{"id":679,"date":"2022-04-18T11:10:56","date_gmt":"2022-04-18T11:10:56","guid":{"rendered":"http:\/\/architeles.pl\/ethics\/?p=679"},"modified":"2022-04-28T17:58:03","modified_gmt":"2022-04-28T17:58:03","slug":"krzemowa-terapeutka-informatyka-w-psychologii-i-psychiatrii","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2022\/04\/18\/krzemowa-terapeutka-informatyka-w-psychologii-i-psychiatrii\/","title":{"rendered":"Krzemowa terapeutka. Informatyka w psychologii i psychiatrii"},"content":{"rendered":"

Stref\u0119 ludzkiego psyche postrzegamy jako jeden z naszych najbardziej skomplikowanych aspekt\u00f3w. Co\u015b bardzo osobistego i trudnego do zbadania. Informatyka z drugiej strony jest nauk\u0105 z gruntu \u015bcis\u0142\u0105 i techniczn\u0105, opieraj\u0105c\u0105 si\u0119 na badaniach ilo\u015bciowych. Mimo to przez ostatnie lata naukowcy poszukuj\u0105 zastosowa\u0144 technik informatycznych w psychologii i psychiatrii. Czy w dziedzinach tak wra\u017cliwych mo\u017cemy zaufa\u0107 sztucznej inteligencji? Jakie kryteria musz\u0105 spe\u0142nia\u0107 narz\u0119dzia informatyczne, by nie krzywdzi\u0107 pacjent\u00f3w?<\/strong><\/p>\n

Przestrze\u0144 dla informatyki<\/strong>
\nZaburzenia psychiczne s\u0105 jednymi z najwi\u0119kszych problem\u00f3w stoj\u0105cych przed wsp\u00f3\u0142czesn\u0105 medycyn\u0105. S\u0105 one obci\u0105\u017ceniem zar\u00f3wno dla dotkni\u0119tych nimi os\u00f3b, jak i ca\u0142ego systemu opieki zdrowotnej ze wzgl\u0119du na wysokie koszty terapii i powszechno\u015b\u0107 zaburze\u0144. Zgodnie z szacunkami a\u017c 30% doros\u0142ych [1] do\u015bwiadczy w swoim \u017cyciu jednego z zaburze\u0144 zwi\u0105zanych z nastrojem, l\u0119kami lub spo\u017cyciem substancji. Mo\u017cliwo\u015bci lekarzy s\u0105 ograniczone, a osoby z problemami psychicznymi szczeg\u00f3lnie potrzebuj\u0105 coraz wi\u0119kszego wsparcia – liczba os\u00f3b z depresj\u0105, najpowszechniejsz\u0105 chorob\u0105 psychiczn\u0105, wzros\u0142a w latach 2005-2015 o a\u017c 15% [5]. W takiej sytuacji medycyna mimo pow\u015bci\u0105gliwych g\u0142os\u00f3w [2] si\u0119ga po rozwi\u0105zania informatyczne mog\u0105ce odci\u0105\u017ca\u0107 lekarzy w kwestiach, kt\u00f3re niekoniecznie wymagaj\u0105 udzia\u0142u cz\u0142owieka. Jak opisuje artyku\u0142 „Arti\ufb01cial Intelligence in Psychiatry” [6] takie obszary znajdujemy zar\u00f3wno w diagnozie, profilaktyce, jak i terapii. Przyjrzyjmy si\u0119 wi\u0119c konkretnym rozwi\u0105zaniom.<\/p>\n

