در دوران جنگ، بینظمی در احساسات منفی مانند ترس، خشم، نفرت، ناامیدی، اندوه، تحقیر و ناامیدی میتواند ارزشها و فرهنگهای اجتماعی معمول را تحتالشعاع قرار داده و صلح و امنیت جهانی و سلامت روان جوامع آسیبدیده را به خطر اندازد. بنابراین قابل فهم است که دامنه و شدت این احساسات منفی نقش مهمی در رفتار انسانی در هر درگیری مسلحانه ایفا میکند.
برآورد و ارزیابی احساسات منفی غالب در زمان جنگ بسیار حیاتی است، اما پیچیدگیهای نورو-روانفیزیولوژی احساسات این کار را دشوار میکند. ابزارهای پردازش زبان طبیعی (NLP) موجود، روشهای محاسباتی پیشرفتهای برای تحلیل و درک محتوای احساسی دادههای متنی مرتبط با جوامع آسیبدیده از جنگ ارائه میدهند.
فناوریهای نوآورانه مبتنی بر هوش مصنوعی که یادگیری ماشین، برنامهریزی زبان عصبی، زیرساختهای ابری و ابزارهای درمانی دیجیتال نوین را ترکیب میکنند، پتانسیل بسیار زیادی برای بهبود مراقبتهای سلامت روان در سطح جهان دارند. این پیشرفت میتواند خدمات سلامت روان را مقرونبهصرفهتر و در دسترستر کند.
با توجه به کمبود روانپزشکان و محدودیت منابع روانپزشکی برای مقابله با پیامدهای روانی جنگ و تروماها، استفاده از دستگاههای پوشیدنی درمانی دیجیتال حمایتشده توسط ابزارهای هوش مصنوعی ممکن است رویکرد امیدوارکنندهای در روانپزشکی آینده باشد.
تحول نقشههای احساسی منفی غالب میتواند از طریق ترکیب همزمان درمان شناختی-رفتاری آنلاین (CBT) در سطح فردی و استفاده از ارتباطات استراتژیک مبتنی بر احساسات (EBSC) در سطح عمومی انجام شود. این تحول مثبت احساسی از طریق CBT و EBSC میتواند نقش مهمی در حفاظت از سلامت روان جمعیت غیرنظامی در جوامع آسیبدیده از جنگ داشته باشد.
ابزارهای مبتنی بر هوش مصنوعی که میتوانند در طراحی محرکهای EBSC مورد استفاده قرار گیرند، مانند OpenAI ChatGPT یا Google Gemini، پتانسیل قابل توجهی برای ارتقای ارتباطات استراتژیک مبتنی بر احساسات دارند؛ چرا که تحلیلهای معنایی و زبانی دقیقتری از مجموعه دادههای متنی جوامع آسیبدیده از جنگ فراهم میکنند.
انسان در حلقه فرآیند به کمک ChatGPT و Gemini میتواند در طراحی و توسعه پیامهای احساسی نشانهگذاریشده که در میان جمعیت هدف طنینانداز میشوند، کمک کند و تأثیر ارتباطات استراتژیک را در شکلدهی به نقشههای احساسی غالب انسانها به سمت مثبتتر، از طریق CBT و EBSC افزایش دهد.
تأثیر جنگ و تروما بر سلامت روان به ویژه برای غیرنظامیانی که در شرایط دائمی ترس، ناامیدی، رنج، وحشت، اندوه و تحقیر زندگی میکنند، بسیار ویرانگر است. افراد در جوامع آسیبدیده از جنگ در معرض رویدادهای بسیار ترومازا و استرسزایی قرار دارند که میتواند آثار مخربی بر سلامت روان آنها داشته باشد و منجر به اضطراب، افسردگی، اختلال استرس پس از سانحه (PTSD) و تمایلات خودکشی شود (کلیبر، ۲۰۱۹؛ روزانوف و همکاران، ۲۰۱۹؛ جین و همکاران، ۲۰۲۲). میزان شیوع اختلالات روانی به شدت با تعداد رویدادهای ترومازی که افراد در دوران جنگ تجربه کردهاند و همچنین مقاومت و آسیبپذیری فردی آنها در برابر استرس مرتبط است (لیم و همکاران، ۲۰۲۲). جریان مداوم درگیریهای مسلحانه، بحرانهای جهانی، بلایای طبیعی و پاندمیها منجر به افزایش بیسابقه افرادی شده است که دچار استرس، اضطراب، افسردگی و شکنندگی عاطفی هستند (یاکولویویچ و همکاران، ۲۰۲۰؛ چوسیک و همکاران، ۲۰۲۰؛ کوپیلاش و همکاران، ۲۰۲۱؛ لاس-هنمن و همکاران، ۲۰۲۳؛ میخیا و همکاران، ۲۰۲۳؛ پرازرز و همکاران، ۲۰۲۳). تقاضای جهانی برای منابع پیشگیری و درمان مؤثر به موقع که هنوز به طور کامل شناخته نشده است، باعث افزایش بار بیماریهای روانی شده است. این شکاف میان نیازها و منابع موجود به دلیل کمبود متخصصان سلامت روان و عدم دسترسی به درمانهای پیشگیرانه اولیه همچنان رو به گسترش است.
اختلالات روانی ناشی از جنگ و تروما میتوانند باعث از همگسیختگی عملکردهای اصلی احساسی، شناختی و رفتاری انسان شوند؛ مانند عدم تنظیم افکار، احساسات و هیجانات، اختلال در عملکرد فیزیولوژیکی، ناهنجاریهای ایمنی-التهابی، تحریفات شناختی و مکانیزمهای مقابله ناسازگار (روزانوف و همکاران، ۲۰۱۹). تأثیر جنگ بر سلامت روان و رفاه کلی میتواند فاجعهبار باشد و از هر بیماری بزرگ دیگری در میزان مرگ و ناتوانی فراتر رود. جنگ میتواند ملتها، جوامع، خانوادهها و افراد را ویران کند و به طور مکرر توسعه اقتصادی و رفاه اجتماعی آنها را مختل سازد (بتانکورت و همکاران، ۲۰۱۸؛ کلیبر، ۲۰۱۹؛ روزانوف و همکاران، ۲۰۱۹؛ تروخیلو و همکاران، ۲۰۲۱؛ لیم و همکاران، ۲۰۲۲).
