Veel kinderen met autisme kampen met ontwikkelingsachterstanden, inclusief communicatie- en gedragsproblemen en problemen met sociale interactie. Dit maakt het aanleren van nieuwe vaardigheden een grote uitdaging, vooral in traditionele schoolomgevingen.

Eerder onderzoek suggereert dat sociaal ondersteunende robots kinderen met autisme kunnen helpen leren. Maar deze therapeutische interventies werken het beste als de robot het gedrag van het kind nauwkeurig kan interpreteren en adequaat kan reageren.

Nutsvoorzieningen, onderzoekers van de afdeling Computerwetenschappen van het USC hebben gepersonaliseerde leerrobots ontwikkeld voor kinderen met autisme. Ze onderzochten ook of de robots de interesse van een kind in een taak konden inschatten met behulp van machine learning.

In een van de grootste onderzoeken in zijn soort, de onderzoekers plaatsten een maand lang een sociaal ondersteunende robot bij 17 kinderen met autisme. De robots stemden tijdens de interventies hun instructie en feedback af op de unieke leerpatronen van elk kind.

Nadat de studie was afgerond, de onderzoekers analyseerden ook de betrokkenheid van de deelnemers en stelden vast dat de robot autonoom had kunnen detecteren of het kind al dan niet betrokken was met een nauwkeurigheid van 90%. De resultaten van de experimenten zijn gepubliceerd in de Grenzen in robotica en AI en Wetenschap Robotica , tijdschriften op 6 november en 26 februari, respectievelijk.

Robots slimmer maken

Robots zijn beperkt in hun vermogen om autonoom gedragssignalen te herkennen en erop te reageren, vooral in atypische gebruikers en real-world omgevingen. Deze studie is de eerste die de leerpatronen en de betrokkenheid van kinderen met autisme op lange termijn modelleert. instelling in huis.

"De huidige robotsystemen zijn erg rigide, " zei hoofdauteur Shomik Jain, een progressieve wiskundestudent geadviseerd door professor Maja Matarić, pionier op het gebied van sociaal ondersteunende robotica.

"Als je denkt aan een echte leeromgeving, de leraar gaat dingen over het kind leren, en het kind zal er dingen van leren. Het is een bidirectioneel proces en dat gebeurt niet met de huidige robotsystemen. Dit onderzoek heeft tot doel robots slimmer te maken door het gedrag van het kind te begrijpen en er in realtime op te reageren."

De onderzoekers benadrukken dat het doel is om de menselijke therapie te verbeteren, het niet vervangen.

"Menselijke therapeuten zijn cruciaal, maar ze zijn misschien niet altijd beschikbaar of betaalbaar voor gezinnen, " zei Kartik Mahajan, een niet-gegradueerde student informatica en co-auteur van de studie. "Dat is waar sociaal ondersteunende robots zoals deze binnenkomen."

De leerervaring verbeteren

Gefinancierd door een National Science Foundation (NSF) subsidie ​​gegeven aan Matarić, het onderzoeksteam plaatste de robot Kiwi ongeveer een maand in de huizen van 17 kinderen met autismespectrumstoornissen. De kinddeelnemers waren allemaal tussen de 3 en 7 jaar oud en kwamen uit de omgeving van Los Angeles.

Tijdens bijna dagelijkse interventies, de kinderen speelden rekenspelletjes met ruimtethema op een tablet terwijl Kiwi, een 2 meter hoge robot gekleed als een groene gevederde vogel, instructie en feedback gegeven.

De feedback van Kiwi en de moeilijkheidsgraad van de spellen werden in realtime gepersonaliseerd volgens de unieke leerpatronen van elk kind. Matarić's team in het USC Interaction Lab heeft dit bereikt met behulp van versterkend leren, een snel groeiend deelgebied van kunstmatige intelligentie (AI).

De algoritmen volgden de prestaties van het kind op de rekenspelletjes. Bijvoorbeeld, als een kind het juiste antwoord heeft gegeven, Kiwi zou zoiets zeggen als, "Goed gedaan!". Als ze een vraag fout hadden, Kiwi kan ze misschien wat handige tips geven om het probleem op te lossen, en pas de moeilijkheidsgraad en feedback aan in toekomstige games. Het doel was om de moeilijkheidsgraad te maximaliseren, terwijl de leerling ook niet wordt gedwongen om te veel fouten te maken.

"Als je geen idee hebt wat het vaardigheidsniveau van het kind is, je gooit gewoon een heleboel verschillende problemen naar ze toe en het is niet goed voor hun betrokkenheid of leren, ' zei Jaïn.