Unowocze\u015bniona diagnoza<\/strong>
\nTradycyjne metody diagnozy chor\u00f3b psychicznych w psychologii opieraj\u0105 si\u0119 g\u0142\u00f3wnie o metody jako\u015bciowe, czyli wywiad z pacjentem. Jest to z samej natury nieprecyzyjne, gdy\u017c wymaga samo\u015bwiadomo\u015bci oraz obiektywnej samooceny przez pacjenta, co jest dodatkowo utrudnione w przypadku os\u00f3b z problemami mentalnymi. Nawet psychometria, poddziedzina psychologii tworz\u0105ca testy psychologiczne, a zatem wydawa\u0142oby si\u0119 ilo\u015bciowa, opiera si\u0119 cz\u0119sto o pytania jako\u015bciowe, np. podawanie w skali Likerta „\u015bredniego dobowego poziomu aktywno\u015bci” od 1 do 5. Brak jakichkolwiek pomiar\u00f3w znacz\u0105co utrudnia diagnoz\u0119, nawet do tego stopnia, \u017ce nie istniej\u0105 do ko\u0144ca standardowe procedury. Istniej\u0105 oczywi\u015bcie metody pomiarowe, u\u017cywane w psychiatrii, wykorzystuj\u0105ce np. rezonans magnetyczny MRI w celu diagnozy schizofrenii [7]. Ich p\u00f3\u017aniejsza analiza jest jednak dokonywana r\u0119cznie, przez lekarzy-ekspert\u00f3w, co wymaga specjalistycznego przeszkolenia i powoduje znaczne koszty ze wzgl\u0119du na same procedury.<\/p>\n

W ostatnich latach smartfony, smartwatche, inteligentne zegarki i inne urz\u0105dzenia „wearables” sta\u0142y si\u0119 powszechne w naszym \u017cyciu. Nietrudno znale\u017a\u0107 osoby nosz\u0105ce przy sobie inteligentne bransoletki przez ca\u0142\u0105 dob\u0119, cho\u0107by \u017ceby sprawdza\u0107 liczb\u0119 pokonanych codziennie krok\u00f3w. Naukowcy dostrzegli niezwyk\u0142y potencja\u0142 tych technologii, znanych te\u017c jako Internet of Things (IoT), do zbierania cennych danych diagnostycznych. Daj\u0105 one mo\u017cliwo\u015b\u0107 monitorowania pacjenta przez ca\u0142\u0105 dob\u0119 oraz dostarczaj\u0105 obiektywnych, ilo\u015bciowych danych. Dane takie s\u0105 z technicznego punktu widzenia szeregami czasowymi, a zatem s\u0105 praktycznie w pe\u0142ni anonimowe, co u\u0142atwia te\u017c ich analiz\u0119 w ramach open science. S\u0105 to np. zbiory\u00a0Depresjon<\/strong> [8] oraz Psykose<\/strong> [9], z u\u017cyciem kt\u00f3rych powsta\u0142y liczne prace naukowe, np. [11].<\/p>\n

Mo\u017cna niestety zauwa\u017cy\u0107, \u017ce te zbiory danych s\u0105 bardzo ma\u0142e – zawieraj\u0105 dane od zaledwie 55 oraz 54 pacjent\u00f3w. Pojawia si\u0119 zatem pytanie – jak uczciwie mierzy\u0107 na nich jako\u015b\u0107 algorytm\u00f3w? Nie jest to tylko problem tych konkretnych zbior\u00f3w – wi\u0119kszo\u015b\u0107 zbior\u00f3w u\u017cywanych w badaniach zwi\u0105zanych ze zdrowiem psychicznym ma zaledwie dziesi\u0105tki, g\u00f3ra setki pr\u00f3bek. Pr\u00f3ba stworzenia komercyjnego produktu diagnostycznego wymaga zagwarantowania odpowiedniej skuteczno\u015bci, jednak samo wyznaczenie metryk skuteczno\u015bci oraz ich poprawne obliczenie stanowi powa\u017cne wyzwanie. Powa\u017cne w\u0105tpliwo\u015bci etyczne mo\u017ce budzi\u0107 mo\u017cliwo\u015b\u0107 zawy\u017cania wynik\u00f3w pod publikacje naukowe, kt\u00f3re mo\u017ce by\u0107 nawet niecelowe, a wynika\u0107 ze zbyt ma\u0142ych rozmiar\u00f3w zbior\u00f3w danych. Nawet dla uczciwych bada\u0144 problemem jest niezbalansowanie zbior\u00f3w danych – os\u00f3b chorych jest znacznie mniej ni\u017c zdrowych, a to wymaga u\u017cycia odpowiednich metryk jako\u015bci, co wymaga dodatkowej specjalistycznej wiedzy. Cz\u0119st\u0105 praktyk\u0105 jest te\u017c niestety podawanie skuteczno\u015bci klasyfikacji np. pojedynczych dni (czy pomiar z doby wskazuje na depresj\u0119, czy te\u017c nie), a nie pe\u0142nej diagnozy pacjenta. Co prawda daje to lepsze wyniki i lepiej wygl\u0105da na konferencjach, ale trzeba zapyta\u0107 – po co komu taka klasyfikacja w praktyce, i jak bardzo mo\u017ce zaszkodzi\u0107 pacjentom nadmierna wiara w predykcje takiego modelu?<\/p>\n