آمار مرگومیر ناشی از جنگ تنها زخمهای آشکار آن است، در حالی که پیامدهای دیگر، مانند زخمهای پنهان جنگ همچون PTSD و خودکشیها، هنوز به طور مؤثر و کافی درمان و رسیدگی نمیشوند. پتانسیل ابزارها و روشهای جدید مبتنی بر هوش مصنوعی در سلامت روان میتواند در شناسایی و درمان به موقع چالشهای روانی به طور مؤثری مورد استفاده قرار گیرد. از این رو، این مقاله قصد دارد ظرفیت رویکردی جامعتر مبتنی بر ابزارها و فناوریهای پیشرفته هوش مصنوعی را در ارائه خدمات مؤثر برای مقابله با این چالش جهانی سلامت، به ویژه در جوامع متاثر از جنگ و تروما بررسی کند.
پیامدهای جنگ، از جمله جابجایی اجباری، مواجهه با خشونت، کمبود منابع، آسیب به زیرساختهای حیاتی و اختلال در خدمات ضروری، میتوانند اثرات منفی قابل توجهی بر سلامت روان و کلی جمعیت اوکراین در طول و پس از جنگ داشته باشند (هاما-راز و همکاران، ۲۰۲۲؛ الیس و همکاران، ۲۰۲۴). شاخصهای استاندارد زندگی، سلامت روان، علائم افسردگی، سوءمصرف مواد و مصرف غذاهای ناسالم اغلب با درگیری مرتبط است، بدون توجه به جنسیت، سن، مذهب یا وضعیت تأهل (کنستانتینو و همکاران، ۲۰۲۳).
تحقیقات ما اهمیت احساسات را به عنوان عاملی محرک برای مشارکت در خدمات داوطلبانه نشان میدهد، چرا که اکثریت داوطلبان تأکید کردند که احساسات همدلی، خشم و تمایل به کمک، تصمیم آنها را برای شرکت تحت تأثیر قرار داده است (دومارادزکی و همکاران، ۲۰۲۲).
اهمیت تحلیل احساسات
چالشهای امنیت جهانی و جنگها ممکن است با احساسات منفی مختلفی بروز یابند، بهویژه ترس، خشم، ناامیدی، نفرت، کینه، غضب و سرخوردگی (مایلوسکی، ۲۰۲۰؛ کریچنتی و همکاران، ۲۰۲۲). این احساسات میتوانند به رفتارهای خشونتآمیز، جنگ، مقاومت، تروریسم و اقدامات شورشی منجر شوند. احساسات نقش بسیار مهمی در درک رفتار انسانی دارند و تأثیر قابل توجهی بر تحلیلهای سیاسی-امنیتی میگذارند. تقریباً غیرممکن است که بدون تلاش برای درک دامنه و شدت احساسات در صحنه جنگ، پیچیدگی تنشهای نظامی جهانی، ناامنی و درگیریهای مسلحانه را بهطور کامل فهمید. در دوران جنگ، تولید و توزیع نامحدود احساسات منفی باعث میشود فضای احساسی چندبعدی کنترلناپذیر شود (چوسیچ و همکاران، ۲۰۱۲ب). بنابراین، ابعاد احساسی هر درگیری یا مشکلی نباید دستکم گرفته شود. فجایع جنگ و احساس تحقیر منفی، احساسات غیرمنطقی، مخرب، و پر از نفرت ایجاد میکند. اگر احساسات در تحلیلهای چندرشتهای سیاسی-امنیتی جهانی ادغام نشوند، جهان در معرض خطر خواهد بود چرا که یکی از جنبههای بنیادین رفتار احساسی انسان نادیده گرفته شده است. بنابراین، شدت و تنوع احساسات منفی همچنان عامل حیاتی در فهم پیچیدگی چشمانداز سیاسی و امنیتی جهانی باقی میماند (چوسیچ و همکاران، ۲۰۱۸).
انفجار احساسات منفی و تأثیر آنها بر روابط بین ملتها، فرهنگها و ادیان موضوع بسیار مهمی است که نیازمند توجه بیشتر است. بدون درک نفوذ محوری احساسات، که کنترل بیشتری بر افراد دارند تا اینکه تحت کنترل آنها باشند، اساساً غیرممکن است واقعیتهای سیاسی و امنیتی تروماهای جنگی را فهمید (چوسیچ و همکاران، ۲۰۱۲ب؛ وبستر و آلبرتسون، ۲۰۲۲). برای مثال، ترس که به معنای نبود اعتماد است، میتواند به نگرانیهای وسواسی درباره حال و آینده منجر شود و برای امنیت کلی و سلامت روانی افراد بسیار خطرناک باشد. در عین حال، ترس نیرویی برای بقا در محیط خطرناک و پاسخ طبیعی حفاظتی است. خشم شامل ارزیابیهای قدرت نسبی و توان مقابله است، در حالی که نفرت شدیدترین و حادترین احساس است که با تمایل به آسیب رساندن یا نابودی فرد یا گروه منفور مشخص میشود. با این حال، رویدادهای ترومازای جنگ میتوانند پیوندهای مرتبط را به چالش کشیده و ریشهکن کنند، و طبیعت احساسی آنها را بهشکلی بسیار آشکار نمایان سازند (بلیکر و هاتچیسون، ۲۰۰۸).
برای درک چنین وضعیتهای پیچیده اجتماعی، تحلیل زمینههای احساسی بسیار مهم و ضروری است (چوسیچ و همکاران، ۲۰۱۲ب). هر احساس با تمایل پاسخ خاص و آمادگی برای اقدام مرتبط است (فریدا، ۱۹۸۷). این بدان معناست که نقشههای غالب احساسی منفی با تمایلات رفتاری متناظر بوده و ارتباط نزدیکی با آمادگی و تمایل گروه برای ایجاد تغییر در جامعه دارند.
رویکردی که از احساسات بهعنوان مکانیزمی برای توضیح رفتارهای غیرمنطقی بازیگران جنگ استفاده کند، میتواند راه نوآورانهای برای افزودن ارزش در جستجوی راهحل برای پیچیدهترین، غیرقابل پیشبینیترین و نامطمئنترین درگیریهای جنگی جهان مدرن باشد. برای آشتی دادن افراد با مناظر احساسی متنوع، لازم است محرکهای اصلی رفتارها و اقدامات آنها درک شود. ویژگیهای رفتاری افراد بدون تحلیل عمیق و پیچیده نقشههای احساسی غالب آنها و شرایط و تعاملات اجتماعی-فرهنگی و امنیتیشان قابل فهم نیست. احساسات غالب متفاوت جمعیت باید در سیاستها منعکس شود (مرسر، ۲۰۰۵). این نشان میدهد که ارزشها و هنجارهای اجتماعی و فرهنگی مختلف را نمیتوان با استفاده افراطی از قدرت نظامی بهراحتی تغییر داد. در نهایت، تأثیرات تسلط نظامی، مانند حملات هوایی یا پهپادی، ممکن است احساسات منفی قوی و اثراتی در نبرد برای قلب و ذهن جمعیت آسیبدیده از جنگ ایجاد کند، که استفاده از قدرت نظامی را کمتر موثر میسازد (دیکسون، ۲۰۰۹). شکست احتمالی نظامی ممکن است ناشی از انتظارات غیرواقعبینانه باشد که مشکلات امنیتی جدی در جوامع آسیبدیده از جنگ با قدرت نظامی حل میشوند، در حالی که واقعیت این است که برنامههای توسعه و بازیابی پس از درگیری از اهمیت حیاتی برخوردارند (گالولا، ۱۹۶۴).
