[论文解读] 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 3

一句话总结

本文提出 GUIDE，一种基于人工智能的决策支持工具，结合混合整数优化与大邻域搜索，用于在社交网络中组建物质滥用干预小组，以最小化偏差训练风险。该方法通过建模社交影响动态并优化小组构成，显著优于传统分组方法，特别适用于高风险群体——无家可归的青年。

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.

研究动机与目标

• 解决基于同伴的物质滥用干预中可能出现的偏差训练风险，即高风险青年在小组中相互强化负面行为。
• 开发一种定量、数据驱动的分组方法，利用社交网络结构与影响动态。
• 为社会工作者创建一种可扩展的决策支持工具，以改善高风险人群（如无家可归青年）的干预效果。
• 克服传统分组方法（如随机分组、教师提名或基于网络的分组）的局限性，通过优化影响传播与行为结果来提升分组质量。
• 使从业者能够在实际部署前评估并排除无效或有害的分组策略，从而节省时间和资源。

提出的方法

• 将分组问题建模为混合整数优化（MIO）模型，以捕捉网络结构、影响传播以及小组层面的行为变化。
• 采用竞争性线性阈值（LT）框架来建模社交影响，同时考虑组内正向（非使用者）与负向（使用者）影响的传播。
• 整合网络演化动态，即分组行为会随时间改变关系强度与影响模式。
• 开发一种混合元启发式算法，结合混合整数规划（MIP）与大邻域搜索（LNS），以高效获取近似最优解。
• 在 GUIDE 应用程序中实现该算法，该程序用户友好，支持输入社交网络与行为数据，生成分组结果，并支持动态再优化。
• 使用来自 Urban Peak（一家无家可归青年服务机构）的真实世界数据，对模型与算法进行验证与校准。

实验结果

研究问题

• RQ1 基于优化的社交网络分组方法是否能降低物质滥用干预中偏差训练的风险？
• RQ2 所提出的优化方法与传统基于直觉的分组策略（如随机分组或教师提名）相比，性能如何？
• RQ3 负向影响与正向影响的比率（Ωu|n / Ωn|u）在多大程度上影响干预策略的成功？
• RQ4 像大邻域搜索（LNS）这样的可扩展元启发式算法，是否能在适合现实部署的时间范围内提供近似最优解？
• RQ5 基于人工智能的决策支持工具（如 GUIDE）是否能帮助从业者识别并避免可能加剧物质使用问题的分组策略？

主要发现

• 在模拟中，所提出的 MIO 建模方法显著优于传统分组方法，表明结构化、影响感知的分组设计可带来更优的干预效果。
• 在相同时间预算下，LNS 在解的质量上始终优于 MIP，使其成为实时决策支持更实际的选择。
• 随着负向影响与正向影响比率（Ωu|n / Ωn|u）的上升，干预效果逐渐下降，凸显了合理平衡组内构成的重要性。
• 在 40 个节点的网络上，LNS 经约 20 次运行后达到稳定的解质量，表明其在实际部署中具备高效收敛性。
• LNS 找到局部最优解所需时间随网络规模呈多项式增长，证实其在现实应用中的可扩展性。
• GUIDE 有效整合了数据收集、优化计算与结果展示，提供单一用户友好的界面，支持快速部署与针对参与者可用性变化的动态再规划。