Trí tuệ Nhân tạo và Tâm lý học

NHỮNG Ý CHÍNH

  • Bằng cách phân tích những thành công của Trí tuệ nhân tạo (AI), chúng ta có thể hiểu cách ứng dụng AI vào nghiên cứu tâm lý học.
  • AI phần lớn phụ thuộc vào Deep Learning (Học sâu), một kỹ thuật hiệu quả nhất khi nó có hàng triệu dữ liệu và thông tin.
  • Deep Learning thành công nhất trong việc phân tích dữ liệu phi cấu trúc, trái ngược với các kết quả khảo sát như điểm ảnh trong hình ảnh hoặc các từ trong một bài blog.
  • AI có thể trở nên hữu ích nhất trong nghiên cứu tâm lý học bằng cách sử dụng cảm biến di động, dữ liệu truyền thông xã hội và các phép đo não bộ/sinh lý.

Thế hệ tiếp theo của việc nghiên cứu tâm lý học sẽ trông như thế nào?

Trí tuệ nhân tạo (AI) đang thay đổi thế giới, do cách mà nó đang được sử dụng bởi các công ty công nghệ. AI đứng sau việc nhận dạng khuôn việc (như khi Facebook tự động nhận dạng một người trong bức ảnh mà bạn đăng), dịch thuật (như cách mà Google Dịch hoạt động), nhận diện giọng nói (như khi bạn đưa ra chỉ dẫn cho Alexa, Siri, hoặc các trợ lý điện tử khác), và rất nhiều các dịch vụ khác mới xuất hiện. Vậy thì các nhà tâm lý học có thể tận dụng công nghệ mới mạnh mẽ này để có được cái nhìn sâu sắc khác về cách con người hoạt động hay không?

Vai trò của Deep Learning

Chìa khóa cho sự thành công càng ngày càng tăng của AI trong việc giải quyết các vấn đề thực tế cho doanh nghiệp là một kỹ thuật được gọi là Deep Learning. Deep Learning có thể giúp gì cho các nhà tâm lý học? Trước tiên, hãy xem xét lĩnh vực thành công nhất của Deep Learning.

Deep Learning là công nghệ dùng để phát triển các mô hình dự đoán mà khi được quyền truy cập vào nhiều dữ liệu, chúng trở nên rất chính xác. Điều này trái ngược với các công cụ thống kê điển hình hơn mà các nhà tâm lý học sử dụng. Khi sử dụng các công cụ cổ điển này, bạn có thể tạo một mô hình đưa ra các dự đoán chính xác, nhưng các dự đoán thường không cải thiện nhiều sau khi bạn đã thu thập được 1.000 điểm dữ liệu. Vì vậy, việc tăng từ 1.000 lên 1 triệu điểm dữ liệu không giúp ích được nhiều.

Deep Learning thì khác, các dự đoán tiếp tục trở nên chính xác hơn khi các bộ dữ liệu lớn hơn (hàng triệu phép đo) được sử dụng. Vì vậy, Deep Learning là một kỹ thuật song hành với một cụm từ chuyên ngành mới nổi gần đây: Dữ liệu lớn (Big Data). Với dữ liệu lớn (nhiều phép đo), Deep Learning có thể được thực hiện rất tốt, và điều đó có nghĩa là các hệ thống máy tính có thể giải quyết các vấn đề rất phức tạp (như nhận diện một người trong một bức ảnh). Để tâm lý học có thể tận dụng triệt để Deep Learning thì cần phải có những bộ dữ liệu lớn.

Xem bài viết  Ứng dụng công nghệ vào tâm lý học

Deep Learning cũng đặc biệt thành công khi nó được áp dụng cho những “dữ liệu phi cấu trúc”, dữ liệu không có ý nghĩa cụ thể cho từng phép đo được sử dụng. Ví dụ: mỗi câu trả lời cho một cuộc khảo sát là câu trả lời cụ thể cho một câu hỏi, nhưng mọi điểm ảnh trong một bức ảnh vốn dĩ không có ý nghĩa. Deep Learning là một công cụ đổi mới việc xử lý hình ảnh, nhưng nó có thể không tạo ra thay đổi trong việc phân tích các cuộc khảo sát.