نمایش نقشههای غالب احساسی و سلامت روان
برآورد و ارزیابی احساسات غالب در دوران جنگ و پس از آن بسیار مهم و در عین حال چالشبرانگیز و پیچیده است. در تحلیلهای سیاسی-امنیتی، تجمیع نقشههای غالب احساسی و تبدیل بالقوه آنها به سناریوها، اقدامات، واکنشها، رفتارها و ناآرامیهای گروهی، نیازمند توجه بیشتری است (لوفلند، ۱۹۸۵). شرکتکنندگان در یک موقعیت اجتماعی معمولاً از آگاهی مشترک و واکنش احساسی یکسانی برخوردارند (باربالت، ۱۹۹۸؛ پیزارو و همکاران، ۲۰۲۲). تجمیع و یکپارچهسازی ویژگیهای احساسی افراد میتواند به تشکیل گروههای احساسی بسیار متحد منجر شود که در مدیریت تعارضها به عوامل استراتژیک قدرتمندی تبدیل میشوند.
نقشههای غالب احساسی تعیینکننده توانایی یک جامعه برای مقابله با چالشهای اجتماعی و امنیتی خود هستند. شناسایی احساسات غالب در جمعیتهای آسیبدیده از جنگ باید به عنوان یکی از وظایف بنیادی در نظر گرفته شود. هدف این تلاش، کاهش احساسات منفی هر جا که وجود دارند و بهرهبرداری از احساسات مثبت است.
نقشههای احساسی غالب گروهی از تجمیع نقشههای احساسی اعضای فردی یک جمعیت پدید میآیند (چوسیچ و همکاران، ۲۰۱۲الف) و به عنوان نمایشی از «احساسات غالب» که احساسات عمومی رفتار جمعی هستند، شناخته میشوند (لوفلند، ۱۹۸۵). همچنین میتوان آنها را به عنوان نمایش «فضاهای احساسی» که شامل خلقوخوهای جمعیاند یا «اقلیمهای احساسی» که مجموعهای از احساسات مهم و معنادار را شامل میشوند و در شکلگیری و حفظ هویتهای سیاسی-اجتماعی و رفتار جمعی نقش دارند، درک کرد (باربالت، ۱۹۹۸؛ دی ریورا و همکاران، ۲۰۰۷).
تغییر همزمان احساسات غالب در بخشهای گستردهای از جمعیت میتواند به عنوان نیروی محرک یا اهرم برای تحولات وسیعتر اجتماعی عمل کند. تغییرات ظریف اما همزمان در احساسات افراد در سطح خرد میتواند به تحولاتی گسترده در سطح کلان منجر شود. بنابراین، تغییرات در احساسات غالب به تغییر در گرایشهای رفتاری افراد متعدد منجر میشود و زمینهای برای اقدام جمعی منسجم در مقیاس جامعه فراهم میکند.
تحلیل این نقشههای غالب احساسی همراه با سایر تلاشهای مرتبط، پایهای برای رویکردی جامع در حل تعارضها و سیاستهای صلحآمیز است. احساسات منفی غالب، بهویژه در صحنه سیاسی جهانی و استراتژیک، نیروی محرکه اصلی جنگ و ناامنی جهانی هستند (وبستر و آلبرتسون، ۲۰۲۲). بنابراین، برآورد و ارزیابی احساسات منفی غالب در زمان جنگ و تروما اهمیت فراوانی دارد.
شکل ۱ نقشه فرضی احساسات منفی نرمال شده در دوران جنگ را نشان میدهد. از نمودارهای کانتور میتوان مشاهده کرد که مراکز ثقل نقشههای غالب احساسی در ربع بالا-چپ فضای «مقدار/برانگیختگی» قرار دارند، به دلیل حضور احساسات منفی و بیشتر برانگیزاننده مانند ترس، خشم، نفرت، ناامیدی و غیره.
شکل ۱. نقشه فرضی احساسات نرمالشده جمعیت آسیبدیده از جنگ و مرکز ثقل مرتبط (CoG): نمودار سطحی (چپ)، نمودار کانتور (راست).
تأثیر احساسات بر توجه، باورها و رفتارها
احساسات بر توجه، باورها و اعمال ما تأثیرگذارند؛ آنها حافظه ما را متمرکز و هدایت میکنند و فرآیندهای شناختی ما را شکل میدهند (Tyng و همکاران، ۲۰۱۷). احساسات باورهای ما را تقویت و شکل میدهند، به ما کمک میکنند اولویتهای خود را بازتنظیم کنیم و سلسلهمراتب اهدافمان را بازبینی نماییم، بر ترجیحات ما اثر میگذارند و به عنوان پلی میان باورها و نظامهای ارزشی ما عمل میکنند و بدین ترتیب تعهداتمان را مستحکمتر میسازند (Gonzalez و همکاران، ۲۰۲۰؛ Furman، ۲۰۲۴؛ Kisley و همکاران، ۲۰۲۴).
برآورد حالات احساسی غالب میتواند شامل عناصر مختلفی مانند احساسات تجمعیافته، باورها و مؤلفه رفتاری باشد که با حرکات تند یا بیانگر مشخص میشود. همچنین، شامل یک مؤلفه شناختی مرتبط با ارزیابی موقعیت و یک مؤلفه انگیزشی مرتبط با آمادگی برای فعالیت است (Scherer، ۱۹۸۴). بنابراین، هنگام برآورد نقشههای احساسی منفی غالب، باید نه تنها تجربه جمعی احساسات یک گروه بلکه مؤلفههای رفتاری و شناختی متناظر را نیز در نظر گرفت (Ćosić و همکاران، ۲۰۱۲الف).