Nawet w przypadku modeli faktycznie skutecznych, pojawia si\u0119 inny problem – same dane ilo\u015bciowe prawdopodobnie nie wystarcz\u0105 do diagnozy chor\u00f3b psychicznych, kt\u00f3re cz\u0119sto daj\u0105 skrajnie r\u00f3\u017cne objawy u r\u00f3\u017cnych os\u00f3b czy p\u0142ci (np. ADHD u kobiet i m\u0119\u017cczyzn). Opinia lekarza dalej b\u0119dzie mia\u0142a bardzo du\u017ce znaczenie, ze wzgl\u0119du na potrzeb\u0119 indywidualnego podej\u015bcia, szczeg\u00f3lnie wa\u017cnego w psychologii i psychiatrii. Lekarz musi zaufa\u0107 sztucznej inteligencji, aby wykorzysta\u0107 j\u0105 skutecznie. Pojawia si\u0119 jednak problem, czy nie zaufa jej zbyt bardzo. Model uczenia maszynowego si\u0142\u0105 rzeczy wykrywa typowe wzorce, z czego lekarze musz\u0105 sobie zdawa\u0107 spraw\u0119. Trudn\u0105 kwesti\u0105 etyczn\u0105 jest, jak bardzo lekarz mo\u017ce z czystym sumieniem ufa\u0107 AI, oraz kto ponosi odpowiedzialno\u015b\u0107 za zbyt du\u017ce, lub niewystarczaj\u0105ce, zaufanie do predykcji modelu.<\/p>\n

Profilaktyka w erze nowych technologii<\/strong><\/p>\n

We wsp\u00f3\u0142czesnych realiach jeste\u015bmy nara\u017ceni na zagro\u017cenia psychiczne w \u015brodowisku wirtualnym, w kt\u00f3rym komunikujemy si\u0119 coraz cz\u0119\u015bciej, a by\u0107 mo\u017ce ju\u017c najcz\u0119\u015bciej. Anonimowo\u015b\u0107, mo\u017cliwo\u015b\u0107 plotek-„virali” oraz \u0142atwo\u015b\u0107 dost\u0119pu do niezweryfikowanych informacji u\u0142atwiaj\u0105 negatywne wp\u0142ywanie na stan psychiczny innych ludzi. O ile znaczna cz\u0119\u015b\u0107 z nas wr\u0119cz odruchowo ignoruje trolli czy hejter\u00f3w, to du\u017ce grono os\u00f3b o du\u017cej wra\u017cliwo\u015bci emocjonalnej jest szczeg\u00f3lnie nara\u017cone na platformach spo\u0142eczno\u015bciowych na r\u00f3\u017cne formy n\u0119kania. Przeciwdzia\u0142anie zjawisku cyberbullingu to jedno z najwa\u017cniejszych wyzwa\u0144 w profilaktyce zdrowia psychicznego w sieci [12].<\/p>\n

