[論文レビュー] Quantitative Analysis of Narrative Reports of Psychedelic Drugs

Jeremy Coyle, David E. Presti+1 more|arXiv (Cornell University)|Jun 1, 2012

Psychedelics and Drug Studies参考文献 37被引用数 14

ひとこと要約

本研究では、幻覚剤に関する1,000件のナラティブ報告を機械学習を用いて分析し、薬物体験を区別する言語的パターンを同定した。語彙-文書行列を用いたランダムフォレスト分類器により、51.1%の正解率を達成し、これは偶然の期待値をはるかに上回るものであり、自然言語解析が一貫性があり薬物特異的な現象学的プロファイルを明らかにできることを示している。特にMDMAの報告は86.9%の正確さで分類された。

ABSTRACT

Background: Psychedelic drugs facilitate profound changes in consciousness and have potential to provide insights into the nature of human mental processes and their relation to brain physiology. Yet published scientific literature reflects a very limited understanding of the effects of these drugs, especially for newer synthetic compounds. The number of clinical trials and range of drugs formally studied is dwarfed by the number of written descriptions of the many drugs taken by people. Analysis of these descriptions using machine-learning techniques can provide a framework for learning about these drug use experiences. Methods: We collected 1000 reports of 10 drugs from the drug information website Erowid.org and formed a term-document frequency matrix. Using variable selection and a random-forest classifier, we identified a subset of words that differentiated between drugs. Results: A random forest using a subset of 110 predictor variables classified with accuracy comparable to a random forest using the full set of 3934 predictors. Our estimated accuracy was 51.1%, which compares favorably to the 10% expected from chance. Reports of MDMA had the highest accuracy at 86.9%; those describing DPT had the lowest at 20.1%. Hierarchical clustering suggested similarities between certain drugs, such as DMT and Salvia divinorum. Conclusion: Machine-learning techniques can reveal consistencies in descriptions of drug use experiences that vary by drug class. This may be useful for developing hypotheses about the pharmacology and toxicity of new and poorly characterized drugs.

研究の動機と目的

• 自然言語処理を用いて、主観的な幻覚剤体験をデータドリブンなフレームワークで分析するための枠組みを構築すること。
• さまざまな幻覚剤の現象学的効果を区別する言語的マーカーを同定すること。
• 機械学習が、薬物使用に関する非構造的ナラティブ報告から意味のあるパターンを抽出できるかどうかを評価すること。
• 特に未十分に研究されている化合物に対して、ナラティブデータが薬理学的仮説生成のリソースとして有効である可能性を検討すること。
• 機械学習モデルが、テキスト的記述に基づいて薬物体験を分類する際の信頼性と特異性を評価すること。

提案手法

• Erowid.orgのウェブサイトから、10種類の異なる幻覚剤に関する1,000件のナラティブ報告を収集した。
• 語彙-文書頻度行列を構築し、報告書間での語の使用パターンを表現した。
• 予測子の数を3,934から、分類に最も有益な110語に削減するための変数選択を実施した。
• 縮小された特徴集合および完全な特徴集合を用いてランダムフォレスト分類器を訓練し、テキストから薬物クラスを予測した。
• 語彙-文書行列を用いた階層的クラスタリングにより、薬物体験の類似性を調査した。
• 分類精度、および10%の偶然レベルとの比較を用いて、モデルのパフォーマンスを評価した。

実験結果

リサーチクエスチョン

• RQ1 機械学習手法は、ナラティブ記述のみに依存して幻覚剤体験を信頼性高く分類できるか？
• RQ2 どの言語的特徴が、異なる幻覚剤化合物の主観的効果を最も効果的に区別するか？
• RQ3 分類精度は、特に類似した薬理学的プロファイルを示す薬物において、どのように変動するか？
• RQ4 ナラティブ報告は、ユーザー間で一貫性があり再現可能な現象学的パターンをどれほど反映しているか？
• RQ5 テキスト的特徴の非監視的クラスタリングは、DMT と Salvia divinorum の間で予想される類似性を明らかにできるか？

主な発見

• ランダムフォレスト分類器は、51.1%の分類正確さを達成し、10%の偶然期待値をはるかに上回った。
• MDMAの報告は86.9%の正確さで分類され、ユーザーのナラティブに強く一貫性のある言語的マーカーがあることを示している。
• DPTの報告は20.1%の正確さで最も低く、ユーザーの記述に変動が大きく、より明確な言語的特徴が少ない可能性を示唆している。
• 110語の予測子語の縮小セットが、3,934語の完全なセットと同等の分類正確さを達成したため、特徴の効率性が非常に高かった。
• 階層的クラスタリングにより、DMT と Salvia divinorum の報告がグループ化されたことから、既知の薬理学的および現象学的類似性が裏付けられた。
• 本研究は、機械学習が、非構造的でユーザー生成の幻覚剤体験ナラティブから意味のある薬物特異的パターンを抽出できることを示している。