Wetenschap
Professor Dean Ho (eerste van links) toont een schematische mobiele versie van CURATE.AI, terwijl de heer Theodore Kee (zittend) de simulatorsoftware voor vluchtoperaties demonstreert. Bij hen zijn assistent-professor Christopher L. Asplund (tweede van links) en Dr. Agata Blasiak (derde van links). Krediet:Nationale Universiteit van Singapore
In een recente pilotstudie onderzoekers van de National University of Singapore (NUS) hebben aangetoond dat een krachtig platform voor kunstmatige intelligentie (AI), bekend als CURATE.AI, mogelijk kan worden gebruikt om trainingsregimes voor individuen aan te passen om het leren te personaliseren en de cognitieve prestaties te verbeteren. Met behulp van prestatiegegevens van een bepaalde persoon, CURATE.AI creëert een geïndividualiseerd profiel waarmee cognitieve training kan worden aangepast aan de leergewoonten en competenties van het individu om de effectiviteit van de training te vergroten.
Een dergelijke dynamische AI-geleide personalisatie overwint de huidige beperkte verbetering die wordt veroorzaakt door het gebruik van traditionele trainingsmethoden, die vaak gepaard gaan met repetitieve gedragsoefeningen. De resultaten van het onderzoek leveren het bewijs dat het CURATE.AI-platform het potentieel heeft om het leren, en maakt de weg vrij voor veelbelovende toepassingen voor gepersonaliseerde digitale therapie, inclusief het voorkomen van cognitieve achteruitgang.
Het onderzoek, onder leiding van professor Dean Ho en assistent-professor Christopher L. Asplund van het N.1 Institute for Health (N.1) van NUS, dat voorheen het Singapore Institute for Neurotechnology (SINAPSE) was, werd gepubliceerd in het tijdschrift Geavanceerde therapieën op 22 mei 2019.
Beperkingen van traditionele cognitieve training
Traditionele leerbenaderingen zijn vaak gebaseerd op herhaling, waarbij deelnemers continu onder hetzelfde intensiteitsniveau worden getraind, of gestaag toenemende intensiteitsniveaus in de loop van de tijd. Hoewel dergelijke benaderingen kunnen leiden tot betere prestaties, ze bereiken mogelijk niet bij elke deelnemer optimale resultaten. In aanvulling, het beste traject van verbetering zal specifiek zijn voor het individu, en de taak moet worden aangepast aan het individu.
Door de jaren heen, er zijn verschillende benaderingen bestudeerd om de cognitieve prestaties te verbeteren, variërend van medicamenteuze behandelingen tot videogames en mentale oefeningen. Recenter, het gebied van digitale therapie is ontstaan, waarbij mobiele toepassingen worden onderzocht als vervanging voor medicamenteuze behandelingen.
"Iedereen is uniek, dus als het gaat om trainen of leren, prestatie-uitkomsten zullen zeker aanzienlijk verschillen van persoon tot persoon. Technologie gebruiken om het leren te verbeteren is een goede manier om de uitdagingen aan te gaan die conventionele leerbenaderingen verwarren. Wat ontbreekt, zijn benaderingen die de prestaties van elke gebruiker goed kunnen afstemmen om een snelle verbetering van de training te stimuleren. Dit is waar CURATE.AI kan komen om de kloof te dichten, " vertelde Prof Ho, wie is de directeur van N.1, en ook een Provost's Chair Professor van de afdelingen Biomedische Technologie en Farmacologie van NUS, evenals een lid van het Biomedical Institute for Global Health Research and Technology (BIGHEART) bij NUS.
CURATE.AI is een platform voor kunstmatige intelligentie dat is ontwikkeld door een team van ingenieurs onder leiding van Prof Ho. Het werkt door de eigen gegevens van een persoon te gebruiken, zoals trainingsintensiteit en bijbehorende taakprestatiescores, om de unieke reactie van de persoon te kalibreren. Deze kalibratie wordt vervolgens gebruikt om een geïndividualiseerd CURATE.AI-profiel te maken, die het best mogelijke trainingsregime in kaart kan brengen en lokaliseren om de prestaties van de persoon optimaal te stimuleren.