نقشههای احساسی غالب میتوانند دادهها یا سیگنالهایی را از منابع مختلف نمایش دهند، مانند سوابق متنی زبانی مرتبط با احساسات از شبکههای اجتماعی که محبوبیت زیادی یافتهاند. افرادی که با مشکلات سلامت روان مواجهاند، اغلب مشکلات روانشناختی خود را از طریق پلتفرمها و انجمنهای مختلف آنلاین مانند فیسبوک، اینستاگرام، توییتر، ردیت و سایر فرومها به صورت پیامهای متنی، نظرات، عکسها و ویدیوها به اشتراک میگذارند (Naslund و همکاران، ۲۰۲۰؛ Zhang و همکاران، ۲۰۲۲، ۲۰۲۳). یکی از ویژگیهای متمایز ردیت نسبت به دیگر منابع، دستهبندی پستها به سابردیتهای موضوعی مختلف، مانند اضطراب، افسردگی، اختلال استرس پس از سانحه (PTSD) و حتی خودکشی است (Zhang و همکاران، ۲۰۲۲).
علاوه بر این، پروندههای الکترونیکی سلامت (EHR) به عنوان منبع ارزشمندی از دادههای ثانویه مراقبت سلامت، سابقه پزشکی جامع افراد را ارائه میدهند. رویکرد دیگر شامل شناسایی بیماریهای روانی از طریق انجام مصاحبه با کاربران و تحلیل زبانی اطلاعات استخراجشده از مصاحبههای بالینی رونویسیشده است (Morales و Levitan، ۲۰۱۶؛ Spruit و همکاران، ۲۰۲۲). همچنین، استفاده از پرسشنامههای استاندارد برای تشخیص و خودارزیابی فردی در این زمینه مناسب شناخته میشود (Ćosić و همکاران، ۲۰۲۱).
در تحلیلهای تشخیصی سلامت روان، کلمات کلیدی و نمایشهای آماری کلمات غالب هستند، اما بهرهگیری از روشهای پیشرفته پردازش زبان طبیعی (NLP) مانند مدلهای زبانی بزرگ (LLM) میتواند بازنمایی کلمات را با درک عمیقتر و بهتر زمینه و معنای سلامت روان به طور قابلتوجهی بهبود بخشد (Bartal و همکاران، ۲۰۲۴). تفسیر ویژگیهای مبتنی بر کلمات کلیدی سادهتر است، در حالی که درک زمینه و معنای کلمات انتزاعیتر و پیچیدهتر است.
تحلیل نقشههای احساسی غالب در جوامع متاثر از جنگ نشان میدهد که احساسات غالبی مانند ترس، غم و خشم در پستها و فرومهای آنلاین به وضوح بیان میشوند. آشکارسازی لحن کلی احساسی و نحوه توصیف احساسات مردم در محیط جنگ، رویکرد مناسبی برای پیشبینی و پیشگیری از بیماریهای گسترده سلامت روان با دقت و قابلیت اطمینان بالا است.
ابزارهای NLP موجود دارای روشهای محاسباتی متنوعی برای تحلیل و درک محتوای احساسی دادههای متنی مرتبط با جوامع جنگزده هستند که امکان بینش بهتر و عمیقتر درباره حالات احساسی آنها را فراهم میآورد. با استفاده از روشهای NLP و دادههای وسیع و نمونهوار، میتوان الگوهای پیچیده احساسات و عواطف را که در زبان و ویژگیهای احساسی و معنایی مرتبط ظاهر میشوند و در طول زمان تغییرات دینامیک دارند، مشاهده کرد (Sawalha و همکاران، ۲۰۲۲).
با بررسی پستها، میتوان ویژگیهای زبانی مانند فراوانی کلمات، تنوع واژگانی، انسجام روایت، محتوای احساسی و محتوای عاطفی را تحلیل کرد تا به طور مؤثر اختلالات مهم سلامت روان را تشخیص و پیشبینی نمود (Ćosić و همکاران، ۲۰۲۱). ویژگیهای رایج در تشخیص بیماری روانی شامل الگوهای زبانی مانند کیسه کلمات (Bag-of-Words)، بررسیهای زبانی و شمارش کلمات (LIWC)، طول جملات و پاراگرافها، مدلهای زبان n-gram، فرهنگهای احساسی مانند WordNet-affect و پایگاههای داده استاندارد مانند Affective Norm for English Words هستند.
واژهنامههای تخصصی حوزه، دیکشنریها و ویژگیهای اجتماعی در شبکههای اجتماعی میتوانند دقت را بهبود بخشند. با این حال، LIWC پرکاربردترین ابزار نرمافزاری در پروژههای تحقیقاتی سلامت روان است که شامل بیش از ۶۰۰۰ کلمه، ریشه کلمات و احساسات انتخابشده است و حدود ۹۰ متغیر خروجی تولید میکند (Pennebaker و همکاران، ۲۰۱۵).
چالشهای سلامت روان و ظرفیتهای هوش مصنوعی
فناوریهای نوظهور مبتنی بر هوش مصنوعی که از یادگیری ماشین (ML)، یادگیری عمیق (DL)، برنامهنویسی عصب-زبانی (NLP)، زیرساختهای ابری و اپلیکیشنهای نوین درمان دیجیتال بهره میبرند، نویدبخش تحولی عظیم در بهبود مراقبتهای سلامت روان در سطح جهانی هستند. این رویکردها ضمن کاهش هزینهها، امکان اجرای گستردهتری بهویژه در کشورها و جوامعی که از دسترسی کافی به مراقبتهای سلامت محروماند، فراهم میکنند (Schwalbe & Wahl, 2020؛ Lekkas & Jacobson, 2021؛ Koutsouleris et al., 2022؛ Tutun et al., 2023).
با توجه به کمبود روانپزشکان و منابع محدود روانپزشکی برای پاسخگویی به بحرانهای ناشی از جنگ و پیامدهای آن، ابزارهای پوشیدنی درمانی دیجیتال با پشتیبانی از روشهای آماری پیشرفته و الگوریتمهای یادگیری ماشین میتوانند نمایانگر نقطه عطفی در روانپزشکی آینده باشند (Ćosić et al., 2021).
روشهای پیشبینیگر مبتنی بر هوش مصنوعی که قادرند نشانههای روانپریشی مزمن را زودتر از روانپزشکی سنتی شناسایی کنند، نمونهای از پزشکی پیشنگر و پیشگیرانه محسوب میشوند. مزیت کلیدی این رویکردها، توانایی درک الگوهای غیرآشکار و فراتر از قدرت مشاهده انسانی است که میتواند در تشخیص زودهنگام افراد در معرض خطر بالا نقش حیاتی ایفا کند (Ćosić et al., 2021).