Zagadnienie to mo\u017cna rozwa\u017ca\u0107 z perspektywy przetwarzania j\u0119zyka naturalnego (NLP), czyli wykorzystania narz\u0119dzi AI do analizy j\u0119zyka, jego semantyki i informacji w nim zawartych. Klasyfikacja, czy tekst nosi znamiona cyberbullingu, jest jednak zagadnieniem bardzo trudnym nawet dla tej, ju\u017c bardzo z\u0142o\u017conej z natury, dziedziny. W j\u0119zyku polskim znany konkurs PolEval w roku 2019 zaproponowa\u0142 taki zbi\u00f3r danych z polskiego Twittera [9]. W celu pomocy w oznaczaniu tweet\u00f3w wyr\u00f3\u017cniono, np. wy\u0142udzanie informacji (phishing), gro\u017ab\u0119 ujawnienia informacji prywatnych (doxxing), ataki personalne, gro\u017aby, szanta\u017ce, szyderstwa, plotki i insynuacje oraz wulgarne obelgi. Ju\u017c sama ta lista pokazuje, jak szeroki i r\u00f3\u017cnorodny zakres mo\u017ce mie\u0107 cyberbulling, co pokazuje trudno\u015b\u0107 tego zadania. Najlepszy wynik z konkursu osi\u0105gn\u0105\u0142 precyzj\u0119 (precision) 66.67% oraz czu\u0142o\u015b\u0107 (recall) 52.24%, s\u0105 to wi\u0119c wyniki pozostawiaj\u0105ce wiele do \u017cyczenia.<\/p>\n

Niew\u0105tpliwie kwesti\u0119 problematyczn\u0105 pod wzgl\u0119dem etycznym stanowi sp\u00f3r pomi\u0119dzy profilaktyk\u0105 i przeciwdzia\u0142aniu n\u0119kaniu, a wolno\u015bci\u0105 s\u0142owa. Skuteczno\u015b\u0107 system\u00f3w jest lepsza lub gorsza, wi\u0119c pozostawienie mo\u017cliwo\u015bci moderacji tylko im jest nies\u0142uszne. Ca\u0142kowita rezygnacja z takich rozwi\u0105za\u0144 jest z drugiej strony nie tylko r\u00f3wnie w\u0105tpliwa, ale tak\u017ce po prostu niewykonalna (przy alternatywie sprawdzania r\u0119cznego przez ludzi) przy obecnej skali social medi\u00f3w. Oczywi\u015bcie algorytmy mog\u0105 zwraca\u0107 pewno\u015b\u0107 co do swoich predykcji, nadal jednak pozostaje pytanie – gdzie ustali\u0107 pr\u00f3g i wedle jakich kryteri\u00f3w?<\/p>\n

