AI算命？用大數據預測死因

 

圖片作者：ChatGPT

隨著電腦運算能力的提升、超級電腦的發明，人們發現可以開始利用「大數據」來做種種預測。於是開始有了依賴於各種機器學習技術和數據分析方法，包括統計模型、機器學習、深度學習、時間序列分析等技術，來進行醫療健康預測、金融市場預測、消費者行為預測、天氣預測等等。

雖然有時這些預測看起來像個笑話（還記得某大產險預測哪些星座的人特別容易出車禍那件事嗎？），但是大部分的預測系統還是都能提供企業一些有用的指引。

不過，這些預測系統到目前為止還是都有種種缺陷，所以也並不能完全依賴它們。當然，研究者也努力地開發新的系統，希望可以有更好的預測模型。

最近，由丹麥的研究團隊開發了一個新的模型，稱為life2vec。這個模型透過建立基於勞動和健康記錄的「生活序列」，訓練life2vec模型來理解概念之間的關係。研究團隊使用了丹麥的勞動力市場賬戶（AMRUN）和國家病人登記處（LPR）的資料，包含丹麥所有居民的事件數據。

然後研究團隊讓life2vec來預測2016年1月1日之後四年內一個人的存活概率，接著看看分析的結果。

以馬修斯相關係數（C-MCC）來衡量發現，life2vec在這項任務上的平均C-MCC得分為0.41（95%信心區間為0.40至0.42），這比基準模型高出11%。這顯示life2vec在預測早期死亡方面表現出色，超越了其他的基線模型。

這個新的模型為什麼能比以前的模型厲害呢？研究團隊認為，那是因為他們將個體的生活歷程視為一系列事件，並將這些事件以類似於自然語言處理中的詞嵌入方式來表示。這種方法使得模型能夠捕捉到生活事件之間的複雜關係和結構。另外是，他們利用進階的機器學習技術，如深度學習，對這些生活事件進行編碼和分析，模仿了處理自然語言的過程。當然丹麥政府提供了非常豐富的數據也是狠重要的一點。

從這個系統的開發，讓我們體會到我們的一生的確是由一系列的事件所組成的，而一個事件會導向另一個事件，有些時候我們自以為無意識下的決定，其實可能早就深植在我們的基因裡：三十年前抽的一根煙，可能就種下你現在肺裡的出現病變的遠因，但真的讓肺臟出現病變，還需要中間的其他行為來幫一把手，不是嗎？

參考文獻：

Savcisens, G., Eliassi-Rad, T., Hansen, L.K. et al. Using sequences of life-events to predict human lives. Nat Comput Sci (2023). https://doi.org/10.1038/s43588-023-00573-5

頭腦如何在觀察動作時「預測未來」？

 

圖片來源：ChatGPT

當我們看別人做事時，我們在想什麼？最近的一項新研究發現，我們的大腦在看別人做事時，並不僅僅是被動地接收信息，而會積極「預測」下一步會發生什麼。

研究團隊發現，當人們觀察可預測的動作序列時（如看家人做早餐），大腦中有些區域會特別活躍。這些區域包括前中央回（precentral gyrus）、頂緣回（supramarginal gyrus），以及視覺皮層。研究發現，在觀察這些可預測的動作時，從前中央回到頂緣回的信息傳遞會增加，這主要表現為更多的自上而下的貝塔波（beta oscillation）活動。同時，這種情境下還觀察到了在視覺區域中高伽瑪波（high-gamma range）的底上而下的視覺反應被壓抑。在這個時候，大腦的運動前區域會發出貝塔波信號，這些信號會向其他大腦區域（頂緣回）傳遞「這個動作做完，接下來會是那個」的信息。

同時，我們大腦中處理視覺信息的區域，會對這些可預測的動作產生較弱的反應。這意味著當我們「知道」接下來會發生什麼時，我們的視覺系統會放鬆警惕，不再那麼「驚訝」於眼前的動作。

這項研究提供了新的證據支持一種稱為「預測編碼」的理論。這個理論認為，我們的大腦會根據過去的經驗預測未來的事件，並相應調整反應。換句話說，大腦善於「預料」而非僅僅「反應」。

這項研究不僅增進了我們對大腦工作方式的理解，還可能對改善學習、治療某些大腦疾病等領域有所啟示。畢竟，了解大腦如何處理和預測信息，是理解我們整體心智運作的關鍵。

這也就是為什麼，當他人做出某些「出乎意料」的行為時，我們會那麼地驚訝且牢牢記住吧！

參考文獻：

Cell Reports. https://doi.org/10.1016/j.celrep.2023.113432