه روانی و اجتماعی پیش‌نیاز سلامت جسمی است، می‌تواند طراحی مداخلات آینده را بهبود بخشد.[1][2]

تحلیل مسیرهای رفتاری توسط هوش مصنوعی نشان داد که چگونه شرکت در یک فعالیت ساده مانند خوردن سوپ رایگان، به شکل‌گیری روتین‌های سالم‌تر منجر می‌شود. این تعاملات کوچک به تدریج اعتماد به نفس افراد را افزایش داده و آن‌ها را به سمت انتخاب‌های غذایی بهتر سوق داد.[1]

ارتباطات اجتماعی به عنوان قوی‌ترین محرک برای ادامه حضور در برنامه‌های سلامت شناخته شد.

شرکت‌کنندگان در این نظرسنجی‌های کیفی، بهبودهای ملموسی را در سلامت جسمی و روانی خود گزارش کردند. یادگیری مهارت‌های جدید و کسب دانش درباره تغذیه سالم، از دیگر دستاوردهایی بود که در تحلیل مضمونی داده‌ها به عنوان پیامدهای مستقیم این مداخله شناسایی شد.[1]

حفظ زبان و لحن دقیق شرکت‌کنندگان در طول فرآیند تحلیل داده‌ها بسیار حیاتی بود. گزارش‌های تحلیلی تأکید می‌کنند که ابزارهای هوش مصنوعی باید به گونه‌ای تنظیم شوند که تفاوت‌های فرهنگی و اصطلاحات محلی را نادیده نگیرند و صدای واقعی جوامع حاشیه‌نشین را به گوش سیاست‌گذاران برسانند.[2]

محدودیت‌های اثبات علیت

نویسندگان مطالعه پلاس وان با شفافیت بیان کردند: «شواهد کیفی به تنهایی برای اثبات علیت قطعی کافی نیستند و این یافته‌ها بیشتر برای درک مسیرهای ادراک‌شده مفیدند.» اگرچه شرکت‌کنندگان بهبودهای چشمگیری را گزارش کردند، اما نمی‌توان با قطعیت ثابت کرد که این تغییرات صرفاً ناشی از مداخله «الی» بوده است.[1]

به جای اثبات اثربخشی بالینی، ارزش اصلی این تحلیل داده‌ها در درک مسیرهای ادراک‌شده نهفته است. این نظرسنجی‌های عمیق نشان می‌دهند که مردم چگونه یک برنامه سلامت را تجربه می‌کنند و چه عواملی باعث می‌شود که یک مداخله در دنیای واقعی پذیرفته یا رد شود.[1][2]

برای تأیید نهایی این یافته‌ها، پژوهشگران انجام کارآزمایی‌های بالینی گسترده‌تر و ارزیابی‌های اثربخشی هزینه را در آینده توصیه می‌کنند. این گام‌های بعدی مشخص خواهند کرد که آیا تغییرات رفتاری مشاهده‌شده در طول زمان پایدار می‌مانند و آیا اجرای این برنامه در مقیاس ملی توجیه اقتصادی دارد یا خیر.[1]

استفاده از هوش مصنوعی برای تحلیل مصاحبه‌های حساس پزشکی نیازمند رعایت دقیق اصول حریم خصوصی است. پژوهشگران پیش از وارد کردن داده‌ها به سیستم‌های تحلیل‌گر، تمامی اطلاعات هویتی را حذف کرده و از پروتکل‌های ذخیره‌سازی امن برای محافظت از داده‌های شرکت‌کنندگان استفاده کردند.[2]

تصویرسازی: استفاده از هوش مصنوعی در تحلیل داده‌های کیفی، سرعت و دقت استخراج الگوهای رفتاری را افزایش می‌دهد.

کاربرد مشابه در پژوهش‌های جهانی

ارزش این رویکرد تحلیلی به اسکاتلند محدود نمی‌شود. در مطالعه دیگری که در ۲ نوامبر ۲۰۲۶ در نشریه بیماری‌های گرمسیری پلاس منتشر شد، پژوهشگران از روش‌های مشابهی برای تحلیل مصاحبه‌های بیماران مبتلا به جذام در شهر کراچی پاکستان استفاده کردند.[2]

