Phoebe Newman Streszczenie: Algorytmy uczenia maszynowego pomagają naukowcom zidentyfikować wzorce mowy u dzieci ze spektrum autyzmu, które są spójne w różnych językach.
źródło: Uniwersytet Północno-Zachodni
Nowe badanie prowadzone przez naukowców z Northwestern University wykorzystało uczenie maszynowe – gałąź sztucznej inteligencji – do identyfikacji wzorców mowy u dzieci z autyzmem, które były spójne między językiem angielskim i kantońskim, co sugeruje, że cechy mowy mogą być przydatnym narzędziem do diagnozowania stanu.
Przeprowadzone we współpracy ze współpracownikami w Hongkongu badania dostarczyły informacji, które mogą pomóc naukowcom odróżnić czynniki genetyczne i środowiskowe, które kształtują zdolności komunikacyjne osób z autyzmem, co może pomóc im dowiedzieć się więcej o pochodzeniu choroby i opracować nowe metody leczenia.
Dzieci z autyzmem często mówią wolniej niż normalnie rozwijające się dzieci i wykazują inne różnice w tonie, wysokości i rytmie. Ale te różnice (które naukowcy nazywają „przypadkowymi różnicami”) były zaskakująco trudne do scharakteryzowania w spójny i obiektywny sposób, a ich pochodzenie pozostawało niejasne przez dziesięciolecia.
Jednak zespół naukowców kierowany przez naukowców z Northwestern Molly Loach i Josepha CY Lau, wraz ze współpracownikiem z Hongkongu Patrickiem Wongiem i jego zespołem, z powodzeniem wykorzystał nadzorowane uczenie maszynowe do identyfikacji różnic w mowie związanych z autyzmem.
Dane wykorzystane do wytrenowania algorytmu to nagrania mówiących po angielsku i kantońsku młodych mężczyzn z autyzmem i bez, opowiadających własną wersję scenorysu w bezsłownej książeczce z obrazkami dla dzieci zatytułowanej „Żaba, gdzie jesteś?”.
Wyniki zostały opublikowane w czasopiśmie PLUS JEDEN 8 czerwca 2022 r.
Loach, Jo-Ann J. Piotr F. Dolly jest profesorem trudności w uczeniu się na Northwestern University.
„Ale interesująca jest również obserwowana przez nas wariancja, która może wskazywać na bardziej płynne cechy mowy, które potencjalnie byłyby dobrymi celami interwencji”.
Lau dodał, że wykorzystanie uczenia maszynowego do identyfikacji kluczowych elementów mowy predykcyjnych dla autyzmu jest ważnym krokiem naprzód dla naukowców, którzy byli ograniczani przez stronniczość języka angielskiego w badaniach autyzmu i ludzkiej podmiotowości, jeśli chodzi o klasyfikowanie różnic w mowie. między autyzmem a nieautyzmem.
„Dzięki tej metodzie byliśmy w stanie zidentyfikować cechy mowy, które mogą przewidzieć diagnozę autyzmu” – powiedział Lau, badacz z tytułem doktora pracujący z Loachem w Roxlin and Richard Pepper Department of Communication Sciences and Disorders w Northwestern.
„Najważniejszą z tych cech jest rytm. Mamy nadzieję, że to badanie będzie podstawą do przyszłych prac nad autyzmem, które usprawniają uczenie maszynowe”.
Naukowcy są przekonani, że ich praca może przyczynić się do lepszego zrozumienia autyzmu. Lau powiedział, że sztuczna inteligencja może ułatwić diagnozę autyzmu, pomagając zmniejszyć obciążenie pracowników służby zdrowia, czyniąc diagnozę autyzmu bardziej dostępną dla większej liczby osób. Mógłby również stanowić narzędzie, które pewnego dnia może wykroczyć poza kultury, dzięki zdolności komputera do analizowania słów i dźwięków w sposób ilościowy, niezależnie od języka.
Ponieważ cechy mowy zidentyfikowane za pomocą uczenia maszynowego obejmują zarówno cechy wspólne dla języka angielskiego, kantońskiego, jak i te specyficzne dla jednego języka, powiedział Loch, uczenie maszynowe może być przydatne do opracowywania narzędzi, które nie tylko identyfikują aspekty mowy odpowiednie do interwencji terapeutycznych, ale także mierzą wpływ tych interwencji poprzez ocenę postępów mówcy w czasie.
Wreszcie, wyniki badania mogą przyczynić się do podjęcia wysiłków w celu zidentyfikowania i zrozumienia roli określonych genów i mechanizmów przetwarzania mózgu związanych z genetyczną podatnością na autyzm, stwierdzili autorzy. Ostatecznie ich celem jest stworzenie bardziej kompleksowego obrazu czynników, które składają się na osoby z autystyczną różnicą mowy.
„Jedną z zaangażowanych sieci mózgowych jest ścieżka słuchowa na poziomie podkorowym, która jest ściśle związana z różnicami w przetwarzaniu dźwięków mowy w mózgu przez osoby z autyzmem w porównaniu z tymi, które zwykle rozwijają się w różnych kulturach” – powiedział Lau.
Następnym krokiem będzie ustalenie, czy te różnice w przetwarzaniu w mózgu prowadzą do obserwowanych tutaj wzorców mowy behawioralnej i leżącej u ich podstaw neurogenetyki. Jesteśmy podekscytowani tym, co nadejdzie”.
Zobacz też
Informacje o nowościach badawczych dotyczących AI i ASD
autor: Maks Wittinsky
źródło: Uniwersytet Północno-Zachodni
Kontakt: Max Wittinsky – Northwestern University
obrazek: Obraz jest w domenie publicznej
oryginalne wyszukiwanie: otwarty dostęp.
„Międzyjęzykowe wzorce różnic mowy w autyzmie: badanie uczenia maszynowegoNapisane przez Josepha C.Y. Lau et al. PLUS JEDEN
Streszczenie
Międzyjęzykowe wzorce różnic mowy w autyzmie: badanie uczenia maszynowego
Różnice w prezentacji mowy są szeroko obserwowaną cechą zaburzeń ze spektrum autyzmu (ASD). Nie jest jednak jasne, w jaki sposób stereotypowe różnice w ASD w różnych językach pokazują międzyjęzykową różnorodność prezentacji.
Korzystając z nadzorowanego podejścia do uczenia maszynowego, zbadaliśmy cechy wokalne związane z rytmicznymi i tonalnymi aspektami wykonań, wywodzące się z próbek narracyjnych uzyskanych w języku angielskim i kantońskim, dwóch językach, które są zazwyczaj odrębne i epizodyczne.
Nasze modele ujawniły skuteczną klasyfikację diagnozy ASD przy użyciu względnych cech rytmu w obu językach i między nimi. Klasyfikacja z cechami związanymi z intonacją była ważna dla języka angielskiego, ale nie kantońskiego.
Odkrycia podkreślają różnice w tempie jako główną cechę epizodyczną dotkniętą autyzmem, a także ilustrują ważną różnorodność innych ogólnych cech, które wydają się być kształtowane przez różnice językowe, takie jak intonacja.
