پروپوزال ارائه‌ی مدل یادگیری عمیق پیش‌بینی کننده‌ی رفتار انسان در یک شبکه اجتماعی سلامت

تحقیقات اخیر در زمینه‌ی بررسی شبکه‌های اجتماعی سلامت سعی داشته‌اند به این سوالات اساسی که نقشی مهم در فهم صحیح رفتار انسان و پیش‌بینی آن نیز دارند، بپردازند:

1. آیا ارتباطات اجتماعی می‌توانند در رفتارهای فردی تاثیر بگذارند؟

2. چگونه می‌توان از شبکه‌های اجتماعی در کمک به پیش‌بینی رفتارهای فردی بهره جست؟

هرچند که نقش شبکه‌های اجتماعی تعیین رفتارهای فردی مشهود است، نمی‌توان فراموش کرد که رفتار هر فرد به دلایل گوناگون به طور مرتب دستخوش تغییر می‌شود. عواملی که می‌توانند در رفتار فرد تغییر ایجاد کنند ممکن است دلایل شخصی باشند. برای مثال فردی که مشغله‌ی کاری در بازه‌ای از زمان امکان ورزش در روزهای خاصی از هفته را از دست می‌هد. همچنین تاثیر همبستگی اجتماعی؛ برای مثال وقتی که دسته ای از دوستان برای ورزشی گروهی دورهم جمع می‌شوند و نیز تاثیر نفوذ اجتماعی؛ برای مثال وقتی که فردی تحت تاثیر دوستان خود به سوی فعالیت ورزشی جدیدی که قبلا به آن نمی‌پرداخته جذب می‌شود، هر کدام از عواملی هستند که بر رفتار فرد تاثیر می‌گذارند.

مدلی که بتواند رفتارهای انسان چون میزان و شدت فعالیت‌های فیزکی را پیش‌بینی کند، عاملی کلیدی در پیش‌گیری از چاقی مفرط و جلوگیری از افزایش رفتارهای ناسالمی است که سبب بروز بیماری‌های مربوط به آن‌ها می‌شوند است. در این طرح هدف ارائه‌ی مدلی است که با توجه به سابقه‌ی فعالیت های  بدنی یک شخص و نیز با درنظر گرفتن تاثیری که شبکه‌ی های اجتماعی -به خصوص شبکه‌های اجتماعی سلامت- به وسیله‌ی دوستان آن شخص در شبکه‌ی اجتماعی بر وی دارند، بتواند رفتارهای او را پیش‌بینی کند و اطلاعاتی از افزایش یا کاهش احتمالی فعالیت بدنی آن شخص در بازه‌های زمانی آینده فراهم آورد.

برای ارائه‌ی چنین مدلی از راه‌کارهای یادگیری ماشین استفاده خواهیم کرد. تکنيک‌های يادگيری ماشين در شرایطی مناسب است كه دانش اوليه در مورد الگوهای داده‌ها وجود نداشته و يا اندک است. بحث اصلی در يادگيری ماشين اين است که چگونه از کامپيوترها و روشهای آماري استفاده کنيم تا بتوانيم اطلاعات مفيد را از ميان حجم انبوه دادهها استخراج کنيم. بنابراين يادگيری ماشين و داده‌کاوی هر دو با روشهاي آماري و تئوري دانش کامپيوتر در ارتباط هستند. تکنيک‌های يادگيري ماشين در داده‌كاوي به طورکلی به دودسته‌ی يادگيری با نظارت (Supervised)  و يادگيری بدون نظارت (Unsupervised) تقسيم‌بندی مي‌شوند. 

 برخی از تکنيک‌های يادگيری ماشين عبارتند از:

• شبکه‌های عصبی مصنوعی ANN

• شيوه‌های آماری بيزين

• شيوه‌های يادگيری تنبل چون  KNNو CBR

• طبقه‌بندهای خطی چون SVM

• خوشه‌بندی

در این طرح از یادگیری عمیق Deep Learning استفاده خواهیم کرد 

هدف این تحقیق ارائه‌ی مدلی است که بتواند با توجه به تاثیر شبکه‌های اجتماعی در انتشار رفتار‌های سالم و ناسالم بین دوستان و یا افراد مورد توجه در شبکه‌ی اجتماعی، رفتار هر یک اعضا را پیش‌بینی کرده و بدین ترتیب انتشار رفتارهای سالم و فعالیت بدنی را افزایش داده و درصورت نیاز جهت پیش‌گیری از رفتارهای ناسالم و یا افت فعالیت بدنی نقشی موثر ایفا کند.

بدین منظور با استفاده از یادگیری عمیق که نوعی شبکه عصبی مصنوعی است، به تحلیل فعالیت های فردی در بازه‌ی زمانی مشخص پرداخته و در عین حال تاثیرات ضمنی و صریح سایر افراد شبکه‌ی اجتماعی بر هر فرد درستی شناسایی کرده تا با ترکیب سابقه‌ی اطلاعات فعالیت‌های بدنی هر فرد و تاثیرات صریح افرادی در شبکه‌ی اجتماعی (یا گره‌های گراف)که فرد تحت تاثیر آن ها قرار گرفته بتواند پیش‌بینی دقیقی ار رفتاری بعدی وی ارائه کند. به این منظور در این مدل علاوه بر اطلاعات شخصی و تاثیر صریح همبستگی اجتماعی، تاثیر ضمنی نفوذ اجتماعی را نیز در خود بگنجاند.