ابزارهای هوش مصنوعی، آغازگر عصری نوین در مدیریت جهانی سلامت روان هستند و فرصتهایی برای مداخلات زودهنگام با روشهای درمانی نوین فراهم میسازند (Schwalbe & Wahl, 2020؛ Garriga et al., 2022). این پیشرفتها با استفاده از ابزارهای پوشیدنی پیشرفته قابل سنجش بوده و میتوانند خوشههایی از ویژگیهای چندوجهی و میانرشتهای را ثبت و تحلیل کنند؛ هدف نهایی، پیشبینی و پیشگیری از اختلالات مزمن سلامت روان با کمک راهکارهای درمانی جدید مانند CBT رایانهای است (Wilhelm et al., 2020؛ Grodniewicz & Hohol, 2023).
پیشبینی و پیشگیری زودهنگام از اختلالات روانی بهویژه در مناطق جنگزده، بر اساس اندازهگیریهای عینی ویژگیهای عصبروانشناختی، فیزیولوژیکی و زبانی و توسعه مدلهای یادگیری ماشین با دادههای بسیار متنوع، میتواند مکملی مؤثر برای درمان سنتی چهرهبهچهره باشد. این رویکرد برای افرادی که در زمان جنگ در معرض استرس شدید قرار دارند، بسیار حیاتی است.
مدلهای یادگیری ماشین با ترکیب دادههای سنسورهای فیزیولوژیکی چندوجهی برای تشخیص اختلالات روانی توسعه یافتهاند (Chen et al., 2022؛ Sabry et al., 2022). محاسبه ویژگیهای مربوطه، انتخاب و برچسبگذاری مجموعههای داده آموزشی، و انتخاب مجموعههای اعتبارسنجی از جمله مراحل توسعه مدلهای طبقهبندی یا پیشبینی مشکلات سلامت روان هستند. روشهای رایج در یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، نزدیکترین همسایگی (KNN)، آدا بوست، درخت تصمیم، جنگل تصادفی (RF)، بیز ساده و رگرسیون لجستیک هستند (Sarker, 2021).
برای توسعه یک مدل قوی، شناسایی ویژگیهای چندوجهی کلیدی برای پیشبینی اختلالات شدید روانی ضروری است. با اینکه یادگیری نظارتشده دقت بالایی دارد، اما برچسبگذاری دادههای گسترده فرایندی زمانبر است. ازاینرو، روشهایی که نیاز به دادههای برچسبدار کمتری دارند مانند یادگیری بدون نظارت یا خوشهبندی، بسیار مورد توجهاند.
در حال حاضر، یادگیری عمیق (DL) عملکرد بهتری نسبت به روشهای سنتی دارد، بهویژه در حوزههایی که نیاز به تفسیر دارند مانند XAI. این مدلها میتوانند ویژگیهای ارزشمند را بهصورت خودکار استخراج کنند. مدلهای DL شامل لایههای تعبیه و طبقهبندی هستند که اطلاعات معنایی و نحوی را حفظ کرده و یادگیری مدل را تقویت میکنند. تکنیکهایی مانند ELMo، GloVe، Word2Vec و BERT از جمله پرکاربردترین آنها هستند. بسته به ساختار لایه طبقهبندی، این روشها میتوانند به CNN، RNN، مدلهای ترنسفورمر یا ترکیبی تقسیم شوند. مدلهای DL دقت بالایی در پیشبینی اختلالات روانی نشان دادهاند.
کاربرد NLP در تحلیل پستهای آزاد آنلاین امکان پیشبینی دقیق اختلالات روانپزشکی را فراهم میکند (Le Glaz et al., 2021). تمایز میان افراد آسیبپذیر و مقاوم در برابر استرس روانی، قابلیت اطمینان این پیشبینیها را افزایش میدهد. تحلیل معنایی مبتنی بر NLP و شناسایی واژگان کلیدی مرتبط با احساسات و خلقوخو، ابزارهای ارزشمندی برای مداخلات زودهنگام هستند. این تکنیکها قادرند الگوهای زبانی مربوط به اختلالات روانی را شناسایی کرده و تحریفهای شناختی، سوگیریها و باورهای مرکزی منفی را در گفتار فرد آشکار کنند.
پستها، نظرات و محتوای شبکههای اجتماعی میتوانند منابع غنی از ویژگیهای زبانی همچون فراوانی واژگان، تنوع لغوی، انسجام روایی، لحن گفتار و ... باشند. این ویژگیها با استفاده از ابزارهایی چون LIWC، Bag-of-Words، Word2Vec و BERT قابل تحلیل و طبقهبندی هستند.
ابزارهای درمانی دیجیتال مبتنی بر CBT و XAI میتوانند رویکردی انقلابی در روانپزشکی قرن ۲۱ باشند و بهعنوان مکمل درمانهای سنتی، تشخیص و درمان را بهینه سازند (Tong et al., 2022؛ Górriz et al., 2023). حتی یک درمانگر دیجیتال مجازی میتواند بهاندازه یک درمانگر انسانی مؤثر باشد. این اپها تنها به یک گوشی هوشمند و سنسور پوشیدنی نیاز دارند. CBT نوعی رواندرمانی مبتنی بر شواهد است که بهعنوان خط اول درمان بسیاری از مشکلات روانشناختی شناخته میشود (David et al., 2018).
شخصیسازی درمانهای آنلاین CBT و XAI با حداقل منابع انسانی، موضوعی مهم و نوظهور است، بهویژه در زمینه انتخاب بهترین درمان، تطبیق با بیمار، و کاهش ریزش درمان.
هوش مصنوعی توضیحپذیر (XAI) میتواند بهعنوان یک دستیار دیجیتال خودتوضیحدهنده در روانپزشکی عمل کرده و با تحلیل دادههای وسیع، الگوهای پنهان و نشانگرهای پیچیدهای را آشکار کند که از چشم درمانگر انسانی پنهان میمانند. هدف نهایی XAI در روانپزشکی، درک عوامل توضیحی بیماریهای روانی، بهبود تشخیص و تصمیمگیری درمانی است.
درک سازوکار تصمیمات مدلهای یادگیری ماشین و عمیق، اعتماد متخصصان را تقویت میکند. بههمین دلیل، شفافسازی در روانپزشکی بسیار حیاتی است. با پیچیدهتر شدن مدلها، باید اطمینان حاصل شود که این «جعبههای سیاه» الگوهای نامطلوب را یاد نگرفته باشند (Ali et al., 2023).
