[논문 리뷰] Quantitative Analysis of Narrative Reports of Psychedelic Drugs

Jeremy Coyle, David E. Presti외 1명|arXiv (Cornell University)|2012. 06. 01.

Psychedelics and Drug Studies참고 문헌 37인용 수 14

한 줄 요약

이 연구는 1,000건의 환각제 약물 서술 기록에 기계학습을 적용하여 약물 경험을 구분하는 언어 패턴을 규명한다. 용어-문서 행렬을 기반으로 랜덤 포레스트 분류기를 사용한 결과, 우연의 경우를 훨씬 초월하는 51.1%의 정확도를 기록하여 자연어 분석이 일관되고 약물에 특화된 현상학적 프로파일을 드러낼 수 있음을 입증한다. 특히 엠디에이(MDMA) 서술은 가장 높은 정확도인 86.9%로 분류되었다.

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.

연구 동기 및 목표

• 자연어 처리를 활용하여 주관적인 환각제 경험을 분석하기 위한 데이터 기반 프레임워크를 개발한다.
• 다양한 환각제 약물의 현상학적 효과를 구분하는 언어적 지표를 규명한다.
• 기계학습이 약물 사용에 대한 비정형 서술 기록에서 의미 있는 패턴을 추출할 수 있는지 평가한다.
• 특히 연구가 부족한 화합물에 대해 서술 데이터가 약리학적 가설 생성의 자원이 될 잠재력을 탐색한다.
• 기계학습 모델이 텍스트 기반 서술에 기반해 약물 경험을 분류할 때의 신뢰성과 특이성 평가

제안 방법

• Erowid.org 웹사이트에서 10종의 다른 환각제 약물에 대한 1,000건의 서술 기록을 수집하였다.
• 용어-문서 빈도 행렬을 구성하여 보고서 간 어휘 사용 패턴을 표현하였다.
• 예측 변수 수를 3,934개에서 110개의 분류에 가장 유용한 핵심 용어로 줄이기 위해 변수 선택을 적용하였다.
• 감소된 특징 집합과 전체 특징 집합에 대해 랜덤 포레스트 분류기를 훈련하여 텍스트 기반의 약물 유형 예측을 수행하였다.
• 용어-문서 행렬을 기반으로 계층적 군집화를 수행하여 약물 경험 간 유사성을 탐색하였다.
• 분류 정확도를 사용하여 모델 성능을 평가하였으며, 이를 우연의 경우(10%)와 비교하였다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 사용해 서술 기반의 기반으로 환각제 약물 경험을 신뢰성 있게 분류할 수 있는가?
• RQ2 어느 언어적 특징이 서로 다른 환각제 화합물의 주관적 효과를 가장 효과적으로 구분하는가?
• RQ3 특히 유사한 약리학적 프로필을 가진 약물들에 대해 분류 정확도는 어떻게 달라지는가?
• RQ4 서술 기록이 사용자 간 일관되고 재현 가능한 현상학적 패턴을 얼마나 잘 반영하는가?
• RQ5 비지도 군집화를 통해 텍스트 특징을 분석하면, DMT와 살비아 디바인오르눔(Salvia divinorum) 간의 기대되는 유사성이 드러나는가?

주요 결과

• 랜덤 포레스트 분류기는 51.1%의 분류 정확도를 기록하여 우연의 경우인 10%를 크게 초월하였다.
• 엠디에이(MDMA) 서술은 86.9%의 가장 높은 정확도로 분류되어 사용자 서술에 강력하고 일관된 언어적 지표가 있음을 시사한다.
• 디피티(DPT) 서술은 20.1%로 가장 낮은 정확도를 보였으며, 이는 사용자 서술에서 더 큰 변동성 또는 뚜렷하지 않은 언어적 특징이 있음을 시사한다.
• 110개의 예측 변수 단어로 구성된 감소된 집합이 전체 3,934개 단어 집합과 유사한 분류 정확도를 달성하여 높은 특징 효율성을 입증하였다.
• 계층적 군집화 분석에서 DMT와 살비아 디바인오르눔(Salvia divinorum) 서술이 함께 군집화되어, 알려진 약리학적 및 현상학적 유사성을 뒷받침하였다.
• 본 연구는 기계학습이 비정형적이고 사용자 생성된 환각제 경험 서술에서 의미 있는, 약물에 특화된 패턴을 추출할 수 있음을 입증한다.