AI gebruiken om cognitieve prestaties te optimaliseren
Om af te leiden hoe optimale cognitieve prestaties kunnen worden bereikt, het NUS-onderzoeksteam onderzocht eerst hoe mensen taken uitvoeren. Het team gebruikte een simulatorsoftware voor vluchtoperaties die is ontwikkeld door de Amerikaanse luchtmacht en de National Aeronautics and Space Administration. Taken in de software zijn onder meer het beheren van brandstoftankniveaus, een doel volgen met een joystick, een radio afstellen als reactie op verbale commando's, en reageren op indicatielampjes en meters.
Een groep van 28 deelnemers werd getest op hoe goed ze in staat waren om meerdere taken tegelijkertijd uit te voeren die door de software werden vereist. Zelfs met dezelfde activiteitenreeksen en controle-instellingen, de deelnemers presteerden anders. Bijvoorbeeld, voor een taak die een reactie op een waarschuwingssignaal vereist, de beste presteerder zou twee keer sneller kunnen reageren dan de slechtste presteerder. De meeste deelnemers verbeterden in de loop van de tijd, maar hun respectieve verbeteringspercentages waren zeer gevarieerd. In aanvulling, de verbetering van dezelfde deelnemer varieerde vaak van dag tot dag.
"De grote verschillen laten duidelijk zien dat een one-size-fits-all trainingsregime op basis van statische herhaling niet geschikt is om het leren te optimaliseren. We hebben een strategie nodig die de training aanpast - die veel taken kan omvatten die met elkaar interfereren - volgens de wisselende reacties van de deelnemer, " zei Asst Prof Asplund, die ook van het Yale-NUS College is.
Als zodanig, het onderzoeksteam voerde een pilotstudie uit met behulp van CURATE.AI om geïndividualiseerde trainingsprofielen te creëren.
Drie deelnemers hebben een training gevolgd met behulp van de flight operations simulator-software, met lage, gemiddelde en hoge intensiteitsniveaus. Hun prestatiescores op deze niveaus lieten sterk geïndividualiseerde resultaten zien.
De resultaten van de pilotstudie toonden aan dat, hoewel sommige deelnemers kunnen gedijen bij een hoge intensiteit, anderen kunnen beter presteren onder lagere intensiteitsniveaus. Dit geeft aan dat om de prestaties te optimaliseren, trainingsintensiteit moet op een bepaald moment dynamisch worden gevarieerd, omdat het handhaven van dezelfde intensiteit tijdens een trainingssessie het verbeteringstraject kan belemmeren. In aanvulling, de verschillende trajecten die werden waargenomen tussen elke deelnemer waren opvallend, het versterken van de noodzaak om het cognitieve trainingsproces te personaliseren, omdat geen twee onderwerpen hetzelfde zijn.
"Bij langdurige studies, we kunnen mogelijk de continu veranderende regimes identificeren die de prestaties op de lange termijn verder kunnen verbeteren. Dit kan mogelijkheden bieden voor CURATE.AI om te worden gebruikt voor andere toepassingen, zoals het voorkomen van cognitieve achteruitgang, en digitale therapie, " legde meneer Theodore Kee uit, de eerste auteur van de studie en tevens lid van N.1.
Verdere studies
Het NUS-team is van plan om mobiele software te ontwikkelen die is geïntegreerd met CURATE.AI en die kan worden uitgebreid naar andere digitale therapie- en gepersonaliseerde leertoepassingen. In aanvulling, het team is van plan prospectieve onderzoeken uit te voeren waarbij deelnemers gedurende langere tijd met de simulatorsoftware voor vluchtoperaties communiceren, om te bepalen of CURATE.AI-training het langdurig behoud van geoptimaliseerde trainingsprestaties mogelijk maakt.
Wetenschap © https://nl.scienceaq.com