Z ludzkiego na maszynowy<\/strong><\/p>\n

Kolejnym narz\u0119dziem opartym na dokonaniach dziedziny NLP s\u0105 chatboty. S\u0105 to programy wchodz\u0105ce w interakcj\u0119 j\u0119zykow\u0105 z lud\u017ami. Jej charakter mo\u017ce by\u0107 r\u00f3\u017cny w zale\u017cno\u015bci o konkretnej implementacji, ale mo\u017cemy je og\u00f3lnie podzieli\u0107 na proste, kt\u00f3re opieraj\u0105 si\u0119 na okre\u015blonych z g\u00f3ry regu\u0142ach zar\u00f3wno w kwestii przetwarzania tekstu jak i formu\u0142owania odpowiedzi\u00a0 oraz te oparte uczenie g\u0142\u0119bokie (Deep Learning), kt\u00f3re gromadz\u0105 wiedz\u0119 i adaptuj\u0105 si\u0119 wraz z kolejnymi rozmowami. Te pierwsze s\u0105 bardzo przewidywalne z perspektywy ich tw\u00f3rcy i w du\u017cej mierze s\u0142u\u017c\u0105 jako rozbudowane interfejsy do jakiej\u015b wiedzy eksperckiej – mog\u0105 na przyk\u0142ad poda\u0107 maila do terapeuty. Daleko im wi\u0119c do odpowiednika ludzkiego terapeuty. Tak\u0105 funkcj\u0119 mog\u0142yby pe\u0142ni\u0107 modele SI, kt\u00f3re wypowiadaj\u0105 si\u0119 w spos\u00f3b bardziej ludzki i jednocze\u015bnie daj\u0105 rozm\u00f3wcy komfort anonimowej konwersacji. Dojrza\u0142o\u015b\u0107 takich system\u00f3w jest jednak dalej kwesti\u0105 otwart\u0105. Jako przyk\u0142ad przeciw niech pos\u0142u\u017cy sytuacja sprzed kilku lat: firma Microsoft zamie\u015bci\u0142a w serwisie Twitter konto inteligentnego chatbota Tay, kt\u00f3ry mia\u0142 si\u0119 uczy\u0107 wraz z rozmawianiem z kolejnymi u\u017cytkownikami. Nie min\u0119\u0142y dwa dni a nauczony niepoprawnych politycznie tweet\u00f3w robot zosta\u0142 wycofany przez firm\u0119 z medium spo\u0142eczno\u015bciowego, na kt\u00f3ry okaza\u0142 si\u0119 niewystarczaj\u0105co przygotowany.<\/p>\n

https:\/\/twitter.com\/geraldmellor\/status\/712880710328139776?s=20&t=pInqpclMMFhCkccFRkWKIQ<\/p>\n

 <\/p>\n

Mimo takich incydent\u00f3w sztuczna inteligencja dalej budzi w \u015brodowisku medycznym du\u017cy entuzjazm. W swoim artykule Allamira Hajjar [3] wskazuje na 6 g\u0142\u00f3wnych zastosowa\u0144 chatbot\u00f3w w medycynie widocznych na grafice poni\u017cej.<\/p>\n

\"\"<\/p>\n

W momencie pisania tego artyku\u0142u na rynku dost\u0119pnych jest ju\u017c wiele aplikacji opartych na chatbotach, kt\u00f3re pomagaj\u0105 pacjentom w zr\u00f3\u017cnicowanych obszarach: OneRemission<\/strong> dostarcza pacjentom z rakiem informacje o diecie i \u0107wiczeniach przygotowanych przez ekspert\u00f3w a Youper<\/strong> monitoruje i poprawia zdrowie emocjonalne u\u017cytkownik\u00f3w mi\u0119dzy innymi przez personalizowane rozmowy.<\/p>\n

Droga do odpowiedzialno\u015bci<\/strong>
\nMaj\u0105c na uwadze ograniczenia sztucznej inteligencji i potrzeb\u0119 interdyscyplinarnej wsp\u00f3\u0142pracy do przygotowania narz\u0119dzi dla medycyny nie dziwi, \u017ce mimo zapotrzebowania oraz og\u00f3lnego entuzjazmu konkretnych rozwi\u0105za\u0144 jest dalej niewiele. \u015awiadomi tego naukowcy staraj\u0105 si\u0119 przygotowa\u0107 struktur\u0119, na bazie kt\u00f3rej maj\u0105 powstawa\u0107 odpowiedzialne narz\u0119dzia dla medycyny wykorzystuj\u0105ce sztuczn\u0105 inteligencj\u0119. W artykule „Do no harm: a roadmap for responsible machine learning for health care” [4] jako kolejne kroki wskazano:<\/p>\n

