Unggahan lama di media sosial sering kali menyimpan data personal yang luput dari ingatan pemiliknya. Selama bertahun-tahun, pengguna terbiasa menuliskan keluhan soal gangguan tidur, rasa cemas, penurunan motivasi, hingga perubahan suasana hati secara terbuka. Peneliti di George Mason University kini memanfaatkan timbunan data tersebut untuk menguji efektivitas sistem Kecerdasan Buatan dalam mengenali petunjuk awal gangguan kesehatan mental.
Pendekatan baru ini diciptakan untuk memindai rekam jejak digital secara lebih kontekstual. Sistem berbasis AI tersebut tidak hanya berfokus pada kata-kata bernada sedih atau ungkapan negatif semata. Pengguna yang membuat status tentang rekannya yang sedang mengalami kecemasan, misalnya, tidak akan langsung dikategorikan mengidap depresi. Peneliti merancang mekanisme penyaringan bertahap agar analisis data berjalan lebih objektif.
Tahapan Analisis Berlapis Algoritma AI Pemindai Medsos
Pengembangan metode riset di George Mason University ini mengandalkan model bahasa khusus yang bekerja dalam beberapa tingkatan evaluasi teknis. Tahap pertama difokuskan pada identifikasi gejala melalui pernyataan orang pertama. Sistem secara otomatis memilih ungkapan langsung yang sesuai dengan indikator depresi klinis.
Tahapan ini krusial. Sistem kemudian melakukan eliminasi terhadap konten yang tidak relevan. Pernyataan yang berulang, informasi keliru, serta unggahan tanpa konteks langsung dibuang dari daftar analisis. Tujuannya adalah mempertahankan fragmen kalimat yang paling berbobot.
Pada tahap verifikasi akhir, sistem menilai apakah potongan kalimat terpilih benar-benar memberikan bukti yang cukup kuat mengenai gejala tertentu. Seluruh data bersih tersebut lantas dipetakan untuk menjawab 21 pertanyaan dalam standar psikologis Beck Depression Inventory (BDI-II).
Realita Akurasi Performa: Peningkatan 70 Persen yang Masih Terbatas
Secara teknis, metode baru ini mencatatkan peningkatan performa yang cukup menarik jika dibandingkan dengan sistem generasi sebelumnya. Tingkat presisi model meningkat hingga 70 persen secara relatif. Angka ini menunjukkan bahwa algoritma baru jauh lebih efisien dalam menyaring informasi yang relevan dari tumpukan data media sosial.
Akurasi ini belum memadai. Jika dilihat dari angka absolut, presisi model sebenarnya hanya naik dari 10 persen menjadi 17 persen. Sementara itu, skor F1 - ukuran yang menggabungkan presisi dan tingkat penemuan data relevan - berada di kisaran 27 persen.
Hasilnya memang belum ideal. Kendati demikian, para peneliti menilai capaian ini sebagai langkah maju dalam mengolah data tekstual yang sangat kompleks. Kemampuan menyaring riwayat tulisan pengguna secara bertahap memberikan gambaran baru mengenai pemanfaatan model bahasa untuk analisis perilaku.
Risiko Privasi Jejak Digital Masa Lalu dalam Pandangan AI
Di balik potensi teknisnya, riset George Mason University ini menegaskan batasan eksplisit. Sistem berbasis kecerdasan buatan tersebut saat ini sama sekali belum bisa diandalkan untuk mendiagnosis depresi secara pasti. Perangkat lunak ini tidak dirancang sebagai pengganti evaluasi medis formal di fasilitas kesehatan.
Data lama menyimpan rahasia. Sisi menarik dari pengujian ini justru terletak pada seberapa banyak informasi sensitif yang bisa diekstrak dari jejak digital masa lalu. Pengguna kerap tidak menyadari bahwa kebiasaan menulis status beberapa tahun silam mampu membentuk profil psikologis yang dapat dibaca oleh algoritma modern.
Potensi Pemrosesan Data dan Evaluasi Masa Depan
Pengembangan pemrosesan data berbasis Model AI Pemindai Medsos menunjukkan bahwa analitik teks dapat difungsikan untuk pemetaan awal, meski belum siap untuk ranah klinis. Berikut adalah ringkasan evaluasi teknis dari metode yang dikembangkan:
• Kelebihan Pemrosesan: Memiliki sistem pemfilteran bertahap yang presisi untuk memisahkan cerita pribadi dari kutipan pihak ketiga.
• Penggunaan Standar Teruji: Mengintegrasikan 21 pertanyaan Beck Depression Inventory (BDI-II) secara terstruktur.
• Keterbatasan Diagnostik: Presisi absolut sebesar 17 persen dan skor F1 di angka 27 persen menandakan tingginya risiko hasil positif palsu.
• Implikasi Privasi: Menyoroti pentingnya kesadaran pengguna atas riwayat data personal yang diunggah ke platform publik.
Secara keseluruhan, pengujian algoritma dari George Mason University ini menjadi bukti awal bahwa jejak aktivitas online memiliki nilai analitis yang besar. Meskipun belum siap menjadi alat ukur medis mandiri, inovasi ini memberikan arah baru bagi riset analisis data besar di bidang kesehatan mental.
