پیش‌بینی جنسیت نوزاد با کمک هوش مصنوعی

پژوهشگران آمریکایی، یک الگوریتم هوش مصنوعی را ابداع کرده‌اند که می‌تواند جنسیت نوزادان را براساس خلق و خوی آنها پیش‌بینی کند.

به گزارش ایسنا و به نقل از وب‌سایت رسمی "دانشگاه ایالتی واشنگتن"(WSU)، تشخیص تفاوت بین یک پسر و دختر تازه متولدشده فقط براساس ویژگی‌های خلقی مانند تمایل کودک به نشان دادن ترس، لبخند یا خنده، دشوار است اما زمانی که نوزادان به حدود یک سالگی می‌رسند، تغییر کردن را آغاز می‌کنند.

پژوهش جدیدی که در دانشگاه ایالتی واشنگتن انجام شده است، از یادگیری ماشینی برای تجزیه و تحلیل داده‌های مربوط به خلق و خو در ۴۴۳۸ نوزاد استفاده کرد تا نوزادان را براساس جنسیت و سن طبقه‌بندی کند.

هنگامی که نوزادان ۴۸ هفتگی را پشت سر گذاشتند، طبقه‌بندی جنسیتی برای الگوریتم‌های متعدد بهبود یافت. این نشان می‌دهد که تفاوت‌های جنسیتی دوران نوزادی، در این زمان برجسته‌تر می‌شوند.

"ماریا گارتشتاین"(Maria Gartstein)، استاد روان‌شناسی دانشگاه ایالتی واشنگتن و پژوهشگر ارشد این پروژه گفت: این امر حداقل نشان‌دهنده تصویری است که در آن، خلق و خو براساس جنسیت و به روشی قوی‌تر از یک سالگی شروع به تمایز می‌کند.

پژوهش‌های پیشین، تفاوت‌های خلق و خو براساس جنسیت و سن را در نوزادان بررسی کرده‌اند اما تعداد کمی از پژوهش‌ها این دو متغیر را با هم مورد بررسی قرار داده‌اند.

گارتشتاین گفت که این کار در درجه اول به دلیل دشواری، یک آزمایشگاه مستقل است که داده‌های کافی در مورد رفتار نوزاد را جمع‌آوری می‌کند تا یافته‌ها از نظر آماری، قابل اعتماد و مربوط به بخش وسیعی از جمعیت باشند.

گارتشتاین و همکارانش برای غلبه بر این چالش، با دانشمندان سراسر آمریکا تماس گرفتند تا داده‌های پرسش‌نامه رفتار نوزاد را گردآوری کنند که بین سال‌های ۲۰۰۶ تا ۲۰۱۹ جمع‌آوری شده بودند.

این پرسش‌نامه، یک معیار مبتنی بر گزارش والدین برای سنجش خلق و خو است که از والدین می‌خواهد رفتار متفاوتی را که فرزندشان از سه تا ۱۲ ماهگی نشان می‌دهد، ثبت کنند. سپس، می‌توان از این داده‌ها برای ارزیابی نوزادان در ۱۴ بعد خلقی مختلف مانند لبخند زدن، سطح فعالیت، عصبانیت، ناامیدی و ترس استفاده کرد. گارتشتاین و همکارانش به طور کلی، داده‌هایی را در مورد ۲۲۹۸ پسر و ۲۰۹۳ دختر جمع‌آوری کردند.

"اریش سیمون"(Erich Seamon)، از مؤسسه مدل‌سازی، همکاری و نوآوری "دانشگاه آیداهو"(UIdaho) برای تجزیه و تحلیل این موضوع، از الگوریتم‌های یادگیری ماشینی برای طبقه‌بندی نوزادان به‌عنوان مرد یا زن در ۲۴ تا ۴۸ هفتگی و بالاتر استفاده کرد. میزان دقت با افزایش سن بالا رفت و از ۳۸ درصد برای گروه سنی یک تا ۵۷ درصد برای گروه سنی سه متغیر بود.

گارتشتاین ادامه داد: این یک فرصت جالب برای انجام دادن یک پژوهش با استفاده از روش‌های یادگیری ماشینی بود که به مجموعه داده‌های گسترده‌ای نیاز دارند و چندان رایج نیستند. این پژوهش برای نخستین بار به ما این فرصت را داد که میزان تفاوت‌های جنسیتی را با توجه به سن نوزاد بررسی کنیم.

نتایج تجزیه و تحلیل پژوهشگران نشان داد که ترس، مهم‌ترین ویژگی در تشخیص پسران و دختران در میان گروه‌های سنی جوان است. با بزرگ‌تر شدن نوزادان، واکنش‌پذیری یا توانایی بهبودی سریع در موقعیت‌های استرس‌زا، نشان دادن تمایل بیشتر برای آغاز تعامل و تعامل داشتن با افراد و اشیاء، تأثیرگذارتر شد.

برای نوزادان بزرگ‌تر از ۴۸ هفته، لذت شرکت کردن در فعالیت‌های آرام و آشنا مانند بازی کردن با والدین، تأثیرگذارترین متغیر در تشخیص پسران از دختران بود.

جالب است که برخی از ویژگی‌های خلقی، از دقت الگوریتم‌های یادگیری ماشینی در طبقه‌بندی نوزادان بر اساس جنسیت، به ویژه نوازشگری، واکنش‌پذیری صوتی، لبخند زدن و خنده در جوان‌ترین گروه سنی و لبخند زدن، خنده، حساسیت ادراکی در مسن‌ترین گروه سنی استفاده کرده است.

اگرچه عوامل متعددی ممکن است در الگوی نتایج نقش داشته باشند اما این پژوهش با یافته‌های پیشین که نشان می‌دهند اثرات اجتماعی شدن در حدود یک سالگی آغاز می‌شوند، مطابقت دارد.

گارتشتاین گفت: مادران، روش‌های متفاوتی را برای اجتماعی شدن پسران و دختران خود دارند و چنین تفاوت‌هایی به مرور زمان می‌توانند مسیرهای متفاوتی را از نظر خلق و خو ایجاد کنند. به طور ویژه، والدین ممکن است جهت‌گیری رابطه را برای دختران و شایستگی و استقلال را برای پسران در اولویت قرار دهند.

گارتشتاین افزود که این طرح برای استفاده از روش یادگیری ماشینی که او و همکارانش برای پژوهش کنونی توسعه داده‌اند، به کار گرفته می‌شود تا سایر پرسش‌های دشوار در رابطه با رشد عاطفی اجتماعی نوزادان را بررسی کند.

این پژوهش، در مجله "PLOS ONE" به چاپ رسید.

انتهای پیام

  • چهارشنبه/ ۲۱ اردیبهشت ۱۴۰۱ / ۱۶:۲۶
  • دسته‌بندی: فناوری
  • کد خبر: 1401022114105
  • خبرنگار : 71604