در آن مطالعه، ۱۷ شرکت‌کننده در یک برنامه داستان‌سرایی مشارکتی حضور یافتند. تحلیل داده‌های کیفی نشان داد که این مداخله باعث افزایش پذیرش خود، اعتماد به نفس و همبستگی گروهی در میان بیماران شده و به آن‌ها کمک کرده است تا با انگ اجتماعی مقابله کنند.[2]

با این حال، تحلیل دقیق‌تر داده‌ها مشخص کرد که توانمندسازی فردی همیشه به معنای تغییر نگرش جامعه نیست. باورهای غلط عمومی، هنجارهای جنسیتی و موانع اقتصادی همچنان به عنوان چالش‌های ساختاری باقی مانده‌اند که نیازمند مداخلات کلان‌تری از سوی نهادهای دولتی هستند.[2]

مقایسه این جوامع مختلف نشان می‌دهد که تحلیل متقاطع داده‌ها تا چه حد می‌تواند برای طراحی برنامه‌های سلامت مفید باشد. هوش مصنوعی به پژوهشگران اجازه می‌دهد تا شباهت‌ها و تفاوت‌های واکنش جوامع مختلف به یک مداخله واحد را با سرعتی بی‌سابقه شناسایی و مقایسه کنند.[1][2]

مقایسه این جوامع مختلف نشان می‌دهد که تحلیل متقاطع داده‌ها تا چه حد می‌تواند برای طراحی برنامه‌های سلامت مفید باشد.

آینده نظرسنجی‌های سلامت عمومی

ترکیب نظرسنجی‌های کیفی با قدرت پردازش هوش مصنوعی، آینده ارزیابی‌های سلامت عمومی را رقم خواهد زد. این فناوری به ادارات بهداشت محلی اجازه می‌دهد تا بازخوردهای تشریحی هزاران شهروند را در زمان کوتاهی تحلیل کرده و سیاست‌های خود را بر اساس نیازهای واقعی جامعه تنظیم کنند.[2]

این رویکرد ترکیبی، سرعت ماشین را با درک عمیق انسانی پیوند می‌دهد. در حالی که هوش مصنوعی الگوها را استخراج می‌کند، این پژوهشگران هستند که با استفاده از مدل‌های منطقی، معنای نهایی این الگوها را در بستر شرایط اقتصادی و اجتماعی هر منطقه تفسیر می‌کنند.[1][2]

در نهایت، مطالعه «الی» ثابت می‌کند که گوش دادن به صدای مردم و تحلیل دقیق تجربیات آن‌ها، کلید موفقیت هر برنامه سلامت عمومی است. با ابزارهای جدید تحلیل داده، اکنون می‌توانیم این صداها را واضح‌تر از همیشه بشنویم و مداخلاتی طراحی کنیم که واقعاً زندگی انسان‌ها را بهبود می‌بخشند.[1][2]

پژوهشگران سلامت عمومی 40%توسعه‌دهندگان فناوری 30%فعالان اجتماعی محلی 30%
پژوهشگران سلامت عمومی
معتقدند هوش مصنوعی سرعت تحلیل داده‌های کیفی را افزایش می‌دهد، اما تفسیر نهایی نیازمند درک انسانی از بافت اجتماعی است.
توسعه‌دهندگان فناوری
بر توانایی هوش مصنوعی در پردازش حجم عظیم متون و یافتن الگوهای پنهان رفتاری بدون سوگیری تأکید دارند.
فعالان اجتماعی محلی
تأکید می‌کنند که برنامه‌های سلامت باید بر اساس نیازهای واقعی و ارتباطات انسانی طراحی شوند، نه صرفاً اهداف پزشکی.

دیدگاه‌هایی که این گزارش پوشش نداده

  • سیاست‌گذاران بودجه و بهداشت دولتی
  • بیماران و شرکت‌کنندگان در نظرسنجی‌ها

منابع

پوشش منابع

2 منبع

3 دیدگاه شناسایی‌شده

پژوهشگران سلامت عمومی 40%توسعه‌دهندگان فناوری 30%فعالان اجتماعی محلی 30%
  1. [1]PLOS Oneپژوهشگران سلامت عمومی

    Enjoy Life LocallY (ELLY): A qualitative study of a co-designed healthy weight and wellbeing intervention in two disadvantaged Scottish communities

    مطالعه در PLOS One →
  2. [2]تیم سردبیری کوهستانتوسعه‌دهندگان فناوری

    تحلیل تیم سردبیری کوهستان

    مطالعه در تیم سردبیری کوهستان →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار تحلیل داده با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.