חיזוי הבדלים בין‑אישיים ביעילות התערבות דיגיטלית נגד שתיית אלכוהול באמצעות נתונים מולטימודאליים

מדוע הרגלי השתייה של החברים שלכם חשובים

רבים מהצעירים רוצים להקטין את צריכת האלכוהול אבל לא תמיד יש להם זמן או כסף לייעוץ פרונטלי. תוכניות לטלפונים חכמים ששולחות תזכורות קצרות מבוססות פסיכולוגיה מציעות חלופה נוחה. עם זאת, כלים דיגיטליים כאלה לא נכונים לכל אחד באותה מידה. המחקר הזה הציב שאלה עדכנית: האם אפשר לחזות מראש מי צפוי להרוויח מהתערבות דיגיטלית נגד אלכוהול, באמצעות מידע על רגשות, מוח, חוויות חברתיות—והכי חשוב—על התפיסות של אנשים לגבי כמה חבריהם שותים?

טלפונים חכמים כמאמנים בכיס

החוקרים עבדו עם סטודנטים לשעבר בקמפוסים באוניברסיטאות בארצות הברית שהיו צורך־חברה חברתית. למשך 28 יום קיבלו הסטודנטים הודעות טקסט פעמיים ביום שהדריכו "התרחקות פסיכולוגית". חלק מההודעות אימנו מיינדפולנס — לשים לב למחשבות ולחשקים בלי לפעול על פיהם. אחרות קידמו לקיחת פרספקטיבה — לדמיין כיצד חבר השותה מעט היה חושב ומרגיש במצב זה. בשבועות "אקטיביים" הסטודנטים קיבלו את תזכורות ההתרחקות; בשבועות "לא אקטיביים" הם דיווחו רק על השתייה שלהם ונאמר להם להגיב באופן טבעי. עיצוב ההדלקה/כיבוי הזה אפשר לחוקרים לראות האם אנשים אכן שתו פחות כשהמאמן הדיגיטלי הופעל.

הרבה סוגי נתונים, שאלה מרכזית אחת

לפני תחילת ההתערבות המלאה, הסטודנטים מילאו הערכות מקיפות. הם ענו על שאלות לגבי הרגלי השתייה והמניעים שלהם, מצב רוח ואישיות, ועד כמה הם מרגישים נתונים ללחץ חברתי. הם מיפו את רשתות החברים שלהם, ציינו מי בקבוצה שותה הכי הרבה או מי בעל השפעה חברתית גבוהה. לחלקם גם נערכו סריקות מוח בזמן שצפו בתמונות הקשורות לאלכוהול ולסיטואציות חברתיות. הצוות הזין את כל הנתונים ה"מולטימודאליים" האלה — פסיכולוגיים, חברתיים, עצביים ודמוגרפיים — למספר מודלים של למידת מכונה. המטרה היתה לבדוק האם המחשב יכול ללמוד למיין סטודנטים ל"מגיבים", שהפחיתו את תדירות האירועים השבועית ביותר מאשר באחד, ו"לא‑מגיבים", שלא עשו כך.

מה שאתם חושבים שחבריכם שותים חוזה שינוי

להפתעה, המנבאים החזקים ביותר לא היו סריקות מוח או מבחני אישיות מפורטים, אלא חמש שאלות פשוטות על שתיית חברים בתפיסה. הסטודנטים דירגו כמה לעתים וכמה שותים השותים הכבדים בקבוצה שלהם, ועד כמה הקבוצה נראתה תומכת בשתייה ובשתייה מוגזמת. שימוש בקבוצת תשובות קטנה זו בלבד, מודל יער אקראי אבחן נכון בין מגיבים ללא‑מגיבים בכ־71% מהמקרים במדגם הסטודנטים הראשון — רמה העומדת על או מעל הספים שמחקרים קודמים בתחום הבריאות הדיגיטלית מחשיבים כמשמעותיים להנחיית טיפול. כאשר אותו מודל נבחן במדגם עצמאי שני, ביצועיו נשמרו ברמה דומה, מה שמרמז שהתוצאות אינן מקרה של קבוצה או תקופה אחת.

שתיינים מתונים ותכופים הם הנקודה המתאימה

בהסתכלות עמוקה יותר, ההתערבות עבדה הכי טוב עבור סטודנטים שראו את השותים הכבדים אצלם כצרכני אלכוהול רגילים אך לא קיצוניים — בערך פעם עד פעמיים בשבוע וכמה משקאות בכל פעם. אלה שראו את חבריהם כצרכנים מאוד לא תכופים היו פחות סבירים לשינוי, אולי משום שהשתייה כבר היתה נדירה בחוגיהם. אלו שחשבו שחבריהם שותים באופן כבד מאוד לא נהנו גם הם מאותה תועלת, אולי כי הלחץ החברתי לשתות היה חזק מדי בשביל תזכורות טקסט קצרות כדי להתנגד לו. לתדהמה, אלו היו התפיסות שחשבו, לא הדיווחים העצמיים של החברים עצמם. הסטודנטים נטו להמעיט בהערכת כמות השתייה של חבריהם הכבדים, ובכל זאת האמונות הללו השפיעו על מי הגיב.

מה המשמעות לחיי היומיום

ללא‑מומחים, המסקנה היא שהאמונות שלנו לגבי מה שחברים עושים יכולות להשפיע חזק על עד כמה כלים דיגיטליים פשוטים יעזרו לנו להקטין את האלכוהול. שאלון קצר על שתיית חברים בתפיסה — מדד זול וקל להפצה — הספיק לאלגוריתמים כדי לבצע תחזיות די מדויקות לגבי מי יפיק תועלת מתוכנית התרחקות מבוססת טקסט. בעתיד, אפליקציות יכולות להשתמש בכמה שאלות על המעגל החברתי שלכם כדי להחליט האם להציע תוכנית סטנדרטית, גרסה אינטנסיבית יותר או סוג אחר של תמיכה. אם כי נדרשת עוד עבודה בקבוצות גדולות ומגוונות יותר, המחקר מראה שעזרה דיגיטלית חכמה ומותאמת אישית לשימוש באלכוהול עשויה להיות רק כמה שאלות נבחרות הרחק.

ציטוט: Fuchs, M., Boyd, Z.M., Schwarze, A. et al. Predicting individual differences in digital alcohol intervention effectiveness through multimodal data. npj Digit. Med. 9, 170 (2026). https://doi.org/10.1038/s41746-026-02356-4

מילות מפתח: התערבות דיגיטלית נגד אלכוהול, תפיסות משתייה של חברים, התרחקות פסיכולוגית, למידת מכונה בבריאות, שתיית סטודנטים