Vì vậy, Deep Learning có thể hữu ích nhất cho ngành tâm lý học khi được dùng trên những dữ liệu phi cấu trúc, ví dụ như là phân tích dữ liệu khoa học thần kinh mà trong đó, mỗi phép đo là sự kích hoạt ở một phần cụ thể của não, hoặc dữ liệu mạng xã hội, nơi có hàng triệu từ được viết về bất cứ điều gì mọi người muốn nhận xét.

Cuối cùng, điều quan trọng cần nhớ là Deep Learning thực sự làm tốt việc đưa ra các dự đoán dựa trên dữ liệu mà nó đã biết. Các thuật toán dự đoán có thể hữu ích cho các doanh nghiệp cung cấp một sản phẩm cụ thể cho khách hàng, nhưng ứng dụng của chúng trong quy trình khoa học có thể đa dạng hơn một chút.

Các nhà tâm lý học sẽ muốn biết liệu dự đoán một kết quả có khả thi hay không (như chẩn đoán trầm cảm hoặc quyết định tuyển dụng) hoặc dự đoán đó sẽ chính xác đến mức nào, dựa trên một nhóm đầu vào nhất định (như nội dung trên mạng xã hội hoặc một cuộc phỏng vấn xin việc). Nhưng họ cũng sẽ muốn biết cách mà nó hoạt động. Điều gì trong cuộc phỏng vấn đã giúp một người nhận được công việc? Việc diễn giải một mô hình Deep Learning không phải là không thể, nhưng nó phức tạp hơn rất nhiều so với việc diễn giải các mô hình thống kê truyền thống.

Với thực tế là Deep Learning sẽ phát huy tối đa khả năng của nó khi có một tập dữ liệu lớn, các dữ liệu ở dạng phi cấu trúc, và mục đích sử dụng là để dự đoán, đây là một danh sách ngắn những nơi mà tôi mong đợi AI có thể mang lại những lợi ích to lớn cho tâm lý học:

Xem bài viết  Các Video Chia Sẻ Chế Độ Ăn: Điều Phụ Huynh Cần Biết

Hiểu được cuộc sống hàng ngày bên ngoài phòng thí nghiệm

Cảm biến di động, như Fitbits hoặc đồng hồ thông minh, là các thiết bị điện tử tiêu dùng ngày càng phổ biến. Chúng cho phép thu thập các bộ dữ liệu khổng lồ và phi cấu trúc, ví dụ như cách mà thiết bị di chuyển trong không gian ở mức mili giây, hoặc tim của ai đó đập nhanh như thế nào trong nhiều ngày và nhiều tuần liên tục. Loại dữ liệu này có thể được tận dụng để dự đoán khi nào thì mọi người muốn dành thời gian cho bạn bè thay vì ở một mình, loại tính cách của một người hoặc khi nào thì một người có thể rơi vào trầm cảm.

Hiểu được sự thay đổi văn hóa (kỹ thuật số)

Thế giới trực tuyến ngày càng là nơi sản sinh, biến đổi và phát triển văn hóa. Không giống như văn hóa chỉ tồn tại trong các tương tác trực tiếp giữa con người trong một ngày bình thường, (về mặt lý thuyết) tất cả văn hóa kỹ thuật số này đều có thể thu thập và phân tích được. Nhắc lại một lần nữa, đây là dữ liệu lớn (toàn bộ các trang web truyền thông xã hội trong nhiều năm) và không có cấu trúc (mọi người có thể đăng bất cứ thứ gì). Trong trường hợp này, các mô hình dự đoán có thể là sự kết nối cho một nền văn hóa ổn định. Khi một điều gì đó dễ dàng được dự đoán dựa trên những gì xảy ra trước đó thì đó là thời kỳ văn hóa ổn định. Còn khi các bài đăng, hình ảnh hoặc video tiếp theo khó dự đoán hơn, điều đó có thể cho thấy rằng chúng ta đang ở thời điểm có sự chuyển đổi văn hóa.

