শৈশবের ভাষার ধরন পরবর্তী মানসিক স্বাস্থ্যঝুঁকির ইঙ্গিত দিতে পারে

নির্ণয়ের বহু বছর আগেই বক্তৃতার ধরন ঝুঁকির সংকেত হতে পারে

স্ট্যানফোর্ডের গবেষকদের মতে, শিশুরা কীভাবে চাপজনক অভিজ্ঞতা সম্পর্কে কথা বলে, তা ভবিষ্যতের মানসিক স্বাস্থ্যঝুঁকির প্রাথমিক সংকেত দিতে পারে, সম্ভবত বিষণ্নতা বা উদ্বেগ আনুষ্ঠানিকভাবে নির্ণয় হওয়ার বহু বছর আগেই। Nature Mental Health-এ প্রকাশিত এক গবেষণায়, দলটি ৯ থেকে ১৩ বছর বয়সী ২০০-রও বেশি শিশুর রেকর্ড করা সাক্ষাৎকার বিশ্লেষণ করতে natural language processing models ব্যবহার করেছে। তারপর এই models অনুমান করেছে, ওই শিশুদের মধ্যে কারা ছয় বছর পরে মানসিক স্বাস্থ্য সমস্যা তৈরি করবে।

এই ফল গুরুত্বপূর্ণ, কারণ কৈশোর হলো সেই সময় যখন বিষণ্নতা ও উদ্বেগ প্রায়ই দেখা দিতে শুরু করে, অথচ লক্ষণ গুরুতর হওয়ার আগে কোন শিশুরা সবচেয়ে ঝুঁকিপূর্ণ তা শনাক্ত করার জন্য চিকিৎসকদের হাতে এখনও সীমিত উপায় রয়েছে। গবেষকদের মতে, নতুন এই কাজটি এমন একটি screening approach-এর দিকে ইঙ্গিত করে যা তুলনামূলকভাবে সস্তা, scalable, এবং শিশুদের স্বাভাবিক একটি আচরণের ওপর ভিত্তি করে: কথা বলা।

গবেষণাটি কীভাবে করা হয়েছে

গবেষণা দল সেই সাক্ষাৎকারগুলো মূল্যায়ন করেছে, যেখানে শিশুরা তাদের জীবনের চাপজনক ঘটনাগুলো বর্ণনা করেছিল। transcripts-এ চারটি ভিন্ন language models প্রয়োগ করা হয়। সব models জুড়েই system পরে মানসিক স্বাস্থ্যফল অনুমান করতে অত্যন্ত নির্ভুল ছিল, এবং একই উপাদান পর্যালোচনা করা মানব বিশেষজ্ঞদের একটি দলকে ছাড়িয়ে গেছে।

গবেষণার অন্যতম মূল ফল হলো, পূর্বাভাসমূলক মান শিশুরা কী বলেছে তার চেয়ে কীভাবে বলেছে তার ওপর বেশি নির্ভর করেছিল। speech-এর গঠন, এমনকি “and,” “to,” এবং “but”-এর মতো ছোট connector words ব্যবহারও, বর্ণিত চাপজনক ঘটনার নির্দিষ্ট বিবরণের চেয়ে বেশি তথ্যবহুল ছিল।

এই পার্থক্য গুরুত্বপূর্ণ। এটি ইঙ্গিত করে যে models শুধু এমন শিশুদের চিহ্নিত করেনি যারা বেশি নাটকীয় বা স্পষ্টভাবে গুরুতর stressors-এর মুখোমুখি হয়েছিল। বরং, তারা এমন language organization patterns ধরেছে যা একটি শিশু কীভাবে মানসিকভাবে stress প্রক্রিয়া করে তা প্রতিফলিত করতে পারে। বাস্তব দিক থেকে, এর মানে হলো, আলাদা আলাদা শিশুর অভিজ্ঞতা ভীষণ ভিন্ন হলেও speech-based assessment কাজে লাগতে পারে।

speech analysis-এ গবেষকেরা কেন সম্ভাবনা দেখছেন

Stanford-এর School of Humanities and Sciences-এর neuroscience doctoral student এবং গবেষণার lead author Chase Antonacci বলেছেন, এই ফলাফল এমন tools-এর জন্য proof of concept, যা নির্ণয়ের আগেই ঝুঁকির চিহ্ন শনাক্ত করতে পারে। এটি বর্তমান ব্যবস্থার একটি গুরুত্বপূর্ণ ঘাটতি। anxiety এবং depressive disorders যখন ক্লিনিক্যালি স্পষ্ট হয়, তখন চিকিৎসা আগেই কঠিন হয়ে যেতে পারে, আর শিশুটি হয়তো বহু বছর ধরে ভুগছে।

ঝুঁকি মূল্যায়নের বর্তমান পদ্ধতিগুলো হয় স্কেল করা কঠিন, নয়তো আরও জটিল প্রক্রিয়া চায়। clinician assessments সহায়ক হতে পারে, কিন্তু সেগুলো সময়সাপেক্ষ এবং প্রশিক্ষিত পেশাদারদের ওপর নির্ভরশীল। অন্য আরও objective methods-এর মধ্যে blood draws, cortisol মাপা, physiological stress responses পর্যবেক্ষণ, অথবা telomere length পরীক্ষা অন্তর্ভুক্ত। এসব পদ্ধতির predictive value থাকতে পারে, তবে এগুলোর জন্য বিশেষ যন্ত্রপাতি, ল্যাব সুবিধা, বা বেশি invasive data collection প্রয়োজন।

