מודלים של בינה מלאכותית המסתמכים על תמונות של Google Street View עלולים לפרש לא נכון תכונות סביבתיות, ולהוביל למאמצים שגויים של בריאות הציבור להפחתת השמנת יתר וסוכרת, מזהיר מחקר חדש.
לִלמוֹד: ניצול ביג דאטה ללא ידע בתחום משפיע על קבלת החלטות בריאות הציבור. קרדיט תמונה: TippaPat / Shutterstock.com
מחקר שפורסם לאחרונה בכתב העת PNAS מדעי הסביבה מגלה שהסתמכות על תמונות בינה מלאכותית (AI) ו-Google Street View (GSV) לתמיכה בתכנון עירוני עשויה להוביל למסקנות מטעות שעלולות להיות להן השפעות מזיקות על התערבויות בריאות הציבור שמטרתן להילחם בהשמנת יתר וסוכרת.
כיצד משתמשים בבינה מלאכותית בתכנון עירוני?
ההתקדמות האחרונה בתחום הבינה המלאכותית האיצה את שילוב הטכנולוגיה הזו בתחומים חיוניים, כגון בריאות הציבור ותכנון עירוני, שעלולים להשפיע על מספר רב של אנשים ברמת הקהילה. לדוגמה, תמונות GSV שולבו עם זיהוי אובייקטים על ידי למידה עמוקה כדי להעריך את התוצאות הבריאותיות הקשורות לנכסי שכונות המוגדרים על ידי ערכת מפקד.
נתוני GSV מספקים מידע על הסביבה, כולל סוגי הצמחייה, כמו גם פיתוח עירוני, כגון רשתות כבישים ומבני בניין. נתונים אלה נכרו תוך שימוש בלמידה עמוקה כדי לתכנן התערבויות מקומיות המכוונות למחלות נפשיות וקרדיומטבוליות ושכיחות מחלת הקורונה 2019 (COVID-19).
עם זאת, מודלים חזויים המשתמשים בבינה מלאכותית נתקלו באתגרים מסוימים, כולל חוסר היכולת לזהות נתונים מזויפים ומוטים והנטייה ליצור מתאמים מזויפים שמביאים לאחר מכן את התחזיות הללו. אתגרים אלו מחריפים כאשר גורמים אחרים עשויים לתווך את הקשר בין חשיפה לתוצאות בריאותיות.
מה הראה המחקר?
המחקר הנוכחי בדק כיצד תכונות הסביבה שמקורן ב-GSV מתקשרות עם השכיחות הממוצעת של השמנת יתר וסוכרת במערכת המפקד בעיר ניו יורק. הוא גם העריך את הקשר בין מצבים בריאותיים אלה לבין חוסר פעילות גופנית, אשר תורם משמעותי לקשר זה.
נתונים שמקורם ב-GSV הצביעו על כך שצפיפות גבוהה יותר של מעבר חציה מתאם עם שכיחות מחלה נמוכה יותר. ההשפעה של פעילות גופנית על השמנת יתר הייתה גדולה מזו על סוכרת, שהייתה צפויה בהתבסס על הערכות קודמות של מעברי חצייה מבוססי GSV. עם זאת, בהשוואה למחקרים קודמים, לא נצפה קשר בין הערכות GSV של צפיפות המדרכה ותוצאות בריאותיות.
התערבות חוסר פעילות גופנית לעומת תכונת GSV
השפעת השכיחות של מעברי חציה ומדרכות על התוצאות הבריאותיות נבעה משכיחות של חוסר פעילות גופנית במערכת המפקד. לפיכך, במקום הסביבה הבנויה עצמה, רמות הפעילות הגופנית באותה מערכת מפקד היוו את השינויים בתוצאות הבריאותיות.
עם כל יחידה של הפחתה בחוסר פעילות גופנית, השכיחות של השמנת יתר וסוכרת ירדה פי 4.17 ו-17.2 בהתאמה, בהשוואה לירידה יחידה בשכיחות במעבר חציה.
סביבה בנויה לא מסונכרנת עם תכונות GSV
הסביבה הבנויה, שהייתה הבסיס למסקנות של תוויות GSV בתוך העיר, לא מצליחה להתאים למציאות. לדוגמה, מדרכות עשויות להיות מיוצגות ליד גשרים או כבישים מהירים למרות היעדרותן, בעוד שמדרכה חסומה עשויה להיות מדווחת כלא נעדרת.
ממצאים אלו מצביעים על כך שבינה מלאכותית עשויה לייצר הערכות התערבות לא מדויקות בשל הסתמכותה על תכונות שמקורן ב-GSV כדי לזהות קשרים עם תוצאות בריאותיות וחוסר הידע שלה לגבי גורמים מתווכים חשובים. לפיכך, יש לתאר את המודל באופן ספציפי, ולהתייחס למסלול שדרכו תכונות אלו מפעילות את השפעותיהן. אמצעי הגנה אלה יבטיחו שהמטרה מזוהה במדויק ושהיעילות של התערבויות שונות נאמדת כראוי.
מסקנות
בניגוד למחקרים קודמים, שהסתמכו על סקירות איכותיות להשוואת אזורים, המחקר הנוכחי, לראשונה, משווה בין תכונות GSV למציאות ברמה הקרקעית.
החוקרים השתמשו במסגרת סיבתית כדי לפצות על גורמים מתווכים כמו פעילות גופנית. זה גילה שאם ישופרו 10% מהדגימות בשני השלישים הנמוכים ביותר של חוסר פעילות גופנית, תיווצר ירידה משמעותית של פי 4.17 ו-17.2 בשכיחות של השמנת יתר וסוכרת, בהתאמה.
עם זאת, יש לפרט בקפידה את מגבלות הנתונים, כמו גם את המצב המשתנה של הסביבה הבנויה, התנהגות אינדיבידואלית ותוצאות בריאותיות כתוצאה מכך, בעת מינוף סוג זה של נתונים להתערבויות בבריאות הציבור.
מחקר זה מדגיש סוגיות קריטיות של חוסן ומפרט מודל בשימוש במקורות נתונים מתעוררים, מראה שהנתונים עשויים שלא למדוד את הכוונה, והתעלמות ממתווכים עלולה לגרום לאומדני אפקט התערבות מוטים.."