Hiểu được sự kết nối giữa thân – tâm – trí

Trong nhiều năm, các lĩnh vực khoa học thần kinh nhận thức và tâm sinh lý đã phân tích cụ thể các quá trình tâm lý có liên quan như thế nào đến các quá trình của não bộ và cơ thể. Ví dụ, nghiên cứu đã khám phá ra việc bị căng thẳng liên quan như thế nào đến nhịp tim và huyết áp, hoặc các vùng não nhất định có liên quan như thế nào đến việc nhận diện khuôn mặt. Việc thu thập dữ liệu từ một số loại cảm biến – ví dụ như mũ đo điện não đồ, dụng cụ dùng để đo hoạt động điện ở da đầu – đang trở nên rẻ hơn và dễ dàng hơn cho các nhà nghiên cứu (và thậm chí cả người tiêu dùng). Điều đó có nghĩa là việc thu thập kích thước mẫu dữ liệu ngày càng lớn sẽ trở nên khả thi. Do loại nghiên cứu này cũng thường có xu hướng tập trung vào các nhiệm vụ đơn giản có thể được lặp đi lặp lại (ví dụ: yêu cầu một người tìm kiếm các hình dạng trên màn hình hàng chục hoặc hàng trăm lần), việc này đã được thực hiện rất nhiều lần bởi rất nhiều người. Một lần nữa, đây là dữ liệu lớn và phi cấu trúc. Điều hữu ích ở đây là bằng cách sử dụng dự đoán, những câu hỏi nghiên cứu thông minh và thú vị có thể được đặt ra. Điều này chắc chắn có thể thực hiện được. Ví dụ, Stanislas Dehaene và các đồng nghiệp đã sử dụng bản ghi điện não đồ để phát triển một mô hình về việc một bệnh nhân hôn mê có khả năng tỉnh lại hay không.

Xem bài viết  Tỉ Lệ Tự Tử Và Mạng Xã Hội

Dùng Deep Fakes (một kỹ thuật cho tổng hợp hình ảnh con người dựa trên trí tuệ nhân tạo) cho việc nghiên cứu chuyên sâu

Một lĩnh vực nghiên cứu mới nổi của Deep Learning là mô hình tạo dựng. Mô hình này không học cách dự đoán một điều gì đó từ các vật mẫu, mà nó học cách tạo ra các vật mẫu mới dựa trên những gì nó đã biết. Ví dụ, một mô hình Deep Learning có thể được dạy để tạo ra chân dung của những người không có thực, hoặc tạo ra những hình ảnh theo một phong cách cụ thể (ví dụ như một bức chân dung theo phong cách của Picasso). Deep Fakes thì cho phép video chuyển các hành động của một người sang mô phỏng cơ thể của một người khác. Mặc dù điều này tiềm ẩn những tác động đáng sợ đối với xã hội, nhưng nó cho phép tạo ra những cách hoàn toàn mới để thiết lập các thí nghiệm tâm lý học. Điều gì sẽ xảy ra nếu bạn muốn điều khiển độ tuổi, giới tính hoặc dân tộc của một người? Trong một môi trường ảo, bạn có thể thực hiện việc này. Một người đàn ông có thể nói chuyện và hành động trong cơ thể của một người phụ nữ để có thể trải nghiệm xem việc tương tác sẽ khác biệt như thế nào. Một người nói giọng Mỹ có thể thay đổi thành giọng Anh để xem điều đó sẽ thay đổi nhận thức như thế nào. Tất cả các loại thông tin xã hội được thể hiện theo cách “phi cấu trúc” đều có thể được điều khiển, giúp chúng ta có cái nhìn sâu sắc hơn về các quá trình xã hội.

Nguồn: https://www.psychologytoday.com/us/blog/how-do-you-know/202201/unlocking-ai-psychology