اپلیکیشن‌های تلفن‌های هوشمند سرانجام می‌توانند مشاجره بین زوجها را پیش‌بینی و قبل از اینکه مشکل جدی ایجاد شود به آن‌ها کمک کنند. برای اولین بار بیرون از محیط آزمایشگاهی، پژوهشگران با استفاده از هوش مصنوعی توانسته‌اند الگوهایی را در حرف‌ها و علائم فیزیولوژیکی زوجها شناسایی و با استفاده از آن امکان بروز اختلاف در رابطه میان آن‌ها را پیش‌بینی کنند.
بیشتر آزمایش‌های مربوط به تشخیص بروز اختلاف با زوج‌های واقعی در شرایط کنترل شده و در آزمایشگاه‌های روانشناسی انجام شده است.
پژوهشگران دانشگاه کالیفرنیای جنوبی (USC) در پروژه Couple Mobile Sensing رویکرد متفاوتی را اتخاذ کرده‌اند، آن‌ها زوجها را در شرایط زندگی عادی مورد مطالعه قرار داده و از ابزارهای پوشیدنی و گوشی‌های هوشمند برای جمع‌آوری داده‌ها استفاده کرده‌اند. نتایج اولیه آن‌ها در این حوزه با مطالعه روی 34 زوج نشان داده است که می‌توان با ترکیب ابزارهای پوشیدنی و هوش مصنوعی مبتنی بر یادگیری ماشین (AI) در آینده از برنامه‌های گوشی‌های هوشمند به عنوان مشاور برای رابطه میان زوجها استفاده کرد.
آدلا تیمونز، دانشجوی دکتری روانشناسی کلینیکی دانشگاه USC بیان کرد که با مدلی که در حال حاضر در اختیار داریم می‌توانیم بروز اختلاف را در زمان اتفاق افتادن تشخیص دهیم اما هنوز نتوانسته‌ایم قبل رخ دادن آن را پیش‌بینی کنیم.
او همچنین گفت: در قدم بعدی ما امیدوار هستیم که بتوانیم بروز اختلاف را پیش‌بینی کنیم و به صورت زمان واقعی برای زوجها پیام‌های هشداری را بفرستیم تا در نهایت بتوانیم بروز اختلاف را کاهش داده یا حتی از وقوع آن جلوگیری کنیم.
پیش‌بینی مسائل پیچیده‌ای مثل اختلاف میان زوجها در دنیای واقعی کار ساده‌ای نیست، برای همین الگوریتم‌های یادگیری ماشینی که به طور خودکار می‌توانند الگوها را از داده‌ها استخراج کنند به محققان کمک می‌کنند تا گفتار زوجها و سایر شاخص‌های فیزیولوژیکی مثل ضربان قلب یا میزان هدایت (الکتریکی) پوست را بررسی کنند.
قبل از آموزش الگوریتم مبتنی بر یادگیری ماشین با استفاده از داده‌ها، محققان باید ویژگی‌های کلیدی را که با تمرکز بر آن‌ها می‌توان نتایج بهتری را به دست آورد مشخص کنند.
مطالعات روان‌شناختی گذشته نشان داده است که بروز اختلاف میان زوجها با علائم فیزیولوژیکی برانگیخته شده مثل بالا رفتن ضربان قلب و میزان هدایت الکتریکی پوست همراه است. تیمونز بیان می‌کند که در هنگام مشاجره، زوجها از بعضی جمله‌‌های خاص استفاده می‌کنند، مثلا ضمایر دوم شخص مثل “تو” و کلمات احساسی منفی و همچنین کلماتی که بیان‌گر یقین هستند مثل “همیشه” و “هرگز”.
به 34 زوجی که به طور شبانه‌روزی در این آزمایش شرکت کردند ابزارهای پوشیدنی مثل مچ‌بند برای اندازه‌گیری میزان هدایت الکتریکی پوست و دمای بدن داده شده است. سنسور دیگری برای اندازه‌گیری ضربان قلب روی سینه فرد قرار می‌گیرد. علاوه بر این به هرکدام از زوجها یک گوشی همراه هوشمند برای جمع‌آوری صدای مکالمه بین آن‌ها داده شده است. وقتی که یک مشاجره واقعی بین زوجها رخ می‌دهد، آن‌ها باید گزارش دهند.
نتایج اولیه به دست آمده امیدبخش بوده است و به طور کلی با مطالعات گذشته روانی و تئوری‌های که در مورد بروز اختلاف میان زوجها بیان شده، همخوانی دارد. به طور مثال میزان صحت تشخیص بروز مشاجره بین زوجها با استفاده از کلمات احساسی منفی که در گفتار آن‌ها بیان می‌شود، 62.3 درصد است. زمانی که الگوریتم یادگیری ماشین همه داده‌هایی را که از شاخص‌های مختلف به دست آورده، همراه با کلمات احساسی منفی آنالیز می‌کند درصد صحت 79.3 حاصل می‌شود.
تیمونز بیان می‌کند که این الگوریتم مبتنی بر یادگیری ماشین است و برای طبقه‌بندی صحیح و تشخیص درست بروز اختلاف نیاز به داده‌های بیشتری دارد.
صحت 79.3 درصد برای اینکه در آینده اپلیکیشن‌ها بتوانند به عنوان مشاور همراه عمل کنند، هنوز درصد پایینی است. تئودورا چسپاری دانشجوی دکتری تجزیه‌وتحلیل سیگنال دانشگاه USC و مسئول دیگر این پروژه بیان کرد که تشخیص اشتباه بروز اختلاف می‌تواند هشداری غیرضروری را ایجاد کند، اما صحت بالایی که از ترکیب داده‌های مختلف حاصل شده، رویکرد کلی را تایید می‌کند.
یکی از چالش‌هایی که محققان با آن روبه‌رو هستند این است که داده‌های زندگی واقعی زوجها را چگونه بررسی کنند زیرا این اطلاعات بسیار آشفته‌تر از اطلاعاتی است که در آزمایشگاه جمع‌آوری می‌شود. همیشه امکان دارد که مقداری از اطلاعات از بین برود، به طور مثال ممکن است زوجها گوشی‌های هوشمند خود را برای حفظ حریم شخصی خاموش کنند. چسپار امیدوار است با داده‌های بیشتری که جمع‌آوری می‌کند بتواند به الگوریتم یادگیری ماشین کمک کند تا اشکالات خود را برطرف کرده و میزان صحت آن را بالا ببرد.
سرانجام تشخیص صحیح، الگوریتم را قادر می‌سازد تا بروز اختلاف را قبل از اینکه حتی خود زوجها مطلع شوند، پیش‌بینی کند. قدم بعدی تیم این است که داده‌های اضافی را جمع کند تا میزان صحت الگوریتم فعلی را بالا ببرد.