Speech আলাদা শ্রেণির। এটি সংগ্রহ করা তুলনামূলক সহজ, অনেক জৈবিক মাপের চেয়ে সস্তা, এবং বড় জনগোষ্ঠীতে প্রয়োগযোগ্য। এর মানে এই নয় যে এটি clinical judgment-এর জায়গা নিতে প্রস্তুত। কিন্তু এর মানে হলো, এটি এমন একটি practical front-end tool হতে পারে, যা কাছ থেকে পর্যবেক্ষণ প্রয়োজন এমন শিশুকে শনাক্ত করতে সাহায্য করবে।

models আসলে কী ধরতে পারে

গবেষণাটি বলছে না যে connector words নিজেরাই পরে মানসিক স্বাস্থ্য সমস্যার কারণ। আরও সম্ভাব্য ব্যাখ্যা হলো, সূক্ষ্ম ভাষাগত ধরন গভীর cognitive বা emotional processes-এর proxy হিসেবে কাজ করে। sentence construction প্রতিফলিত করতে পারে শিশুরা কীভাবে স্মৃতি সাজায়, মনোযোগ নিয়ন্ত্রণ করে, কঠিন ঘটনাকে ব্যাখ্যা করে, বা stress বর্ণনার সময় অনুভূতি ও তথ্যের মধ্যে কীভাবে চলাচল করে।

এটা সত্য হলে, language analysis মূল্যবান হতে পারে কারণ এটি এমন সংকেত ধরে, যা মানব শ্রোতারা ধারাবাহিকভাবে মাপতে কষ্ট পান। একজন clinician বা teacher লক্ষ করতে পারেন যে শিশুটি উদ্বিগ্ন, গুটিয়ে গেছে, বা অস্বাভাবিকভাবে নিস্তেজ লাগছে। কিন্তু machine learning systems শত শত সাক্ষাৎকার জুড়ে বক্তৃতার পুনরাবৃত্ত কাঠামোগত বৈশিষ্ট্য পরিমাপ করতে পারে এবং সেগুলিকে পরবর্তী ফলের সঙ্গে তুলনা করতে পারে, এমন স্কেলে যা মানুষ একা পারে না।

এই সুবিধাই ব্যাখ্যা করে কেন models মানব বিশেষজ্ঞদের দলকে ছাড়িয়ে গেছে। বিশেষজ্ঞের বিচার এখনও অপরিহার্য, বিশেষ করে বাস্তব যত্নের পরিবেশে যেখানে প্রেক্ষাপট গুরুত্বপূর্ণ। তবু এই গবেষণা দেখায়, দৈনন্দিন বক্তৃতার ভেতরে থাকা পরিসংখ্যানগত ধরনে এমন তথ্য থাকতে পারে, যা প্রশিক্ষিত পর্যবেক্ষকেরা মিস করেন বা কানে শুনে নির্ভুলভাবে স্কোর করতে পারেন না।

সম্ভাব্য ব্যবহার এবং সতর্কতা

এই ফলাফলগুলো বড় এবং আরও বৈচিত্র্যময় populations-এও সত্যি হলে, স্কুল, pediatric systems, এবং community health programs speech-based tools ব্যবহার করে প্রাথমিক intervention-এ সহায়তা করতে পারে। কোনো শিশু যখন রুটিন কথোপকথন বা structured interview-এ চাপজনক ঘটনা বর্ণনা করবে, তখন যথেষ্ট ভাষা তৈরি হতে পারে, যাতে model উচ্চ ঝুঁকি অনুমান করে আরও বিস্তারিত মূল্যায়নের প্রয়োজন দেখাতে পারে।

এই সম্ভাবনা আকর্ষণীয়, তবে এতে স্পষ্ট প্রশ্নও আছে। speech-based systems-কে বয়স, dialect, language, এবং সামাজিক পরিবেশ জুড়ে সতর্কভাবে যাচাই করতে হবে। শিশুদের stress নিয়ে করা recordings অত্যন্ত সংবেদনশীল হওয়ায় শক্তিশালী privacy protections-ও প্রয়োজন। কোনো research sample-এ ভালো কাজ করা tool স্বয়ংক্রিয়ভাবে বৃহৎ পরিসরে ব্যবহারের জন্য প্রস্তুত নয়।

এসব সতর্কতা সত্ত্বেও, Stanford গবেষণাটি একটি উল্লেখযোগ্য পদক্ষেপ। এটি প্রাথমিক মানসিক স্বাস্থ্য শনাক্তকরণকে এমন এক সংকেতের চারপাশে নতুনভাবে সংজ্ঞায়িত করে, যা একই সঙ্গে মানবিক এবং সহজলভ্য: দৈনন্দিন ভাষার ভিতরের ধরন। কোনো disorder প্রতিষ্ঠিত হওয়ার পর দেখা দেওয়া লক্ষণগুলোর ওপর শুধু নির্ভর না করে, গবেষকেরা নির্ণয়ের আগে নীরব বছরগুলোতে ঝুঁকি শনাক্ত করার এক পথ দেখাচ্ছেন।

শিশুদের ভবিষ্যৎ মানসিক স্বাস্থ্যঝুঁকির জন্য scalable, objective indicators খুঁজতে দীর্ঘদিন ধরে সংগ্রাম করা একটি ক্ষেত্রে, এই পরিবর্তন গুরুত্বপূর্ণ হতে পারে। এই গবেষণা শিশুদের মানসিক স্বাস্থ্যসেবা সমস্যার সমাধান করে না। তবে এটি ইঙ্গিত দেয় যে আগেভাগে সহায়তার পথ শুরু হতে পারে আরও মনোযোগ দিয়ে শোনা থেকে, এবং এমন tools থেকে যা মানুষের কাছে মূলত গল্প শোনা জায়গায় গঠনও শুনতে পারে।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.