"Maar als de robot een geschikte moeilijkheidsgraad voor de problemen kan vinden, dan kan dat de leerervaring echt verbeteren."

De ultieme grens

Er is een populair gezegde onder mensen met autisme en hun families:als je één persoon met autisme hebt ontmoet, je hebt een persoon met autisme ontmoet.

"Autisme is de ultieme grens voor robotpersonalisatie, want zoals iedereen die weet over autisme je zal vertellen, elk individu heeft een constellatie van symptomen en verschillende ernst van elk symptoom, " zei Matarić, Chan Soon-Shiong Distinguished Professor in Computer Science, neurowetenschap, en Kindergeneeskunde en Interim Vice President of Research.

Dit vormt een bijzondere uitdaging voor machine learning, die meestal afhankelijk is van het vinden van consistente patronen in enorme hoeveelheden vergelijkbare gegevens. Daarom is personalisatie zo belangrijk.

"Als we een signaal van een kind nemen, we kunnen zoveel meer bereiken dan alleen een script volgen, " zei Matarić. "Normale AI-benaderingen mislukken bij autisme. AI-methoden vereisen veel vergelijkbare gegevens en dat is gewoon niet mogelijk met autisme, waar heterogeniteit heerst."

De onderzoekers pakten dit probleem aan in hun analyse van de betrokkenheid van de kinderen na de interventie. Computermodellen voor betrokkenheid werden ontwikkeld door vele soorten gegevens te combineren, inclusief oogblik en hoofdhouding, audio toonhoogte en frequentie, en prestaties op de taak.

Het was een grote uitdaging om deze algoritmen te laten werken met behulp van real-world data, gezien de bijhorende herrie en onvoorspelbaarheid.

"Dit experiment stond midden in hun leerervaring, " zei Kartik, die hielpen bij het installeren van de robots in de kindertehuizen.

"Er waren katten die op de robot sprongen, een blender die afgaat in de keuken, en mensen die de kamer in- en uitgaan." de machine learning-algoritmen moesten geavanceerd genoeg zijn om zich te concentreren op relevante informatie met betrekking tot de therapiesessie en omgevingslawaai te negeren.

Verbetering van de interactie tussen mens en robot

Evaluaties werden uitgevoerd voor en na de interventies van een maand. Hoewel de onderzoekers enkele verbeteringen bij de deelnemers verwachtten, de resultaten overtroffen hun verwachtingen. Aan het einde van de maandinterventie, 100% van de deelnemers toonde verbeterde rekenvaardigheden, terwijl 92% ook verbeterde in sociale vaardigheden.

In post-experimentanalyses, de onderzoekers waren ook in staat om wat andere interessante informatie uit de gegevens te halen die ons een kijkje zou kunnen geven in het recept voor ideale kind-robot-interacties.

De studie observeerde een hogere betrokkenheid bij alle deelnemers kort nadat de robot had gesproken. specifiek, deelnemers waren ongeveer 70% van de tijd betrokken toen de robot de vorige minuut had gesproken, maar minder dan 50% van de tijd als de robot langer dan een minuut niet had gesproken.

Hoewel een gepersonaliseerd model voor elke gebruiker ideaal is, de onderzoekers stelden ook vast dat het mogelijk was om adequate resultaten te bereiken met behulp van engagementmodellen die waren getraind op gegevens van andere gebruikers.

Bovendien, Uit het onderzoek bleek dat verzorgers alleen hoefden in te grijpen als een kind de interesse voor een langere periode verloor. In tegenstelling tot, deelnemers gingen meestal vanzelf weer aan de slag na kortere perioden van desinteresse. Dit suggereert dat robotsystemen zich moeten concentreren op het tegengaan van langere perioden van uitschakeling.

Het laboratorium van Matarić zal de gegevens uit het experiment blijven bestuderen:een actief subproject omvat het analyseren en modelleren van de cognitief-affectieve toestanden van de kinderen, inclusief emoties zoals verwarring of opwinding. Het project, geleid door progressieve graad in computerwetenschappen student Zhonghao Shi, heeft tot doel affect-bewuste sociaal ondersteunende robot-tutors te ontwerpen die nog gevoeliger zijn voor de emoties en stemmingen van zijn gebruikers in de context van leren.

"De hoop is dat toekomstige studies in dit laboratorium en elders alle dingen die we hebben geleerd kunnen meenemen en hopelijk meer boeiende en gepersonaliseerde mens-robot-interacties kunnen ontwerpen, ' zei Jaïn.