这个工作传统上是通过问卷调查来完成的，但是社交媒体上的数据不引人注目，获取成本很低，并且能带来数量级上更大的数据。这些数据非常凌乱，但是人工智能提供了一种强大的分析其中模式的方法。在最近的一项研究中，Seligman博士观察了29000名进行过抑郁症自我评估的Facebook用户的更新。通过其中28000个用户的数据，机器学习算法发现了更新中的用词和抑郁水平的关联，然后根据其它用户的更新成功地预测了他们的抑郁水平。

▲人工智能通过分析社交媒体上的数据预测用户抑郁水平（图片来源：Facebook）

在另一项研究中，这个团队成功地通过分析1.48亿推文预测了县一级的心脏病死亡率，与愤怒和负面关系相关的用词是风险因素。这个预测与传统的通过吸烟、糖尿病等10大风险因素预测的心脏病死亡率相符。研究人员还通过社交媒体预测人格、收入、政治观点，并且研究了医院护理、神秘经历和性格类型等等。他们还根据Twitter更新，创造了一幅精确到县的基于幸福感、抑郁水平、信任感和5个性格特征的地图。

美国得克萨斯大学的社会心理学家James Pennebaker博士表示：“分析语言和心理学的联系正在经历一场革命。”他的研究不仅注重用词，还注意语言风格。比如说，在大学入学考试作文中虚词的用法能够预测成绩，定冠词和介词代表了分析思维因此成绩更好，而代词和副词代表叙事思维因而成绩会差一些。他的研究还发现一部写于1728年的话剧《Double Falsehood》很可能是莎士比亚的作品，因为机器学习算法发现这部作品中的认识复杂度和对于罕见词的使用符合莎士比亚的其它作品。Pennebaker博士表示：“现在我们可以分析你所发表过的任何帖子，以此获得越来越丰富的人的形象。”

在基因组中寻找自闭症的根源

对于遗传学家来说，自闭症是一个棘手的挑战。遗传模式显示它有很强的基因因素，但已知的与自闭症相关的数十种基因变体加在一起只能解释所有病例中的大约20%。寻找其它可能有关的基因变体意味着要在25000个人类基因及其周围DNA片段中寻找线索，这超出了人类研究人员的能力。所以来自美国普林斯顿大学的计算生物学家Olga Troyanskaya博士和纽约市的Simons基金会想到了使用人工智能工具。

纽约基因组中心创始人、洛克菲勒大学医生和科学家Robert Darnell博士表示：“我们作为生物学家对自闭症的基础只能进行有限的研究，当一个科学家只能解决10个问题时，计算机能够解决数万亿的问题，这将改变整个游戏的规则。”

Troyanskaya博士结合数百组不同的数据，这包括了不同人类细胞中活跃的基因、蛋白质相互作用、转录因子结合的部位以及其它关键基因组特征的位置。然后，她的团队利用机器学习算法建立了基因相互作用的地图，并将少数已知自闭症基因和数千个未知基因相比较，他们发现了2500个可能与自闭症有关的基因。这项研究于去年发表在了《Nature Neuroscience》上。