[論文レビュー] Social Network Based Substance Abuse Prevention via Network Modification (A Preliminary Study)

Aida Rahmattalabi, Anamika Barman‐Adhikari+4 more|arXiv (Cornell University)|Feb 1, 2019

Homelessness and Social Issues参考文献 17被引用数 3

ひとこと要約

本論文では、混合整数最適化と大近傍探索を用いて、偏差行動訓練のリスクを最小化するように、ソーシャルネットワーク内の薬物乱用介入グループを形成するAIベースの意思決定支援ツールGUIDEを提案する。本手法は、社会的影響のダイナミクスをモデル化し、ホームレス青年（高リスク集団）のグループ構成を最適化することで、従来のグループ編成手法を著しく上回る性能を示す。

ABSTRACT

Substance use and abuse is a significant public health problem in the United States. Group-based intervention programs offer a promising means of preventing and reducing substance abuse. While effective, unfortunately, inappropriate intervention groups can result in an increase in deviant behaviors among participants, a process known as deviancy training. This paper investigates the problem of optimizing the social influence related to the deviant behavior via careful construction of the intervention groups. We propose a Mixed Integer Optimization formulation that decides on the intervention groups, captures the impact of the groups on the structure of the social network, and models the impact of these changes on behavior propagation. In addition, we propose a scalable hybrid meta-heuristic algorithm that combines Mixed Integer Programming and Large Neighborhood Search to find near-optimal network partitions. Our algorithm is packaged in the form of GUIDE, an AI-based decision aid that recommends intervention groups. Being the first quantitative decision aid of this kind, GUIDE is able to assist practitioners, in particular social workers, in three key areas: (a) GUIDE proposes near-optimal solutions that are shown, via extensive simulations, to significantly improve over the traditional qualitative practices for forming intervention groups; (b) GUIDE is able to identify circumstances when an intervention will lead to deviancy training, thus saving time, money, and effort; (c) GUIDE can evaluate current strategies of group formation and discard strategies that will lead to deviancy training. In developing GUIDE, we are primarily interested in substance use interventions among homeless youth as a high risk and vulnerable population. GUIDE is developed in collaboration with Urban Peak, a homeless-youth serving organization in Denver, CO, and is under preparation for deployment.

研究の動機と目的

• ペアベースの薬物乱用介入において、高リスクの若者が一緒に集まることで否定的行動が強化される、偏差行動訓練のリスクに対処すること。
• ソーシャルネットワーク構造と影響ダイナミクスを活用した、定量的かつデータ駆動のグループ編成手法を開発すること。
• ホームレス青年のような高リスク集団における介入結果を改善するためのスケーラブルな意思決定支援ツールを構築すること。
• ランダム、教師推薦、ネットワークベースの従来手法の限界を乗り越え、影響の拡散と行動的結果を最適化することで、グループ編成を最適化すること。
• 実務者が展開前に、効果がなくあるいは有害なグループ戦略を評価・除外できるようにし、時間とリソースを節約すること。

提案手法

• ネットワーク構造、影響伝播、グループレベルの行動変化を捉える混合整数最適化（MIO）モデルとしてグループ編成問題を定式化する。
• グループ内での肯定的（非使用者）および否定的（使用者）な影響の伝播を考慮する、競合型線形閾値（LT）フレームワークを用いて社会的影響をモデル化する。
• グループ編成が時間経過とともにつながりの強さや影響パターンを変化させる、ネットワーク変換ダイナミクスを統合する。
• 混合整数プログラミング（MIP）と大近傍探索（LNS）を組み合わせたハイブリッドメタヒューリスティックアルゴリズムを開発し、近似的最適解を効率的に得る。
• GUIDEとして、ユーザーフレンドリーなアプリケーションを実装し、ソーシャルネットワークデータと行動データを受け取り、グループ割り当てを生成し、動的再最適化を支援する。
• ホームレス若者支援機関Urban Peakの実世界データを用いて、モデルとアルゴリズムの妥当性とキャリブレーションを検証する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワークにおけるグループ編成に最適化アプローチを適用することで、薬物乱用介入における偏差行動訓練のリスクを低減できるか？
• RQ2 本研究で提案する最適化手法の性能は、ランダム割り当てや教師推薦といった従来の直感的グループ編成戦略と比べてどのように異なるか？
• RQ3 否定的影響対肯定的影響の比（Ωu|n / Ωn|u）が、介入戦略の成功にどの程度影響を及えるか？
• RQ4 大近傍探索（LNS）のようなスケーラブルなメタヒューリスティックアルゴリズムは、実世界での展開に適した時間枠内で近似的最適解を提供できるか？
• RQ5 GUIDEのようなAIベースの意思決定支援ツールは、薬物使用を悪化させる可能性のあるグループ編成戦略を特定・回避するのを実務家が支援できるか？

主な発見

• シミュレーションにおいて、提案されたMIO定式化は従来のグループ編成手法を著しく上回り、構造的で影響に配慮したグループ設計が、より良い介入結果をもたらすことを示した。
• 同じ時間予算内において、LNSはMIPよりも解の質が一貫して優れており、実時間意思決定支援においてより実用的であることが示された。
• 否定的影響対肯定的影響の比（Ωu|n / Ωn|u）が高くなるほど、介入の成功確率が低下する傾向にあり、グループ構成のバランスの重要性が浮き彫りになった。
• 40ノードのネットワークにおいて、LNSは約20回の反復後に安定した解の質を達成し、実用的展開に適した収束性を示した。
• LNSが局所最適解に到達するまでの時間は、ネットワークサイズに多項式的に増加する傾向を示しており、実世界応用におけるスケーラビリティを裏付けた。
• GUIDEは、データ収集、最適化、出力表示を統合したユーザーフレンドリーなインターフェースを実現し、参加者の状況変化に応じた迅速な展開と動的再計画を可能にした。