پایش سلامت روان با استفاده از ابزارهای پوشیدنی
سنسورها و فناوریهای پوشیدنی بیسیم که از انواع الگوریتمهای هوش مصنوعی بهره میبرند، میتوانند در پیشبینی اختلالات مختلف سلامت روان با پایش فیزیولوژی، هیجانات، شناخت و رفتار انسان به کار گرفته شوند (Lee et al., 2021؛ Kalisperakis et al., 2023؛ Sigcha et al., 2023؛ Zheng et al., 2023). بسیاری از این کاربردها در گوشیهای هوشمند یا بهصورت رابط گفتوگوی چتبات از طریق اپلیکیشنهای وب پیادهسازی شدهاند تا دسترسی گستردهتری را برای غربالگری سلامت روان فراهم کنند.
گوشیهای هوشمند که بهصورت پیوسته در زندگی شخصی افراد حضور دارند، بینش قابل توجهی در مورد عادات، فعالیتها و سبک زندگی انسانها ارائه میدهند. همگرایی شبکههای حسگر، ترکیب سیگنالها و تعامل کاربر با این ابزارها حجم وسیعی از دادهها را تولید میکند که میتواند منبع ارزشمندی برای استخراج ویژگیهای پیچیده جهت یادگیری ماشین باشد. این الگوریتمها قادرند الگوهای معناداری را شناسایی کرده و در پیشبینی اختلالات سلامت روان کمک کنند.
دستگاههای پوشیدنی قادر به ادغام انواع مختلف حسگرها برای پایش مستمر سیگنالهای بدنی هستند و دادههایی در حد میلیونها نقطه اطلاعاتی در روز برای هر فرد تولید میکنند. این دادهها با استفاده از روشهای یادگیری ماشین مانند شبکههای عصبی عمیق برای آموزش، یادگیری و مدلسازی پیشبین به کار میروند (Ćosić et al., 2024).
پوشیدنیهای هوشمند مجهز به هوش مصنوعی میتوانند در روانپزشکی دیجیتال برای مراقبت همزمان از میلیونها بیمار بالقوه و همچنین برای پیگیری دقیق بیماران در زمینه بالینی بسیار مفید باشند (Chen et al., 2022؛ Shajari et al., 2023). تحلیل حجم عظیمی از دادههای بیومتریک در دستگاههای مبتنی بر رایانش لبهای، امنیت و حفظ حریم خصوصی اطلاعات را ارتقا میدهد. بر اساس نوآوری در فناوری حسگرها و الگوریتمهای پیشرفته، پوشیدنیها میتوانند بهعنوان ابزار تشخیصی مبتنی بر مدلهای یادگیری ماشین عمل کنند و مکمل درمانهای سنتی چهرهبهچهره باشند، که امروزه مانع بزرگی برای دسترسی به مراقبت محسوب میشوند.
امروزه هر بخش از زیستشناسی انسانی میتواند با بیش از هزار حسگر پایش شود که هزاران ویژگی فیزیولوژیکی، هیجانی، شناختی و رفتاری را ثبت میکنند (Dang et al., 2023). حسگرهای فیزیولوژیکی پوشیدنی شامل اندازهگیریهایی مانند تغییرپذیری ضربان قلب، دمای بدن، دینامیک تنفس، ویژگیهای چشمی، فعالیت الکترودرمال، نرخ تنفس، حجم خون، اکسیژن خون، فشار خون، ضبط صوتی، حسگرهای حرکتی مانند شتابسنج سهمحوره، ژیروسکوپ، سکوهای اینرسی و مغناطیسسنج هستند (Ates et al., 2022؛ Scataglini et al., 2023). از ترکیب این متغیرهای عصب-روان-فیزیولوژیک، حالتهای پیچیدهتری مانند «آریتمی سینوسی تنفسی» قابل محاسبه است.
ردیابی روزانه حرکت و فعالیت از طریق GPS، تعاملات فیزیولوژیکی و حتی عملکردهای متابولیک مانند نوسانات گلوکز، تجزیهوتحلیل میکروبیوم و توالییابی ژنوم، ابعاد جدیدی از پایش سلامت انسان را فراهم کرده و ابزارهای ارزشمندی در پیشگیری از اختلالات سلامت روان در جوامع آسیبدیده از جنگ فراهم میکند.
مدلسازی مبتنی بر ویژگیهای استخراجشده و الگوریتمهای پیچیده یادگیری ماشین میتواند برای طبقهبندی برخی اختلالات روانی استفاده شود. برای مثال، پایش فعالیت از طریق پیامک، موقعیت مکانی، حرکت، الگوهای تایپ صفحه لمسی و ضبط صدا میتواند در پایش و تشخیص سلامت روان مفید باشد. با این حال، تفسیر تأثیر برخی ویژگیهای آماری بر خروجی مدلها ممکن است دشوار باشد. همچنین، گنجاندن ویژگیهای غیرمرتبط میتواند دقت مدل را کاهش دهد.
شایان توجه است که «بیشتر بودن» همیشه به معنای بهتر بودن نیست؛ بلکه استفاده از ویژگیهای خاص حوزهای عملکرد بهتری به همراه دارد. برای مثال، ویژگیهایی نظیر ضربان قلب، نرخ تنفس، تغییرات شتاب، لرزش حرکتی و تغییرات موقتی مقاومت پوست برای تشخیص تشنج مفید هستند. در برخی کاربردها تمرکز بر تغییرات بلندمدت است، در حالیکه در برخی دیگر مانند شناسایی احساسات یا سقوط، تمرکز بر تغییرات گذراست.
طیف گسترده ابزارهای پوشیدنی میتواند منجر به پیشرفت قابل توجهی در پیشگیری از بیماریهای مزمن روانی شود، زیرا اندازهگیری مداوم الگوهای نرمال و غیرنرمال فردی را مشخص کرده و امکان مداخله زودهنگام را فراهم میسازد.
ویژگیهای صوتی گفتار، مانند آهنگ گفتار، بهطور گستردهای بهعنوان نشانگرهای هیجان، احساسات و حالات فیزیولوژیکی به کار رفتهاند (Huang et al., 2021). تغییرات جزئی در وضعیت فیزیولوژیکی یا شناختی میتوانند به تغییرات محسوس در گفتار منجر شوند، بهویژه در موقعیتهای استرسزا (Scherer, 1984). ویژگیهایی مانند کاهش بسامد پایه، کاهش قابهای آوایی و مکث بین واژگان از جمله شاخصهای قابلتشخیص هستند.
