社交辅助机器人可帮助自闭症儿童学习

 
许多自闭症儿童面临发育迟缓，包括沟通和行为挑战以及社交互动困难。这使得学习新技能成为主要挑战，尤其是在传统的学校环境中。
先前的研究表明，社交辅助机器人可以帮助自闭症儿童学习。但是，如果机器人可以准确地解释孩子的行为并做出适当反应，则这些治疗干预效果最佳。
现在，南加州大学计算机科学系的研究人员已经为自闭症儿童开发了个性化的学习机器人。他们还研究了机器人是否可以使用机器学习来估计孩子对一项任务的兴趣。
在同类研究中规模最大的一项中，研究人员在17名自闭症儿童的家庭中放置了一个社交辅助机器人一个月。机器人在干预过程中针对每个孩子的独特学习模式对他们的指导和反馈进行个性化设置。
研究结束后，研究人员还分析了参与者的参与度，并确定该机器人可以自主检测孩子的参与度是否达到90%的准确性。实验结果分别于11月6日和2月26日发表在《机器人与人工智能前沿》和《科学与机器人》杂志上。
使机器人更智能
机器人自主识别和响应行为提示的能力受到限制，特别是在非典型用户和现实环境中。这项研究首次模拟了长期在家中自闭症儿童的学习模式和参与度。
主要作者Shomik Jain说：“当前的机器人系统非常僵化。” Shomik Jain是社会辅助机器人先驱教授MajaMatarić的建议，是一门数学专业的研究生。
“如果您想到一个真正的学习环境，老师将要学习有关孩子的东西，孩子将从他们那里学到东西。这是一个双向过程，在当前的机器人系统中不会发生。这项研究旨在通过了解孩子的行为并实时做出反应，机器人可以变得更加聪明。”
研究人员强调，目标是增强人类疗法，而不是替代人类疗法。
“人类治疗师至关重要，但家庭可能并不总是能得到或负担得起，”计算机科学与研究专业的本科生Kartik Mahajan说。 “这就是像这样的社交辅助机器人出现的地方。”
增强学习经验
由美国国家科学基金会(NSF)资助给Matarić的研究小组将Kiwi机器人安置在17名患有自闭症谱系障碍儿童的家庭中，历时约一个月。参加活动的儿童年龄在3至7岁之间，来自大洛杉矶地区。
在几乎每天的干预中，孩子们都在平板电脑上玩以空间为主题的数学游戏，而2英尺高的机器人奇异鸟(其身穿绿色羽毛鸟的衣服)则提供了指导和反馈。
根据每个孩子独特的学习方式，实时个性化猕猴桃的反馈和游戏的难度。 Matarić在USC交互实验室中的团队通过强化学习(一种快速增长的人工智能(AI)子领域)实现了这一目标。
该算法监控孩子在数学游戏中的表现。例如，如果一个孩子回答正确，猕猴桃会说类似“干得好!”。如果他们提出的问题有误，Kiwi可能会给他们一些有用的提示，以解决问题，并在以后的游戏中调整难度和反馈。目标是最大程度地提高难度，同时也不要迫使学习者犯太多错误。
贾恩说：“如果您不知道孩子的能力水平是什么，您就会向他们抛出一系列各种各样的问题，这对他们的参与或学习不利。”
“但是，如果机器人能够为问题找到适当的难度，那么这确实可以增强学习体验。”
终极前沿
在自闭症患者及其家人中有一个流行的说法：如果您遇到一个自闭症患者，您就会遇到一个自闭症患者。
“自闭症是机器人个性化的终极前沿，因为正如任何了解自闭症的人都会告诉您的那样，每个人都有不同的症状和严重程度，每种症状都有不同的表现，”神经科学计算机科学杰出教授Matarić说。 ，以及儿科和研究临时副总裁。
这给机器学习提出了一个特殊的挑战，它通常依赖于在大量相似数据中发现一致的模式。这就是个性化如此重要的原因。
马塔里奇说：“如果我们从孩子那里得到一些启发，我们不仅会遵循剧本，还能取得更大的成就。” “普通的AI方法因自闭症而失败。AI方法需要大量相似的数据，而对于自闭症来说，这是不可能的，因为异质性在其中占主导地位。”
研究人员在对儿童干预后的参与度分析中解决了这个问题。参与度的计算机模型是通过组合多种类型的数据而开发的，包括眼睛注视和头部姿势，音频音调和频率以及任务表现。
考虑到伴随的噪声和不可预测性，如何使用现实世界的数据使这些算法有效工作是一个重大挑战。
Kartik说：“这项实验是他们学习经验的中心，”他将机器人安装在儿童之家。
“有猫在机器人上跳来跳去，一个搅拌器在厨房里响了，人们进进出出房间。”因此，机器学习算法必须足够复杂，才能专注于与治疗疗程有关的相关信息并消除环境“噪音”。
改善人机交互
在为期一个月的干预之前和之后进行评估。尽管研究人员希望参与者有所改善，但结果却超出了他们的预期。在本月的干预结束时，100%的参与者表现出了提高的数学技能，而92%的社交技能也得到了提高。
在实验后的分析中，研究人员还能够从数据中收集到一些其他有趣的信息，这些信息可以让我们窥视理想的儿童机器人交互方式。
研究发现，机器人发言后不久，所有参与者的参与度都更高。具体来说，参与者在前一分钟说话的时间大约占70%，而在不到一分钟的时间内说话的时间却少于50%。
尽管针对每个用户的个性化模型都是理想的，但研究人员还确定，使用对其他用户的数据进行训练的参与模型可以实现足够的结果。
此外，研究发现，只有当孩子失去兴趣较长时间时，护理人员才需要干预。相比之下，参与者通常会在较短的不感兴趣时​​间后重新参与。这表明机器人系统应专注于抵消更长的脱离时间。
Matarić的实验室将继续研究从实验中收集到的数据：一个活跃的子项目涉及对儿童的认知情感状态进行分析和建模，包括困惑或兴奋之类的情绪。该项目由计算机科学专业学生中正史(Shonghao Shi)的高级学位领导，旨在设计具有情感意识的社交辅助机器人导师，这些导师在学习过程中对用户的情绪和情绪更加敏感。
贾恩说：“希望该实验室和其他地方的未来研究可以吸收我们学到的所有东西，并希望设计出更具吸引力和个性化的人机交互。”