在对抗药物滥用方面，研究表明，您所保留的公司可以在恢复和复发之间做出改变。因此，虽然小组干预计划可以在预防药物滥用方面发挥重要作用，特别是在无家可归青年等高危人群中，他们也可能无意中使参与者暴露于消极行为。
现在，USC社会人工智能中心的研究人员已经创建了一种算法，将干预计划参与者(他们自愿从事恢复工作)分成较小的群体或小组，以保持有用的社会关系并打破社会关系这可能对恢复有害。
“我们知道药物滥用受到社会影响的严重影响;换句话说，你是谁的朋友，”南加州大学计算机科学研究生，该研究的主要作者Aida Rahmattalabi说。
“为了提高干预措施的有效性，你需要知道人们如何在一个群体中相互影响。”
来自USC Viterbi工程学院的Rahmattalabi及其同事Suzanne Dworak-Peck社会工作学院和丹佛大学与总部位于丹佛的非营利性无家可归青年Urban Peak合作开发决策援助，他们将希望能帮助干预主义者预防药物滥用。
结果表明，该算法的表现明显优于对照组策略。这项名为“影响力最大化基于社会网络的物质滥用预防”的研究发表在人工智能学生摘要部分的AAAI会议上。
该研究的共同作者是USC的Phebe Vayanos，工业和系统工程和计算机科学助理教授Milind Tambe，Helen N.和Emmett H. Jones工程学教授，计算机科学和工业和系统工程教授，Eric赖斯，社会工作副教授; 丹佛大学的Anamika Barman Adhikari; 和来自Urban Peak的Robin Baker。
同伴影响力
每年，美国将有多达200万青少年无家可归，估计有39%至70%的无家可归青年滥用药物或酒精。
团体治疗等物质滥用举措可以通过鼓励无家可归的青年分享经验，学习积极的应对策略以及建立健康的社交网络来提供支持。
但如果这些群体结构不合理，他们可以通过鼓励基于反社会行为的友谊形成来加剧他们打算处理的问题。这是一个在社会工作中称为“变形训练”的过程，当同伴互相加强异常行为时。
该团队从人工智能的角度解决了这个问题，创建了一种算法，该算法考虑了一个小组中的个人如何相互联系 - 他们的社会关系 - 以及他们之前的药物滥用史。
自愿从洛杉矶无家可归青年收集的调查数据，以及行为理论和先前干预措施的观察结果被用于建立干预措施的计算模型。
“基于此，我们有一个影响模型，解释了个人采用负面行为或根据他们参与群体而改变消极行为的可能性，Rahmattalabi说：“在忽视现有关系的同时统一用户分布可以大大降低这些干预措施的成功率。”
此外，分析表明，有时进行干预实际上可能对该群体产生不利影响。
“在某些情况下，我们发现进行干预实际上是一个坏主意：例如，如果一个群体中有许多高风险人群，最好不要将他们与低风险人群联系起来，”Rahmattalabi说。
随着新数据被添加到算法中，研究人员希望它能够适应不断变化的条件，揭示社交网络在干预计划过程中的演变过程。这可以让干预者确定干预将如何影响参与者的结果。研究人员正在继续与Urban Peak合作，并计划在2018年秋季部署该工具，以优化丹佛无家可归青年的干预组策略。
