背景

到2037年,香港長者人數估計將會佔1/3人口,達二百三十七萬人。隨著年齡和身體機能減弱,這些長者對個人支援服務(例如家居護理和外出接送等)需求,也會隨之顯著增加,但相關社會服務所需配套的人力資源,卻是一大問題。有些長者院舍甚至預示,他們將會面對70%的人手短缺,逼切需要義務工作者或兼職員工的幫助,來舒緩長者照顧服務的需求。過去幾年,社區互助文化的培育和社區資本發展的需求不斷增加。例如,在 COVID-19肆虐危機期間,向受影響家庭派送藥物、雜貨或膳食的義工服務,對我們的社會至關重要。

「社會科技與研究實驗室」(STAR Lab)是香港大學的一個團隊,旨在開發新的資訊科技,以服務社會 (圖1)。我們以發展“讓社會裨益的數據科學”為目標,用數據為基礎作研究,盼望可使公眾、非政府組織和政府受益。 STAR Lab 目前正與 20 多間非政府組織合作,發展與家庭和老年人相關的社區項目。


圖1. 香港大學社會科技與研究實驗室

HINCare和智能時間銀行

STAR Lab過去三年的主要工作之一,是開發HINCare。這是一個鼓勵社區互助的移動應用程式。我們採用時間銀行的概念 -- 每個用戶都有個人賬戶,用以儲存他 / 她曾提供義工服務的時分(“時間積分”),而用戶可以使用這些時間積分,作日後購買其他服務之用 (圖2)。


圖2. HINCare 移動應用程式

HINCare 使用 HIN(異構信息網絡)向長者或其他服務對象推薦義工。 HIN 是一個大型的網絡數據庫,存儲了長者、義工和 NGO 之間的關係資訊。我們使用 HIN 從數據庫裏,尋找出哪些會是幫助長者 / 服務接受者的最佳義工人選。我們用作長者和義工配對算法的HIN 和 AI 技術,都是基於我們最近的研究結果,而這也是首次將HIN應用於長者和社區關懷服務的支援。

如圖3所示,HIN 是一個圖像數據,包含以類型註釋的“對象(節點)”和“關係(邊)”。大型的數據庫,例如 YAGO 和 DBLP,都可以建模為 HIN。一個關鍵問題,是如何計算兩個 HIN 對象之間的接近度或相關性。量度相關性可用於各種應用,包括實體解析、推薦、和信息檢索。在 HINCare 中,元結構 (meta structure) 是一個對象類型的有向無環圖,其邊類型連接在兩者之間,用於衡量對象之間的接近程度。元結構的優勢,在於它可以描述兩個 HIN 對象之間的複雜關係。由於這些測量方法的複雜性,我們設計了一種適用於 HINCare 應用程式的數據結構算法。


圖3. 異構信息網絡 (HIN)

HINCare 是一個建立在雲端的系統,長者中心和非政府組織的管理員,可以無須安裝軟件,只要通過我們系統的網絡介面,便能執行日常任務(例如,任務分配、活動通知和用戶資料管理等),易學易用。這系統具通用性並且靈活易用,允許各非政府組織輕鬆加入我們的計劃。HINCare系統促進了非政府組織的前線管理員,有效和便捷地使用最新的 IT 和數據科學技術,來進行智能義工服務管理。

傳統的長者照顧服務和時間銀行系統,在配對和營運決策過程中,一般都沒有使用大數據作協助。而我們的HINCare項目,則使用了新嶄新的 HIN 和 AI 技術來進行義工–服務使用者配對。此外,現有一般的時間銀行解決方案,是“封閉式”的(即支持單一機構),但我們的系統,可支援多間機構。建構成的HIN數據庫,能有助於老年學的學者和政策制定者,獲取有關義工服務、互助文化等社會行為的啟迪,從而做出更好的決策。

現在和將來

HINCare 可在 Apple 和 Google Play Store 下載,並已為8間非政府組織,約5,000 多名服務使用者和義工提供服務 (圖4)。部份機構也為HINCare舉辦了推廣活動 (圖5)。HINCare移動應用程式的介面設計,有大的字體和間距,方便使用 (圖2)。我們也舉行了數個訓練班給護理同工和長者 (圖6)。該系統吸引了媒體的廣泛關注,並獲得 2021 年香港資訊及通訊科技獎中智慧市民獎類別的優異獎、2020 年亞洲智能應用程式大獎的優異獎和 2021 年香港大學學院知識交流獎 (圖7)。HINCare 正與政府資助機構–社區投資共享基金 (CIIF) 及其相關非政府組織密切合作,我們盼望可以將平台的使用範圍,擴大到更多的社區項目。

我們相信新的信息和數據科學技術可以應用於社會的各方面; “數據科學造福社會”將令大眾、非政府組織和政府得益。我們將與新成立的香港大學同心基金數據科學研究院密切合作,並讓學生參與程式設計和社會工作。我們還將與政府和商業公司廣泛合作。STAR Lab實驗室將繼續應用信息技術和人工智能來豐富社會資本,促進關愛精神傳承下一代。


圖4. 非政府組織的合作伙伴


圖5. HINCare 應用程式在將軍澳聖公會的攤位


圖6. 基督教家庭服務中心的訓練班


圖7. 獎項


參考文獻


  1. Effective and Efficient Discovery of Top-k Meta Paths in Heterogeneous Information Networks. Z. Zhu, T. N. Chan, R. Cheng, L. Do, Z. Huang, and H. Zhang. IEEE Transactions on Knowledge Engineering (TKDE), 10 Nov 2020 (published online for early access). DOI: 10.1109/TKDE.2020.3037218.
  2. Z. Zhu, R. Cheng, L. Do, and Z. Huang. Evaluating Top-k Meta Path Queries on Large Heterogeneous Information Networks. In the IEEE Intl. Conf. on Data Mining (IEEE ICDM 2018), Singapore, Nov, 2018.
  3. Z. Huang, Y. Zheng, R. Cheng, Y. Sun, N. Mamoulis, and X. Li. Meta Structure: Computing Relevance in Large Heterogeneous Information Networks. In the 22nd ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining (KDD 2016), San Francisco, US, August 2016.
  4. C. Meng, R. Cheng, S. Maniu, P. Senellart, and W. Zhang. Discovering Meta-Paths in Large Heterogeneous Information Networks. In the 24th Intl. World Wide Web Conf. (WWW 2015), Florence, Italy, May 2015.

作者:
香港大學 計算機科學系 鄭振剛教授