چالشهای کاربرد یادگیری ماشین در ابزارهای پوشیدنی شامل دقت مدلها، پیچیدگی محاسباتی و قابلیت تفسیر است. تکنیکهای اعتبارسنجی متقابل با آزمون مدل روی دادههای دیدهنشده، دقت را افزایش میدهند. در برنامههای سلامت، تفسیرپذیری مدل بسیار مهم است زیرا کاربران نیاز دارند نتایج را بفهمند. اندازه مدل و پیچیدگی آن نیز در ابزارهای پوشیدنی اهمیت دارد. چالشهای قبلی در توسعه مدلها شامل جمعآوری داده، انتخاب ویژگی و ارزیابی مدل هستند و این موضوع لزوم احتیاط در اعتماد به خروجی مدلها را گوشزد میکند.
مدلهای سلامت باید قابلیت تعمیمپذیری داشته باشند، دادههای جدید را مدیریت کنند، ویژگیهای شخصی را در نظر بگیرند و نتایج را شفاف و قابل درک منتقل کنند.
تحول نقشههای عاطفی غالب
تحول نقشههای عاطفی غالب میتواند از طریق ترکیب همزمان دو سطح مداخله انجام شود: در سطح فردی از طریق درمان شناختی-رفتاری رایانهای (CCBT)، و در سطح جمعی از طریق استفاده از ارتباطات راهبردی مبتنی بر احساسات (EBSC). ارتباطات راهبردی که با هدف شکلدهی به ادراک و رفتار طراحی میشوند، میتوانند از طریق بهکارگیری احساسات، تأثیرگذاری بیشتری داشته باشند؛ همانگونه که در چارچوب EBSC پیشنهاد شده است (Ćosić و همکاران، ۲۰۱۲a,b). این دیدگاه با گفتهٔ مشهور «جی.اِی. تردوِل» همراستا است:
«اگر میخواهی بر کسی اثر بگذاری، باید احساسات او را لمس کنی» (مرل، ۲۰۰۵).
استراتژیهای آغشته به احساس، چه در درمان فردی مانند CCBT و چه در ارتباطات راهبردی مانند EBSC، برای مداخلههای مؤثر، حیاتی هستند. بهکارگیری استراتژیهای عاطفی در ساختار ارتباطات راهبردی میتواند نقش کلیدی در مدیریت تعارض و پساتعارض در بافتهای اجتماعی و فرهنگی گوناگون ایفا کند.
از اینرو، تحول مثبت عاطفی از طریق CBT و EBSC میتواند ابزاری راهبردی برای حفاظت از سلامت روان جمعیتهای درگیر در جنگ فراهم کند. در این چارچوب، تبدیل نقشههای عاطفی منفی غالب به هیجانات مثبتتر، از طریق پیامهای هدفمند EBSC، بر پشتیبانی روانی و سلامت ذهنی متمرکز است.
این نوع از عملیات روانی را میتوان چنین تعریف کرد:
«فعالیتهای روانشناختی برنامهریزیشده که با بهرهگیری از ابزارهای ارتباطی و سایر روشها، با هدف شکلدهی به ادراک، نگرش و رفتار مخاطبان منتخب، جهت دستیابی به اهداف مشخص سیاسی و نظامی انجام میشوند» (ردینگ و همکاران، ۲۰۱۰).
همچنین ارتباطات راهبردی را میتوان چنین تعریف کرد:
«مجموعهای نظاممند از فعالیتهای منسجم و مداوم در سطوح راهبردی، عملیاتی و تاکتیکی که با هدف ترویج و تثبیت انواع خاصی از ایدهها، نگرشها و رفتارها طراحی میشوند» (تاتهام، ۲۰۰۸).
ایدهی EBSC از پژوهشهای ما در حوزه فناوریهای نوین روانپزشکی دیجیتال، مانند تحریک تطبیقی واقعیت مجازی (VR)، نشأت گرفته است (Ćosić و همکاران، ۲۰۱۰). شباهت بین رواندرمانی فردی، مانند درمان مواجههای مبتنی بر واقعیت مجازی (VRET)، و تعمیم آن به عملیات روانشناختی در سطح راهبردی مبتنی بر EBSC، به دلیل ریشههای نوروبیولوژیک مشترک آنها در "مغز عاطفی" است (Wiederhold و همکاران، ۲۰۰۸؛ LeDoux، ۲۰۱۲؛ Ćosić و همکاران، ۲۰۱۲a).
محتوا، زمینه و ویژگیهای عاطفی که از طریق EBSC منتقل میشوند، باید به گونهای انتخاب شوند که سریعاً با مخاطبان هدف همخوانی عاطفی برقرار کنند و گامی کوچک اما مثبت در جهت تغییر تدریجی نقشههای عاطفی غالب به سوی هیجانات مطلوبتر بردارند (Ćosić و همکاران، ۲۰۱۸). به بیان دیگر، EBSC باید در قالب یک استراتژی ارتباطی جامع ارائه شود که در آن هیجانات فردی و جمعی به شکل مثبتتری بازآفرینی شوند، و در نتیجه "قدرت نرم" لازم برای دستیابی به وضعیت عاطفی مطلوب را شکل دهد (Ćosić و همکاران، ۲۰۱۲a).
شکل ۲ در مقاله، فرآیند تبدیل یک نقشه عاطفی منفی غالب در یک جامعه جنگزده به نقشهای مثبتتر و مطلوبتر را نشان میدهد که با بهرهگیری از EBSC میتواند تسهیل شود. هدایت توجه افراد یا گروههای آسیبپذیر از هیجانات منفی غالب به هیجانات مثبتتر، ممکن است نحوهٔ ارزیابی آنها از شرایط جنگی را تغییر داده و تحولی تدریجی و احساسی بهسوی وضعیت روانی و عاطفی سالمتر را برانگیزد.
شکل ۲: تحول نقشه عاطفی منفی غالب در یک جامعه جنگزده به نقشهای عاطفی مثبتتر با بهرهگیری از ارتباطات راهبردی مبتنی بر احساسات (EBSC)
ابزارهای مبتنی بر هوش مصنوعی مانند ChatGPT یا Google Gemini (آلفورد، ۲۰۲۴) میتوانند نقش مهمی در طراحی محرکهای EBSC ایفا کنند. این ابزارها با تحلیلهای معنایی و زبانی پیشرفته روی مجموعهدادههای متنی در دسترس، میتوانند درک عمیقتری از نقشههای عاطفی غالب در میان جوامع هدف ارائه دهند (Elyoseph و همکاران، ۲۰۲۳). ChatGPT و Gemini میتوانند در تولید پیامهای عاطفیای که با مخاطبان هدف همخوانی دارند کمک کنند، تأثیر ارتباطات راهبردی را تقویت کرده و نقشههای عاطفی غالب را بهتدریج به سوی حالتهای مثبتتر بازسازی کنند؛ در نتیجه، از سلامت روان انسانها در جوامع جنگزده نیز محافظت میشود.