    \n
  1. Odpowiednie okre\u015blenie problemu – cz\u0119sto naukowcy skupiaj\u0105 si\u0119 na zadaniach, na kt\u00f3re widz\u0105 ju\u017c gotowe rozwi\u0105zania zamiast okre\u015bli\u0107 przydatno\u015b\u0107 opracowanego modelu w praktyce. Aby odpowiednio nakre\u015bli\u0107 problem, nale\u017cy zaanga\u017cowa\u0107 wiele stron problemu (pacjenci i ich rodziny, ubezpieczyciele itp.) ju\u017c na pocz\u0105tku tworzenia narz\u0119dzia.<\/li>\n
  2. Opracowywanie przydatnego rozwi\u0105zania – szczeg\u00f3ln\u0105 uwag\u0119 w tym kontek\u015bcie nale\u017cy zwr\u00f3ci\u0107 na dane medyczne, na kt\u00f3rych modele sztucznej inteligencji s\u0105 uczone. Kwestia ta by\u0142a om\u00f3wiona szerzej w poprzednich punktach.<\/li>\n
  3. Wzi\u0119cie pod uwag\u0119 etycznych nast\u0119pstw – wyeliminowanie stronniczo\u015bci modeli na podstawie liczno\u015bci i typu grup, od kt\u00f3rych zbieramy dane (znane przyk\u0142ady modeli dyskryminuj\u0105cych rasowo itp.). Czy to etyczne uzupe\u0142nia\u0107 domy\u015blnie dane np. o tym, czy osoba jest palaczem albo czy ma HIV?<\/li>\n
  4. Rygorystyczna ocena i rozwa\u017cne raportowanie – umiej\u0119tne rozdzielenie zbior\u00f3w danych, raportowanie zar\u00f3wno tego, gdzie model radzi sobie dobrze, a gdzie \u017ale. U\u017cycie specjalnych metryk jako\u015bci dla konkretnych zada\u0144.<\/li>\n
  5. Odpowiedzialne wdro\u017cenie – przed wykorzystaniem modelu w pracy z pacjentami nale\u017cy przez pewien czas testowa\u0107 go w trybie cichym, to znaczy przewidywa\u0107 wyniki na realnych danych, ale bez u\u017cycia ich w praktyce, a zamiast tego z ocen\u0105 eksperck\u0105, czy narz\u0119dzie dzia\u0142a poprawnie.<\/li>\n
  6. Dotarcie na rynek – aby uzyska\u0107 dost\u0119p do rynku, produkty musz\u0105 przej\u015b\u0107 proces zatwierdzenia przez organizacje rz\u0105dowe. Dodatkowo przez u\u017cytkownik\u00f3w preferowane b\u0119d\u0105 modele, kt\u00f3re s\u0105 w stanie wyt\u0142umaczy\u0107 swoje dzia\u0142anie.<\/li>\n<\/ol>\n

    Osoby obeznane z tematyk\u0105 sztucznej inteligencji dostrzeg\u0105, \u017ce przedstawione standardy s\u0105 wysokie i prezentuj\u0105 r\u00f3\u017cne problemy natury technicznej. Nie s\u0105 to jednak bariery nie do przej\u015bcia. Przez ostatnie lata powstaj\u0105 coraz to nowe narz\u0119dzia informatyczne dla medycyny, kt\u00f3re bior\u0105 pod uwag\u0119 powy\u017csze punkty. Mo\u017cemy wi\u0119c liczy\u0107, \u017ce za kilka, mo\u017ce kilkana\u015bcie lat b\u0119dziemy mogli zaufa\u0107 sztucznej inteligencji, \u017ce wspomo\u017ce nas w nawet tak trudnych kwestiach, jak psychologia i psychiatria.<\/p>\n