نکتهای که باید بر آن تأکید کرد این است که Google Gemini نسبت به ChatGPT در زمینه EBSC یک مزیت مهم دارد: این سامانه با استفاده از دادههای بهروز از منابعی مانند Gmail، Google Docs، Google Maps و Google Drive آموزش دیده است، نه صرفاً کتابها و مقالات، بنابراین اطلاعات بهروزتر و بومیتری ارائه میدهد.
با این حال، برای اتکای کامل به این ابزارهای هوش مصنوعی، مدلهای زبانی بزرگ (LLM) باید از دقت، شفافیت و قابلیت اعتماد بالایی برخوردار باشند. مدلهای آمادهای مانند ChatGPT-4 یا Gemini ممکن است پاسخهای نادرست تولید کنند، که در کمپینهای عمومی غیرقابل قبول است؛ بنابراین، مداخله دائمی کارشناسان انسانی در چرخه بستهی EBSC کاملاً ضروری است.
برای اینکه مدلهای زبانی قابل استفاده، قابل درک و قابل توضیح در یک منطقه جنگی خاص باشند، لازم است بر مبنای مجموعه دادهای بومی و مرتبط آموزش ببینند؛ برای مثال، استفاده از پستهای مرتبط با جنگ و فجایع انسانی در اوکراین یا غزه که بازتابدهنده محیط امنیتی جاری و بحران روانی در آن مناطق است.
آموزش ChatGPT برای کاربردهای خاص در EBSC
آموزش ChatGPT برای این نوع کاربرد راهبردی، نیازمند فاینتیون (fine-tuning) مدل بر مجموعه دادههای خاص همان کاربرد است. این مجموعه دادهها باید از منابع محلی حوزه جنگ گردآوری شوند و بازتابدهنده حالات عاطفی و روانی متنوعی در سناریوهای مختلف مرتبط با موقعیت جنگی باشند. پس از پاکسازی، پیشپردازش و توکنیزه کردن دادهها برای حذف نویز، مجموعه داده آماده برای آموزش مدل از پیش آموزشدیده استفاده میشود. در این فرآیند، میتوان از یادگیری انتقالی (transfer learning) برای بهرهگیری از دانستههای قبلی مدل بهره برد.
آموزش مدل فاینتیونشده با پایش مستمر شاخصهایی نظیر میزان خطا (loss) و عملکرد اعتبارسنجی (validation performance) صورت میگیرد. پس از اتمام آموزش، عملکرد مدل با استفاده از دادههای اعتبارسنجی یا نمونهسؤالهای واقعی سنجیده میشود. چنانچه مدل معیارهای عملکرد مطلوب را برآورده کند، میتوان آن را در کمپین EBSC به کار گرفت.
اما این پایان کار نیست؛ پایش مستمر عملکرد مدل در شرایط واقعی و بهروزرسانی آن بر اساس بازخورد کاربران ضروری است. همچنین نظارت لحظهای بر دینامیک هیجانی در منطقه جنگی، با استفاده از منابع داده متنوع و ابزارهای تحلیل زبان طبیعی (NLP)، برای تشخیص زودهنگام اختلالات روانی و پیشگیری مؤثر از آنها اهمیت حیاتی دارد. تنها با ارائه درمان پیشرفته آنلاین، بهموقع و متناسب با شرایط روانی منطقه جنگزده میتوان به موفقیت واقعی در این حوزه امیدوار بود.
نتیجهگیری
ترکیب همزمان درمان شناختی-رفتاری رایانهای (CCBT) و ارتباطات راهبردی مبتنی بر احساسات (EBSC) با پشتیبانی ابزارها و ظرفیتهای هوش مصنوعی، میتواند نقطه عطفی در مسیر بازتوانی جهانی سلامت روان در جوامع جنگزده باشد؛ آن هم پس از ضربههای روانی شدید ناشی از خشونتها و فجایع جنگی. همافزایی میان تکنیکهای رواندرمانی فردی مانند درمان مواجههای مبتنی بر واقعیت مجازی (VRET) و عملیات روانشناختی در سطح راهبردی بر پایه EBSC، ریشه در زیرساختهای نوروبیولوژیک مشترک آنها دارد (Wiederhold و همکاران، ۲۰۰۸؛ Ćosić و همکاران، ۲۰۱۲a,b).
ابزارها و روشهای مبتنی بر هوش مصنوعی نظیر یادگیری ماشین، یادگیری عمیق، برنامهنویسی عصبی-زبانی (NLP)، زیرساخت ابری و تجهیزات درمانی پوشیدنی هوشمند، افق گستردهای برای ارتقاء نظامهای مراقبت روانی در سطح جهانی پیشرو میگذارند. این فناوریها میتوانند خدمات سلامت روان را مقرونبهصرفهتر و آسانتر برای پیادهسازی گسترده سازند.
این موضوع بهویژه در شرایطی حائز اهمیت است که با کمبود روانپزشک و منابع تخصصی سلامت روان در مواجهه با ضایعههای روانی ناشی از جنگ، فجایع و تراژدیها روبهرو هستیم. از این رو، رویکرد پیشنهادی میتواند در آیندهای نزدیک، تحولی بنیادین در علم روانپزشکی ایجاد کند.
ارتباطات راهبردی مبتنی بر احساسات (EBSC)، در ترکیب با توانمندیهای ChatGPT و Gemini و همراهی با سایر ابزارهای نوین مبتنی بر ویژگیهای فیزیولوژیک چندوجهی، دستگاههای پوشیدنی و بیسیم، یادگیری ماشین و رایانش ابری و لبهای، پتانسیل آن را دارند که روانپزشکی دیجیتال را متحول سازند.
در نهایت، پایداری هر راهحل بلندمدت در مناطق جنگی وابسته به پذیرش و بهکارگیری این رویکرد نوآورانه خواهد بود، که افقی تازه برای مقابله و التیام زخمهای ناپیدای روانی جنگ پیش روی ما قرار میدهد.
دیدگاه خود را بنویسید