    Bibliografia<\/strong><\/p>\n

      \n
    1. \n
      Kessler RC, Amminger GP, Aguilar-Gaxiola S, Alonso J, Lee S, Ustun TB. „Age of onset of<\/div>\n
      mental disorders: a review of recent literature”. Curr Opin Psychiatry. 2007;20(4):359\u201364<\/div>\n<\/li>\n
    2. Metz C, Smith CS. „A.I. can be a boon to medicine that could easily go rogue”. The New York Times. 2019 Mar 25;B5.<\/li>\n
    3. Alamina Jouman Hajjar. „Top 6 Use Cases & Examples of Chatbots in Healthcare in 2022”. AI Multiple. 2021 March.<\/span><\/li>\n
    4. Wiens, J., Saria, S., Sendak, M.\u00a0et al.<\/i>\u00a0Do no harm: a roadmap for responsible machine learning for health care.\u00a0Nat Med<\/i>\u00a025,\u00a01337\u20131340 (2019). https:\/\/doi.org\/10.1038\/s41591-019-0548-6<\/li>\n
    5. World Health Organization „Depression and other common mental disorders: global health estimates”, 2017.<\/li>\n
    6. Fakhoury, M. (2019) „Artificial Intelligence in Psychiatry”<\/li>\n
    7. Shenton ME, Dickey CC, Frumin M, McCarley RW. A review of MRI findings in schizophrenia.\u00a0Schizophr Res<\/i>. 2001;49(1-2):1-52. doi:10.1016\/s0920-9964(01)00163-3<\/li>\n
    8. Garcia-Ceja, E., Riegler, M., Jakobsen, P.,\u00a0 Torresen, J., Nordgreen, T., Oedegaard, K. J., Fasmer, O. B. „Depresjon: A Motor Activity Database of Depression Episodes in Unipolar and Bipolar Patients”. Proceedings of the 9th ACM on Multimedia Systems Conference, ACM, MMSys’18, 2018, ACM, doi: 10.1145\/3204949.3208125<\/li>\n
    9. Jakobsen, P., Garcia-Ceja, E., Stabell, L. A., Oedegaard, K. J., Berle, J. O., Thambawita, V., Hicks, S. A., Halvorsen, P., Fasmer O., B. Riegler, M. A. „PSYKOSE: A Motor Activity Database of Patients with Schizophrenia”. 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), IEEE, 2020, pp.~303–308, doi: 10.1109\/CBMS49503.2020.00064<\/li>\n
    10. M. Ptaszynski, A. Pieciukiewicz, P. Dyba\u0142a „Results of the PolEval 2019 Shared Task 6: First Dataset and Open Shared Task for Automatic Cyberbullying Detection in Polish Twitter”<\/li>\n
    11. J. Adamczyk, F. Malawski „Comparison of Manual and Automated Feature Engineering for Daily Activity Classification in Mental Disorder Diagnosis”, doi: https:\/\/doi.org\/10.31577\/cai_2021_4_850<\/li>\n
    12. „Instagram, Facebook and Twitter struggle to contain the epidemic in online bullying”<\/a><\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

      Stref\u0119 ludzkiego psyche postrzegamy jako jeden z naszych najbardziej skomplikowanych aspekt\u00f3w. Co\u015b bardzo osobistego i trudnego do zbadania. Informatyka z drugiej strony jest nauk\u0105 z gruntu \u015bcis\u0142\u0105 i techniczn\u0105, opieraj\u0105c\u0105 si\u0119 na badaniach ilo\u015bciowych. Mimo to przez ostatnie lata naukowcy poszukuj\u0105 zastosowa\u0144 technik informatycznych w psychologii i psychiatrii. Czy w dziedzinach tak wra\u017cliwych mo\u017cemy zaufa\u0107 […]<\/p>\n","protected":false},"author":65,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[104,128,126,81,116,115],"class_list":["post-679","post","type-post","status-publish","format-standard","hentry","category-uncategorized","tag-automatyczna-diagnostyka","tag-diagnoza","tag-internet-of-things","tag-iot","tag-problemy-psychiczne","tag-psychoterapia"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/65"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=679"}],"version-history":[{"count":17,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/679\/revisions"}],"predecessor-version":[{"id":1107,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/679\/revisions\/1107"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=679"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=679"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}